摘要
状态估计是仿生腿足机器人研究中最基本且最重要的一环。腿足机器人由于其机身结构特殊导致机器人运动具有较高的复杂性，与传统轮式机器人不同，腿足机器人通过关节电机转动带动关节连杆从而控制单腿的摆动，关节电机协同转动实现机器人的前进、转向运动。这种运动方式使得对仿生腿足机器人的机身状态信息估计具有较高的难度。 为了可靠的估计四足机器人的机身状态信息，本文提出了一种灵活的状态估计框架，可用于估计在现实复杂场景中运行的四足机器人本体状态信息。提出的状态估计方法主要是基于误差状态卡尔曼滤波器(ESKF)融合惯性测量单元(IMU)传感器数据和腿足里程计信息，以多传感器融合的方式实现对机器人本体状态的最优估计。本文的主要研究内容如下： （1）根据机器人单腿关节参数建立D-H参数模型，建立单腿正向运动学模型，解算出单腿足端在机身坐标系下的位置。随后根据单腿坐标系到机身质心坐标系下的转换关系，推出机身质心坐标系下的单腿足端位置与各关节角度之间的转换关系，并根据关节角度，建立单腿逆动力学模型。 （2）搭建四足机器人机身坐标系、IMU坐标系、地面惯性坐标系，定义机器人本体状态变量。建立IMU在地面惯性坐标系中的速度更新比力方程，得出IMU估计的机身速度信息。根据机身运动学与动力学信息，推导腿足里程计模型，同时提出一种不依赖于力传感器的足端接触检测方法，该检测方法输出足端与地面可靠接触概率，并将足端接触概率作为权值融入机身速度估计，以最小化机身速度估计误差。 （3）将IMU惯导解算获得的机身状态信息与腿足里程计估计的状态信息通过误差状态卡尔曼滤波器进行融合，建立误差状态预测方程和更新方程，利用误差状态卡尔曼滤波方程估计出最优误差状态，用以校正 IMU 漂移误差，得出最优的机身状态估计结果。最后设计仿真实验，在ROS系统中通过Gazebo仿真引擎搭建仿真环境，控制机器人模型以不同的速度在不同的地形中运动，仿真实验输出经过融合算法估计出的最优状态信息。将使用 IMU 惯导解算、腿足里程计和融合策略估计的机身状态信息进行分析对比，最终验证了本文提出的融合估计框架能够有效抑制 IMU 的漂移，降低腿足里程计的尖峰噪声，同时具有更高的稳定性和精确度。
NETL