論文の概要: Contact-Anchored Proprioceptive Odometry for Quadruped Robots

• arxiv url: http://arxiv.org/abs/2602.17393v2
• Date: Fri, 20 Feb 2026 10:01:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.569779
• Title: Contact-Anchored Proprioceptive Odometry for Quadruped Robots
• Title（参考訳）: 四足歩行ロボットの接触吸収性原性眼球運動計測
• Authors: Minxing Sun, Yao Mao,
• Abstract要約: 本稿では、IMUと運動量測定のみを用いて身体の姿勢と速度を推定する、純粋に受容的状態推定器を提案する。 閉ループ軌道を用いた4つの四足歩行プラットフォーム(3つのアストラルロボットと1つのUnitree Go2 EDU)について評価を行った。
• 参考スコア（独自算出の注目度）: 1.5469452301122173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable odometry for legged robots without cameras or LiDAR remains challenging due to IMU drift and noisy joint velocity sensing. This paper presents a purely proprioceptive state estimator that uses only IMU and motor measurements to jointly estimate body pose and velocity, with a unified formulation applicable to biped, quadruped, and wheel-legged robots. The key idea is to treat each contacting leg as a kinematic anchor: joint-torque--based foot wrench estimation selects reliable contacts, and the corresponding footfall positions provide intermittent world-frame constraints that suppress long-term drift. To prevent elevation drift during extended traversal, we introduce a lightweight height clustering and time-decay correction that snaps newly recorded footfall heights to previously observed support planes. To improve foot velocity observations under encoder quantization, we apply an inverse-kinematics cubature Kalman filter that directly filters foot-end velocities from joint angles and velocities. The implementation further mitigates yaw drift through multi-contact geometric consistency and degrades gracefully to a kinematics-derived heading reference when IMU yaw constraints are unavailable or unreliable. We evaluate the method on four quadruped platforms (three Astrall robots and a Unitree Go2 EDU) using closed-loop trajectories. On Astrall point-foot robot~A, a $\sim$200\,m horizontal loop and a $\sim$15\,m vertical loop return with 0.1638\,m and 0.219\,m error, respectively; on wheel-legged robot~B, the corresponding errors are 0.2264\,m and 0.199\,m. On wheel-legged robot~C, a $\sim$700\,m horizontal loop yields 7.68\,m error and a $\sim$20\,m vertical loop yields 0.540\,m error. Unitree Go2 EDU closes a $\sim$120\,m horizontal loop with 2.2138\,m error and a $\sim$8\,m vertical loop with less than 0.1\,m vertical error. github.com/ShineMinxing/Ros2Go2Estimator.git
• Abstract（参考訳）: カメラやLiDARのない脚型ロボットの信頼性は、IMUドリフトとノイズの多い関節速度検出のため、依然として困難である。 本稿では、IMUと運動量測定のみを用いて、二足歩行・四足歩行・車輪脚歩行ロボットに統一的な定式化を施し、身体の姿勢と速度を推定する純粋に受容的状態推定器を提案する。 関節トルクに基づくフットレンチ推定は、信頼性の高い接触を選択し、対応するフットフォール位置は、長期のドリフトを抑制する断続的な世界フレーム制約を提供する。 本研究では,新たに記録された足場の高さを従来観測された支持面にスナップする軽量な高さクラスタリングと時間遅延補正を導入する。 エンコーダ量子化下での足の速度観測を改善するために,直交角や速度から直接足の端速度をフィルタする逆キネマティックキューブカルマンフィルタを適用した。 この実装により、多接触幾何整合によるヨードリフトをさらに軽減し、IMUヨー制約が利用できない、または信頼性の低い場合に、キネマティクス由来の誘導基準に優雅に低下する。 閉ループ軌道を用いた4つの四足歩行プラットフォーム(3つのアストラルロボットと1つのUnitree Go2 EDU)について評価を行った。 Astrallのポイントフットロボット〜Aでは、$\sim$200\,m水平ループと$\sim$15\,m垂直ループがそれぞれ0.1638\,mと0.219\,mエラーを返す。 車輪付きロボット~Cでは、$\sim$700\,m水平ループは7.68\,m誤差、$\sim$20\,m垂直ループは0.540\,m誤差となる。 Unitree Go2 EDUは2.2138\,mの水平ループで$\sim$120\,mの垂直ループを閉じ、0.1\,mの垂直ループで$\sim$8\,mの垂直ループを閉じる。 github.com/ShineMinxing/Ros2Go2Estimator.git

関連論文リスト

• ECHO: Edge-Cloud Humanoid Orchestration for Language-to-Motion Control [8.983091538704645]
  本稿では,ヒューマノイドロボットの言語駆動型全身制御のためのエッジホスト型フレームワークECHOを提案する。 クラウドネイティブ拡散に基づくテキスト・トゥ・モーション・ジェネレータは、自然言語命令から動作参照を合成する。 エッジ展開された強化学習トラッカーは、ロボットのクローズドループでそれらを実行する。
  論文  参考訳（メタデータ） (2026-03-17T07:16:18Z)
• Parallel Continuous-Time Relative Localization with Augmented Clamped Non-Uniform B-Splines [13.396140913210637]
  本稿では,CT-RIO(Continuous-Time Relative-Inertial Odometry framework)を提案する。 C-NUBS(Clarmped Non-Uniform B-splines)をロボットの状態を表すために使用し、クエリ時間遅延を排除した。 常に最先端の手法より優れており、高速動作下では最大60%改善されている。
  論文  参考訳（メタデータ） (2026-02-25T15:23:18Z)
• RobotDancing: Residual-Action Reinforcement Learning Enables Robust Long-Horizon Humanoid Motion Tracking [50.200035833530876]
  RobotDancingはシンプルでスケーラブルなフレームワークで、残留する関節の目標を予測して、ダイナミックスの不一致を明示的に修正する。 複数分間の高エネルギー動作(ジャンプ、スピン、カートホイール)をトラッキングし、高いモーショントラッキング品質のハードウェアにゼロショットをデプロイする。
  論文  参考訳（メタデータ） (2025-09-25T03:30:34Z)
• Vanishing Point Estimation in Uncalibrated Images with Prior Gravity Direction [82.72686460985297]
  我々はマンハッタンのフレームを推定する問題に取り組む。 2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。 また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
  論文  参考訳（メタデータ） (2023-08-21T13:03:25Z)
• Waypoint-Based Imitation Learning for Robotic Manipulation [56.4287610994102]
  ウェイポイントラベリングは不特定であり、追加の人的監督が必要である。 模倣学習のためのAWE(Automatic Waypoint extract)を提案する。 AWEは、最先端のアルゴリズムの成功率を、シミュレーションで25%、実世界のバイマニュアル操作タスクで4-28%向上させることができる。
  論文  参考訳（メタデータ） (2023-07-26T17:45:55Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Relative Localization of Mobile Robots with Multiple Ultra-WideBand Ranging Measurements [15.209043435869189]
  ロボット群間の相対的なポーズを,複数のUWB範囲のノードを各ロボットに装備することで推定する手法を提案する。 局所化精度を向上させるため,スライディングウインドウを用いた最適化により,オドメトリー制約を利用する。
  論文  参考訳（メタデータ） (2021-07-19T12:57:02Z)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)
• Object Tracking by Detection with Visual and Motion Cues [1.7818230914983044]
  自動運転車は、カメラ画像中の物体を検出し、追跡する必要がある。 本稿では,カルマンフィルタを用いた定速度運動モデルに基づく簡易オンライン追跡アルゴリズムを提案する。 課題のあるBDD100データセットに対するアプローチを評価します。
  論文  参考訳（メタデータ） (2021-01-19T10:29:16Z)
• Planning Brachistochrone Hip Trajectory for a Toe-Foot Bipedal Robot going Downstairs [0.0]
  足足を用いた9リンク2足ロボットモデルに対して, より効率的な下方軌道を提案する。 たいていの場合、下階に登っている間、ヒトの股関節はより反応のよい運動のためにブラキストロンの軌道も追う。
  論文  参考訳（メタデータ） (2020-12-02T11:23:23Z)
• Fast Motion Understanding with Spatiotemporal Neural Networks and Dynamic Vision Sensors [99.94079901071163]
  本稿では,高速な動きを推論するための動的視覚センサ(DVS)システムを提案する。 ロボットが15m/s以上の速度で接近する小さな物体に反応するケースを考察する。 我々は,23.4m/sで24.73degの誤差を$theta$,18.4mmの平均離散半径予測誤差,衝突予測誤差に対する25.03%の中央値で移動した玩具ダートについて,本システムの結果を強調した。
  論文  参考訳（メタデータ） (2020-11-18T17:55:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。