💻 computer science

OCELOT: Odometry and Contact Estimation for Legged Robots

本文介绍了 OCELOT，这是一个完整的腿部里程计流程，它利用基于误差状态的扩展卡尔曼滤波结合本体感知传感器，并采用一种新颖的双检测器接触估计模块来显式识别和剔除打滑现象，从而在不依赖外部传感器的情况下，实现跨多种地形的精准且鲁棒的定位。

原作者： Emre Girgin, Cagri Kilic

发布于 2026-05-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Emre Girgin, Cagri Kilic

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个四条腿的机器人试图穿过森林、布满岩石的海滩或凹凸不平的后院。与依靠轮子平稳滚动的汽车不同，带腿的机器人必须不断抬起脚、放下脚并蹬地推进。最大的挑战是什么？在不依赖摄像头或 GPS 观察外界的情况下，精准地知道自己身处何处。它必须完全依赖“本体感觉”——即对身体位置的内部感知，就像你能在黑暗中行走而不撞到东西，是因为你知道自己四肢的位置。

这篇题为OCELOT的论文，为这些机器人呈现了一种新的“大脑”，帮助它们即使在脚踩在湿滑岩石上打滑或陷入松软草地时，也能确定自身位置。

以下是其工作原理，分解为简单概念：

1. 问题：“醉酒行走”

当机器人行走时，它利用内部陀螺仪（IMU）来推测其运动。但就像在黑暗中行走的人一样，微小的误差会不断累积。如果机器人认为它向前迈了一步，但实际上却向侧面滑了，这个误差就会扩大。随着时间的推移，机器人认为自己所在的位置与实际位置大相径庭。这被称为“漂移”。

为了解决这个问题，机器人需要确切知道何时一只脚已稳稳踩在地面上且未移动。当脚固定在地面上时，机器人可以说：“好吧，我知道这只脚的确切位置；让我利用这一点来修正我的地图。”

难点在于： 很难判断一只脚是否真的固定不动。

如果机器人踩在岩石上，脚可能会感到沉重（高受力），但它可能正在向侧面滑动。
如果机器人踩在柔软的草地上，脚可能移动不多，但地面正在下陷，这使得很难判断它是否真的静止。

2. 解决方案：“双重检查”系统

作者创建了一个系统，其作用就像俱乐部里一位极其严格的门卫。要让机器人信任某一步，脚必须同时通过两个不同的测试。如果任一测试失败，机器人就会忽略那一步，以避免迷路。

测试 A：“重手”（力检测器）

机器人检查脚向下施加了多大的力。

类比： 想象你站在体重秤上。如果读数为零，说明你没站在上面；如果读数是你的体重，说明你正站在上面。
创新之处： OCELOT 系统不使用简单的“开/关”开关（例如“如果重量 > 10 公斤，则视为站立”），而是使用一种智能统计模型（高斯混合模型），实时学习“站立”和“摆动”的感觉。它能适应地形。如果地面较软，它会调整预期。

测试 B：“静止检查”（运动学检测器）

机器人检查脚实际上是在空中移动还是保持静止。

类比： 想象你端着一杯咖啡。如果你在走路，杯子会移动；如果你停下，杯子也会停下。机器人根据其腿部关节计算出脚应该在的位置。如果数学计算表明脚在移动，但机器人认为它正站立着，那就出问题了（也许它在打滑）。
创新之处： 这使用了一种统计检验（广义似然比检验，GLRT）来判断脚的速度是真正为零，还是仅仅“有噪声”。

3. “融合”（门卫的决定）

当这两个测试结合在一起时，奇迹就发生了。

情景 1（在冰上打滑）： 脚感觉很重（测试 A 通过），但它正在向侧面滑动（测试 B 失败）。结果： 机器人说：“我在打滑！不要信任这一步。”
情景 2（陷入泥潭）： 脚移动不多（测试 B 通过），但地面正在下陷，导致受力读数异常（测试 A 失败）。结果： 机器人说：“地面不稳定！不要信任这一步。”
情景 3（完美的一步）： 脚既沉重又未移动。结果： 机器人说：“太好了！我知道自己确切在哪里。”

4. “信任分数”

该系统不仅仅回答“是”或“否”，而是给出一个信任分数（从 0 到 1）。

如果分数很高（完美的一步），机器人会对地图进行大幅修正。
如果分数较低（也许有轻微打滑），机器人会进行微小修正或完全忽略。
这防止了机器人基于错误数据犯下大错。

5. 证明："2.4 公里行走”

为了证明这行之有效，研究人员不仅是在干净的实验室里进行测试。他们构建了一个庞大的数据集：

机器人： 宇树 Go2 四足机器人（一种机器狗）。
旅程： 他们让它行走了2.4 公里（约 1.5 英里），跨越 29 条不同的路径。
地形： 混凝土、瓷砖、草地、鹅卵石和嶙峋的岩石。
结果： 他们的方法比以前的方法准确得多。当其他机器人在岩石和鹅卵石上迷路或偏离航线时，OCELOT 机器人保持了路线。它的表现甚至优于一些确实使用摄像头的系统（这些系统通常在岩石上或黑暗中会失效）。

总结

OCELOT 就像是赋予了机器人超敏感触觉和平衡感。通过交叉比对脚对地面的施力程度与脚实际的静止状态，机器人能够区分稳固的一步和危险的打滑。这使得它能够在崎岖不平、不可预测的地形中导航而不迷路，且完全无需观察外界或使用 GPS。

技术摘要：OCELOT——足式机器人的里程计与接触估计

问题陈述

在非结构化及崎岖地形中，足式机器人的精确里程计仍然是一个重大挑战，特别是当仅依赖机载本体感知传感器（IMU、关节编码器和力传感器）时。与轮式机器人不同，足式系统经历间歇性接触动力学，其脚部周期性地与地面建立和断开接触。本体感知足式里程计的根本局限性在于，当仅依赖固连于机体的传感器时，绝对位置和航向是不可观测的。虽然误差状态扩展卡尔曼滤波器（ESEKF）是通过惯性导航系统（INS）传播状态并利用零速度更新（ZUPTs）校正漂移的主导框架，但其有效性取决于能否准确识别脚部何时处于静止的“支撑”阶段。现有的接触估计方法往往难以应对脚部打滑，无法适应多变的地形特征，或者依赖辅助硬件（例如脚部安装的 IMU）以及缺乏校准不确定性的基于学习的方法。

方法论

本文提出了OCELOT，这是一个完整的足式里程计流程，基于 ESEKF，且仅依赖标准本体感知数据：固连于机体的 IMU、关节编码器和脚部力传感器。核心创新在于一个融合接触检测与不确定性量化模块，旨在显式地识别并剔除打滑。

1. 状态估计框架

该系统采用 ESEKF，其中状态被分离为非线性名义状态（位置、速度、姿态、IMU 偏差）和线性误差状态。

传播：名义状态通过欧拉积分，利用偏差校正后的 IMU 测量值进行传播。
校正：当确定脚部处于支撑状态时，滤波器对漂移进行校正，假设脚部相对于世界坐标系的速度为零（ $v^W_{foot} = 0$ ）。

2. 融合接触检测

为了鲁棒地确定支撑阶段，系统为每只脚并行运行两个检测器，并融合其输出：

检测器 1：基于力的 GMM 引导有限状态机（FSM）
- 利用地面反作用力（GRF）数据来确定物理接触。
- 它不使用固定阈值，而是采用**高斯混合模型（GMM）**拟合历史力数据的滑动窗口，以自主识别双峰分布（摆动 vs. 支撑）。
- 有限状态机（FSM）利用动态生成的阈值（ $F_{on}$ , $F_{off}$ ）来管理状态转换，无需手动调整即可适应不同的表面特征。
- 输出一个连续的质量分数（ $q_{FSM}$ ），代表物理负载的可能性。
检测器 2：基于运动学的广义似然比检验（GLRT）
- 利用由机体 IMU 和关节运动学推导出的估计脚部速度。
- 应用**广义似然比检验（GLRT）**来评估脚部静止（ $H_0$ ）与运动（ $H_1$ ）的假设。
- 与需要脚部安装 IMU 的先前工作不同，该方法仅依赖主机体 IMU 和运动学模型。
- 输出一个连续的质量分数（ $q_{GLRT}$ ），代表运动学上的静止性。

3. 自适应不确定性量化

这两个分数通过乘法“软与门”进行融合（ $q_{final} = q_{FSM} \times q_{GLRT}$ ）。这确保了仅当脚部既承受物理负载又在运动学上静止时，才会产生高置信度分数。

动态协方差：融合后的分数用于计算 ESEKF 的自适应测量噪声协方差矩阵（ $R_i$ $R_{i}$ ）。
- 高置信度（无打滑） $\rightarrow$ 低协方差（强校正）。
- 低置信度（打滑或噪声） $\rightarrow$ 高协方差（滤波器降低该测量的权重）。
门控：基于新息的门控步骤（ $\chi^2$ 检验）在最终校正之前进一步剔除统计异常值。

主要贡献

新颖的接触检测框架：融合基于力的 GMM-FSM 和基于运动学的 GLRT 检测器，无需辅助的脚部安装传感器即可生成连续的接触质量分数。
自适应不确定性估计：一种将融合接触质量分数转换为动态测量协方差（ $R_i$ ）的方法，使 ESEKF 能够根据可靠性智能地加权测量值，并鲁棒地剔除打滑事件。
开源 ESEKF 流程：一个仅使用机载本体感知传感器的四足足式里程计完整状态估计器。
多地形数据集：一个公开可用的数据集，包含跨越多种地形（混凝土、瓷砖、草地、鹅卵石、岩石）的 29 个序列（总长 2.4 公里），包括同步的本体感知数据、RGB 视频和点云。

实验结果

作者在自定义数据集上，将 OCELOT 与经典的本体感知基线（Bloesch 等人、Hartley 等人）以及最先进的视觉 - 惯性里程计（VIO）系统（OpenVINS、VINS-Fusion）进行了评估。

本体感知对比：OCELOT 在所有地形类型和指标（ATE、AHE、RPE、漂移）上均显著优于现有的本体感知方法。
- 在岩石地形上，OCELOT 实现了6.857 米的绝对轨迹误差（ATE），而 Hartley 等人方法为 15.028 米，Bloesch 等人方法为 30.876 米。
- 在混凝土上，OCELOT 将 ATE 降低至12.019 米，相比基线方法有了显著改进。
外部感知对比：尽管仅使用本体感知传感器，OCELOT 在具有挑战性的颗粒状地形（鹅卵石、岩石）和可变形表面（草地）上均优于 VIO 系统。
- 在岩石上，VIO 系统严重失效（OpenVINS ATE：27.279 米；VINS-Fusion：15.719 米），而 OCELOT 保持了6.857 米的 ATE。
- 作者指出，VIO 系统在高度动态且特征贫乏的表面（混凝土、瓷砖）上表现挣扎，导致发散，而 OCELOT 则保持鲁棒。
消融研究：
- 融合的必要性：消融研究表明，单独使用任一检测器都不足以胜任。仅 GLRT 检测器在长轨迹上遭受累积的运动学噪声影响（例如在混凝土上 ATE 为 23.161 米），而仅 FSM 检测器在特定序列中失效（例如在瓷砖上 ATE 为 9.577 米），其中仅凭力数据错误分类了接触。融合模型在所有地形上始终实现了最低或接近最低的误差。
- 协方差影响：敏感性分析证实，准确的协方差量化至关重要；低估协方差（强制对噪声数据给予高信任）会导致严重的横向漂移和偏航发散，这是使用静态或缩放不当的协方差的基线方法中观察到的失效模式。

意义与主张

本文声称，OCELOT 为打滑普遍且外部传感器（如相机）可能因缺乏特征或动态光照而失效的环境中的足式里程计提供了鲁棒的解决方案。通过显式建模接触不确定性并融合力和运动学数据，该方法在不增加视觉处理的计算开销或脚部安装传感器的硬件复杂性的情况下，实现了精确的状态估计。作者强调，他们的方法通过确保仅使用高质量、无打滑的测量值来校正滤波器，从而有效解决了本体感知系统中绝对航向的“不可观测性”问题，从而防止了其他方法中常见的偏航发散。数据集和代码的发布旨在促进足式机器人和多模态里程计领域的进一步研究。