摘          要

江淮前沿技术协同创新中心联合清华大学在机器人领域的国际顶级会议《The    2025 IEEE/RSJ International Conference on Intelligent Robots and Systems》上发表论文《KD-RIEKF: Kinodynamic Right-Invariant    EKF for Legged Robot State    Estimation》，针对足式机器人在复杂地形下状态估计不准确的痛点，提出了一种融合运动学与动力学约束的右不变扩展卡尔曼滤波方法，有效解决了在足端接触感知不可靠、IMU积分漂移等挑战下的高精度状态估计问题，并通过仿真与实物实验，验证了其优越性能。该方法仅需IMU、关节编码器与关节扭矩作为输入，无需足力传感器，即可在Unitree    Go2上实现500Hz高频实时估计，且能显著抑制位置与姿态估计中的累积漂移。

研究贡献

01        提出融合运动学与动力学约束的右不变EKF框架

将关节编码器、足部运动学、质心动力学等信息统一嵌入右不变EKF（RIEKF）中，构建状态中包含地面反力（GRF），并通过质心加速度观测增强系统可观性。

02        设计自适应噪声调节机制，提升接触不稳定下的估计鲁棒性

基于估计的足力推导接触概率，根据接触置信度自适应调整更新噪声，有效应对粗糙地形下的接触不确定性。

03        实现无需足力传感器的实时状态估计

仅依赖IMU、关节编码器与关节扭矩，在真实机器人平台上实现500Hz实时运行，具备强工程适用性。

04        在仿真与实物实验中验证方法有效性

实验表明，该方法在位置、速度、姿态估计精度上均优于传统RIEKF及其自适应噪声变种，尤其在Z轴位置估计上表现突出。

实验效果

采用Unitree    Go2四足机器人为实验载体，搭载IMU、关节编码器与关节扭矩传感器，未使用任何足底力传感器。

在40秒仿真与超过200米真实轨迹测试中，KD-RIEKF在机器人位置、速度、姿态误差上均显著低于基线方法。基于Unitree    Go2四足机器人的2.5 m/s高速运动实物实验中（运动里程200m）：

• 位置相对误差降低        47.24%；

• 姿态相对误差降低        42.78%；

• Z轴位置估计RMSE从2.624m（RIEKF）降至0.188m。

总            结

该研究提出了一种无需足部力传感器的状态估计方法，仅依赖IMU与关节编码器即可实现高精度状态估计，显著降低了系统硬件成本。该方法展现出优异的抗状态漂移能力与动态环境适应性，为足式机器人在户外巡逻、抢险救灾、复杂地形勘探等实际场景中的应用提供了关键技术支撑，推动足式机器人从实验室走向真实世界。未来，团队有望进一步优化算法实时性，拓展至更多类型的足式机器人，并结合视觉、激光等多传感器融合，实现更极端环境下的稳定运行。本研究得到安徽省人形机器人重点实验室的支持。论文共同第一作者为江淮中心兰斌博士与清华大学硕士研究生杨琪。

安徽省人形机器人重点实验室由江淮前沿技术协同创新中心牵头，联合中国科学技术大学、中科院合肥物质研究院、合肥工业大学、哈尔滨工业大学等单位共同建设。实验室面向我国重大战略需求，聚焦人形机器人创新发展这一主轴主线，围绕人形机器人“大脑-小脑-肢体-测评”全方位全链条技术布局，形成“提出需求-技术突破-技术迭代-场景落地”的内循环，加速突破智慧大脑、敏捷小脑、强健肢体和综合测评四大核心关键技术，建设人形机器人领域的前沿科研机构，专注于核心技术创新、产品研发和高水平人才培养，将为我国人形机器人的发展提供强劲支撑。