想象一下，仅凭贴在皮肤上或金属上的微小传感器，来追踪复杂机器或人体运动的过程。这就是惯性导航的世界。在这个领域，科学家们利用惯性测量单元（IMU）——这些装满了加速度计和陀螺仪的微型设备——来确定物体的方位、移动速度以及朝向。可以将 IMU 想象成一名蒙着眼睛的舞者，他们能感觉到每一次旋转和步伐，却不知道自己身处房间的哪个位置。为了找到方向，他们需要一个聪明的“大脑”，根据这些感觉来推测自己的位置。
对于单个物体，比如沿直线飞行的无人机，我们拥有优秀的数学方法来帮助这个“大脑”做出正确推测。但当处理**关节连接系统（articulated systems）**时，情况就会变得复杂——这类系统由多个通过关节连接的部分组成，例如带有肘部和手腕的机械臂，或者带有膝盖和脚踝的人腿。这些部件是相互关联的：如果膝盖弯曲，脚就会移动，整个链条也会随之位移。过去用于追踪单个物体的数学方法在应用于这些连锁结构时往往会失效，导致推测结果偏离航线，或因部件间的连接关系而产生混乱。科学家们一直在寻找一种更好的方法，在不需要外部摄像头观察的情况下，让这些“蒙眼的舞者”保持同步。
本论文介绍了一种解决这一难题的巧妙新方法。作者团队提出了一种全新的数学“语言”，称为相对 L-扩展位姿（relative L-extended pose）。他们不再试图从一个固定的起点（如全局地图）来追踪每一个身体部件的位置，而是决定追踪每个部件相对于紧邻部件的运动方式。想象一排手拉手的人：与其让每个人都试图记住自己距离起点的距离，不如让他们只需要知道自己与正在牵着手的那个人之间的距离。这种视角的转变，让数学能够完美地处理这种“手拉手”（即关节）的关系。
通过使用这种相对方法，该团队构建了一种新的滤波器，称为 IterIEKF（迭代不变扩展卡尔曼滤波器）。这种滤波器很特别，因为它将部件之间的连接视为“无噪声”的规则。在旧方法中，计算机必须猜测关节连接有多紧密，这往往会导致误差累积。而新方法将关节视为不可打破的刚性物理定律，迫使估计值始终符合机器人或人类的实际形状。
研究人员在两个截然不同的对象上测试了这一想法：执行抓取与放置任务的 UR5e 机械臂，以及进行向前箭步蹲动作的人类腿部。他们将新方法与几种现有的标准技术进行了对比。结果令人瞩目。新滤波器不仅有效，而且表现得好得多。在机器人测试中，与排名第二的方法相比，它将位置误差降低了约 50%，速度误差降低了近 88%。对于人腿测试，改进更为显著，位置误差下降了 85.6%。
至关重要的是，新滤波器不仅能得到正确答案，而且能更快、更稳定地得出结果。旧的滤波器经常在开始阶段出现踉跄，表现出巨大的误差峰值，然后才缓慢恢复；而新方法几乎能立即收敛并保持稳定，无论运行多少次都是如此。本文表明，通过改变我们表示问题的方式——专注于部件之间的关系而非其绝对位置——我们可以创造出一种更可靠的运动追踪方式。这不仅仅是理论上的胜利；这意味着机器人可以移动得更精准，穿戴式传感器可以更准确地追踪人体运动，且无需依赖昂贵的外部摄像头进行观察。
技术摘要：用于多 IMU 关节刚体系统扩展位姿估计的不变卡尔曼滤波
问题陈述
对于配备惯性测量单元（IMU）的关节刚体系统，实现精确的扩展位姿估计（取向、速度和位置）是机器人技术和人体运动分析中的一个关键挑战。虽然不变扩展卡尔曼滤波（IEKF）在单刚体情况下具有收敛性和在不可观测性下的相容性，但将其扩展到关节系统仍是一个悬而未决的问题。现有方法面临两个主要局限性：
- 自由段模型（Free-segment models）： 将每个刚体视为相对于惯性系具有独立位姿，这阻碍了不变滤波框架的直接应用，因为物体间的位姿耦合使得无法以不变形式表达运动学约束。将这些约束作为带噪声的伪测量强制执行会导致残差违背。
- 运动学树模型（Kinematic-tree models）： 虽然这类模型通过构造满足约束，但它们通常依赖于参数化方法（如欧拉角），这会导致较差的动力学近似和高度非线性的测量模型，从而阻碍收敛。
方法论
作者提出了一种使用特定李群表示来重新表述扩展位姿估计问题的方法，该表示满足不变滤波框架的要求。
- 相对 L-扩展位姿（Relative L-extended Pose）： 核心方法论贡献是引入了“相对 L-扩展位姿”。系统状态不再定义为所有物体的绝对位姿，而是定义为一个位于李群 SE2L(3) 中的块对角矩阵。每个对角块代表后继物体相对于其前驱物体的扩展位姿，且是在前驱物体的坐标系下表达的。
- 群仿射动力学（Group-Affine Dynamics）： 作者证明了这种相对表示产生了群仿射动力学。这一特性对于 IEKF 至关重要，因为它确保了误差动力学独立于状态估计，从而保留了滤波器的收敛保证。
- 不变关节约束（Invariant Joint Constraints）： 通过利用相对位姿，运动学约束（如球型关节和转动关节）可以被表达为不变形式。具体而言，此前耦合绝对位姿的约束（例如 p01+R01ρ1=p02+R02ρ2）被转化为仅依赖于相对块 (Xk)j 的约束。
- 迭代 IEKF（IterIEKF）： 所提出的框架将这些不变约束作为无噪声的伪测量纳入迭代 IEKF 中。这使得滤波器能够精确地强制执行运动学约束（直至数值精度），同时不牺牲不变滤波的理论保证。随后，通过沿运动学树沿链式组合各个相对块，即可恢复每个物体的绝对位姿。
主要贡献
本文概述了三个主要贡献：
- 状态表示： 引入了相对 L-扩展位姿，这是一种用于多 IMU 关节系统的李群状态表示，具有群仿射动力学和不变关节约束。
- 滤波器公式： 一种特定的 IterIEKF 公式，它利用所提出的表示，将球型和转动关节约束整合为无噪声的伪测量。
- 实验验证： 在两个不同的任务上进行了全面评估：执行抓取与放置动作的 UR5e 机器人臂，以及执行向前箭步蹲动作的人类腿部。
实验结果
所提方法针对标准 EKF、迭代 EKF（IterEKF）以及绝对位姿 IterIEKF 基准进行了验证。
- UR5e 机器人： 在 100 次试验中，基于相对表示的 IterIEKF 几乎立即收敛，且运行间的变异性极小。与基准相比，它在所有类别中均实现了最低的均方根误差（RMSE）。具体而言，与次优滤波器（基于相对表示的 EKF）相比，它在取向、速度和位置方面的 RMSE 分别降低了 50%、87.7% 和 59.7%。
- 人类腿部： 同样在人体运动追踪中，基于相对表示的 IterIEKF 在几个时间步内即可收敛，且方差极小。它优于所有其他滤波器，在各类别中相比于次优滤波器，分别实现了 60.7%（取向）、92.4%（速度）和 85.6%（位置）的 RMSE 降幅。
- 总体观察： 在两种场景下，相对表示都被证明是决定性的因素。使用绝对表示（即使具有不变结构）的滤波器表现出更慢的收敛速度、更大的瞬态误差和更高的变异性。
意义与主张
本文主张，状态表示的选择是成功将不变滤波扩展到关节系统的根本因素。通过采用相对 L-扩展位姿，作者提供了一个原则性的框架，该框架能够：
- 保留不变滤波的收敛性和相容性保证。
- 允许将运动学约束作为无噪声的伪测量进行精确整合。
- 在准确性、收敛速度和稳定性方面一致优于现有的 EKF 和 IterEKF 方法。
作者总结道，这种方法为基于 IMU 的关节系统位姿估计奠定了坚实的基础。他们指出，虽然目前的工作解决了转动关节和球型关节，但未来的工作将把该框架扩展到其他关节类型（圆柱型、移动型、平面型），并研究补偿人体运动分析中软组织伪影的策略。
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。