Fast Decentralized State Estimation for Legged Robot Locomotion via EKF and MHE

本文提出了一种快速且分散的状态估计框架，用于腿式 locomotion 的控制。浮动基底状态的非线性估计通过扩展卡尔曼滤波（EKF）和移动视角估计（MHE）分散到方向估计和线性速度估计。EKF 将惯性传感器与视觉融合，估计浮动基底方向。MHE 使用过去时间窗口内估计的方向和所有传感器来基于感兴趣状态的时变线性动力学公式估计线性速度，并带有状态约束。更重要的是，基于全信息滤波器（FIF）的优化结构，提出了一种基于边缘化方法将等式约束 FIF 转换为等效 MHE 的方法。该状态估计的分离促进了计算效率、估计精度和状态约束的理想平衡。该方法已被证明能够为多个腿式机器人提供准确的状态估计，包括高动态跳跃机器人 PogoX、双足机器人 Cassie 和四足机器人 Unitree Go1，频率为 200 Hz，窗口间隔为 0.1 s。

本文旨在提出一种快速且分散的状态估计框架，用于控制腿部运动。该框架的目标是解决分散式状态估计的计算效率和估计精度之间的平衡问题。

本文提出了一种基于扩展卡尔曼滤波（EKF）和移动视角估计（MHE）的分散式状态估计方法。EKF将惯性传感器与视觉相结合，用于估计浮动基座的方向；MHE则利用过去一段时间内的所有传感器数据和EKF估计的方向，基于时变线性动力学公式估计线性速度。本文还提出了一种基于全信息滤波（FIF）优化结构的边际化方法，将等式约束的FIF转换为等效的MHE。

本文的方法在多个机器人上进行了测试，包括高度动态的跳跃机器人PogoX、双足机器人Cassie和四足机器人Unitree Go1。实验结果表明，该方法能够以200 Hz的频率和0.1秒的时间窗口提供精确的状态估计。此外，本文的方法还具有计算效率高、估计精度高和状态约束易于处理等优点。

近年来，在分散式状态估计领域中，还有一些相关的研究。例如，D. M. Stirling等人提出了一种基于扩展卡尔曼滤波的分散式状态估计方法，用于控制四足机器人的步态。另外，M. Bloesch等人提出了一种基于MHE的状态估计方法，用于控制移动机器人的运动。