近日，多模态感知研究室围绕足式机器人的状态估计问题展开深入研究，并将研究成果进行综合论述，相关成果“足式机器人状态估计方法研究综述”发表于国内核心学术期刊。

目前，足式机器人凭借稳定、柔顺及强环境适应性的优势，在众多领域应用广泛，而状态估计作为其控制、运动规划的核心基础，需精准获取空间位置、姿态、速度等关键状态。由于这些状态无法直接测量，且单一传感器数据存在局限（如 IMU 解算易漂移、运动学分析受冲击噪声干扰），因此，多传感器融合成为状态估计的核心思路。

当前主流方法可分为三类。基于滤波器的方法是经典技术路径，包括卡尔曼滤波、扩展卡尔曼滤波及不变扩展卡尔曼滤波。卡尔曼滤波适用于线性系统，通过两阶段融合实现姿态与位姿分离估计；扩展卡尔曼滤波突破非线性系统限制，可融合 IMU、关节编码器等多源数据，提升复杂地形适应性；不变扩展卡尔曼滤波基于李群定义状态，误差动力学与当前状态无关，收敛性更强，能实现长时间轨迹跟踪。基于因子图优化的方法通过紧密融合惯性导航、腿部测距、视觉等数据，经平滑优化提升估计精度。例如在 ANYmal 四足机器人的室外实验中，该方法使相对位置误差减少 55%，绝对位置误差降低 76%，其核心是引入正向运动学和接触因素，实现实时增量求解，适配动态场景。基于深度学习的方法则依托神经网络突破传统物理模型局限，无需依赖接触 / 力传感器。通过 CNN、LSTM 等网络从惯性数据中推断运动信息，可有效检测足接触状态、抑制漂移，在黑暗、有雾等感知降级场景中表现稳健，平均性能较传统方法提升 27%。

本研究系统分析了当前状态估计领域面临的主要挑战，包括传感器噪声干扰、运动模型精度不足，以及复杂环境下计算能力的适配性差等关键问题。未来，多传感器融合与机器学习的深度结合将成为重要趋势。通过优化感知算法、提升硬件计算效率，有望显著增强足式机器人在复杂动态环境中的状态估计准确性与鲁棒性，从而为其在更广泛现实场景中的稳定、可靠应用奠定坚实的理论与技术基础。

智能部组件研究院多模态感知研究室刘凯为论文第一作者，兰斌为论文通讯作者。

论文DOI：10.19769/j.zdhy.2025.04.010