想象一下，你正穿行于一片浓雾弥漫的森林中，没有 GPS，没有地标，也没有地图。要知晓身处何处，你必须完全依赖自己的身体：双腿如何移动，内耳如何感知倾斜，以及双脚是否接触地面。这正是四足机器人（quadrupeds）在失去“眼睛”（摄像头）或"GPS"时所面临的挑战。
本文就像是一场味觉测试，旨在评估三种不同的“大脑”（算法），这些算法帮助机器人仅利用身体传感器来定位。作者将这三种“大脑”置于一个严苛的障碍赛道（一个名为“大巡游”的真实世界数据集）中，以检验哪一种最准确，哪一种最快。
以下是他们测试的三种“大脑”的分解说明：
1. 三位竞争者
- MUSE（模块化专家）： 将 MUSE 想象为一支在接力赛中协作的专家团队。一人负责检查平衡，一人负责计数步数，第三人则整合这些信息。它的设计旨在实现极高的速度和模块化。
- IEKF（稳健导航员）： 这种“大脑”利用一种特定的数学技巧（李群），即使机器人打滑或踉跄，也能保持计算稳定。它就像一位无论路途多么颠簸都不会迷失方向的导航员。
- IS - 不变平滑器（历史学家）： 这种“大脑”不仅关注“当下”，还会回顾过去几秒的“短片”。通过审视近期历史，它能修正片刻前犯下的小错误。它就像一位为了得出完美答案而重新勘察犯罪现场的侦探，但思考时间稍长。
2. 比赛结果
作者主要测量了两项指标：长期精度（长时间行走后机器人是否到达了正确位置？）和短期精度（机器人是否确切知道“此刻”身在何处？）。他们还测量了速度（“大脑”思考所需的时间）。
- 长途跋涉（ATE）： 在整个 300 米的赛道上，“历史学家”（IS）和“稳健导航员”（IEKF）最为准确。它们最终最接近真实目的地。“专家”（MUSE）的漂移稍大一些，最终位置比最佳表现者偏离了约一米。
- 即时检查（RPE）：
- 超过 1 米： 在观察短距离（如迈一步）时，IEKF 和 IS 在保持轨迹方面比 MUSE 表现优异得多。
- 逐帧分析： 在观察两次更新之间的瞬间时，MUSE 和 IEKF 实际上比 IS 更敏锐、抖动更少。IS 因为忙于回顾其“短片”，对微小、快速的运动反应稍慢。
- 速度（运行时间）：
- MUSE 是闪电般的短跑选手，思考仅需约 0.012 毫秒。
- IEKF 也非常快，耗时约 0.02 毫秒。
- IS 是深思熟虑的马拉松选手。由于它进行更多数学运算以平滑路径，耗时较长（0.1 到 0.6 毫秒）。它回顾的历史越久，速度就越慢。
3. “苏醒”测试（收敛性）
研究人员还测试了如果机器人带着“头脑眩晕”（初始朝向存在巨大误差）开始比赛会发生什么。
- MUSE 是最快“苏醒”并意识到“哦，我 upside down 了！”并自我纠正的。
- IEKF 和 IS 纠正这种巨大的初始错误较慢，因为它们依赖微小的局部调整，如果起始误差过大，这些调整可能会陷入混乱。
结论
本文并未宣布唯一的“赢家”。相反，它提供了一份清晰的权衡菜单：
- 选择 MUSE，如果你需要机器人即时响应以控制腿部（低延迟），且不介意微小的长期漂移。
- 选择 IEKF，如果你想要高精度与速度的绝佳平衡，并具备出色的稳定性。
- 选择 IS，如果你需要最高精度的地图构建或导航，并且可以容忍微小的延迟（latency），让算法在短时间窗口内“思考”。
作者发布了所有代码和数据，以便其他人能够运行同样的比赛并验证结果。这是一份指南，旨在帮助工程师为特定的机器人任务挑选合适的“大脑”。
技术摘要：仅本体感知四足机器人状态估计基准
问题陈述
可靠的仅本体感知状态估计对于敏捷的四足机器人运动至关重要，特别是在因灰尘、雾气、无特征走廊或信号中断而导致外部感知（如视觉、激光雷达、GPS）不可靠或不可用的环境中。在此类场景中，机器人必须仅依靠惯性测量单元（IMU）、关节编码器和接触信息来估计身体运动。核心挑战在于平衡两个相互竞争的需求：
- 长期一致性：尽管存在漂移和建模误差，仍需在长轨迹上保持精度。
- 短视距保真度：维持对反馈控制和落脚点规划至关重要的局部精度，同时严格遵守嵌入式平台上的严格延迟和计算预算。
尽管存在各种方法，但在公共真实世界数据集上，不同最先进范式（滤波与平滑、不变与非不变）之间缺乏直接的“苹果对苹果”式比较，以指导从业者为其特定的应用约束选择合适的估计器。
方法论
作者提出了三种代表性开源四足机器人状态估计器的比较基准，所有估计器均在GrandTour 数据集的CYN-1 序列上以仅本体感知模式运行。所有方法均估计浮动基座位姿 (R,p)∈SO(3)×R3 和身体速度 v∈R3。
1. MUSE（多传感器统一状态估计器）
- 范式：模块化、实时融合堆栈（滤波）。
- 机制：在本研究中，MUSE 仅以本体感知模式运行，禁用了外部感知模块。它利用级联非线性观测器（NLO）和外源卡尔曼滤波（XKF）进行姿态估计，以确保全局稳定性。腿部里程计源自稳定接触状态下腿部的正向运动学。这些测量值通过卡尔曼滤波融合，以输出位姿和 twists。
- 关键特性：专为鲁棒性和实时性能设计，凭借其全局稳定的姿态观测器，能够处理较大的初始姿态误差。
2. 不变扩展卡尔曼滤波（IEKF）
- 范式：不变滤波。
- 机制：基于群仿射系统构建，其中右不变误差动力学与状态无关。这种结构改善了收敛性和一致性，特别是在接触事件期间。
- 机制细节：传播过程积分 IMU 数据，而更新过程假设接触稳定（零足部速度）。它利用李群结构线性化误差动力学，结合鲁棒的测量代价和滑移感知。
3. 不变平滑器（IS）
- 范式：固定滞后平滑（最大后验估计）。
- 机制：与仅更新最新状态的 IEKF 不同，IS 在固定窗口（n）的状态和测量值上进行优化。它利用源自 IEKF 群仿射特性的结构感知残差，将问题构建为非线性最小二乘问题。
- 关键特性：通过在窗口上进行优化，它实现了对动态接触（如滑移）的更高容忍度和更高的精度，但代价是计算负载增加，且算法延迟与窗口大小成正比。
评估指标
本研究采用通过 evo Python 包计算的标准指标：
- 绝对轨迹误差（ATE）：通过 SE(3) Umeyama 对齐将估计轨迹与真实轨迹对齐，测量全局位姿精度和累积漂移。
- 相对位姿误差（RPE）：测量短视距精度。在两种方案下进行评估：
- 空间窗口（Δ=1 米）：探测米级漂移。
- 时间窗口（Δ=1 帧）：探测帧间一致性和对测量抖动的敏感性。
- 速度 RMSE：评估估计速度曲线的精度。
- 运行时间：在固定硬件/软件栈上测量的每次更新计算时间。
关键结果
精度
- 长期（ATE）：IEKF 和不变平滑器（IS）的 ATE 均低于 MUSE。在 300 米轨迹上，最佳（IS）与最差（MUSE）之间的差异约为 0.91 米（约 0.3%）。这表明群仿射建模和平滑正则化有助于减少累积漂移。
- 短期（RPE）：
- 在 Δ=1 米时：IEKF 和 IS 显著优于 MUSE（平移 RPE 降低约 40%），表明其更好地处理了多次更新后累积的系统性误差。
- 在 Δ=1 帧时：IEKF 和 MUSE 的 RPE 低于 IS（分别降低约 72% 和 66%）。这表明在此特定指标下，滤波中的高频融合比平滑方法更能抑制高频噪声。
- 旋转 RPE：所有方法的结果大致相似。
- 速度：所有三种方法均提供了准确的速度曲线，RMSE 差异很小。
运行时间和延迟
- MUSE：最快，每次迭代平均运行时间约为 0.012 毫秒。
- IEKF：稍慢，每次迭代约为 0.02 毫秒。
- 不变平滑器：表现出明显的精度 - 延迟权衡，取决于窗口大小（WS）。
- WS = 1：约 0.110 毫秒。
- WS = 5：约 0.583 毫秒。
- 注：固定滞后平滑引入了与滞后时间成正比的算法延迟，根据流水线实现的不同，这可能会延迟状态估计。
收敛行为
在大初始姿态误差（180 度翻滚错位）下，所有三种估计器均收敛到正确的姿态。然而，MUSE 的收敛速度比 IEKF 和 IS 更快。这归因于 MUSE 的全局稳定姿态观测器设计，而 IEKF 和 IS 依赖于局部线性化，大初始误差可能会破坏这种线性化，导致收敛较慢。
意义与贡献
本文提供了可部署四足系统在精度、延迟和计算成本之间权衡的简洁、可复现的快照。其主要贡献包括：
- 直接比较：在共享的真实世界数据集上，对三种不同的高性能估计范式（MUSE、IEKF、IS）进行了“苹果对苹果”式的评估。
- 从业者指导：提供了关于不同指标（不同尺度下的 ATE 与 RPE）和计算约束（延迟与精度）如何影响估计器选择的清晰数据。
- 开源可复现性：发布了完整的基准测试流水线，包括代码、文档和数据处理工具，以促进未来的标准化基准测试。
作者得出结论，虽然平滑（IS）提供了更优越的长期精度，但滤波（MUSE、IEKF）提供了更低的延迟和潜在的更好短期噪声抑制。估计器的选择应由具体应用对全局一致性、控制回路频率和可用计算资源的要求决定。本研究并不声称解决所有状态估计挑战，而是旨在为从业者澄清当前的格局。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。