面向腿式里程计的接触表征学习

基于摘要分析。本文研究腿式机器人里程计中的足端接触检测，提出仅使用关节编码器和 IMU 的自监督表征学习框架，无需足端力传感器或接触标签，并将连续支撑置信度用于误差状态 Kalman filter 的观测协方差调节。 腿式里程计通常假设支撑阶段足端相对世界的速度为零，但足端接触地面并不保证没有滑移。地面反作用力（GRF）传感器并非所有机器人都配备，且足端持续接触时的滑移也可能无法由其识别。本文先在运动学特征上训练去噪自编码器，再在潜在空间拟合双分量 Gaussian Mixture Model，将其后验作为连续支撑置信度，用于缩放零速度观测的协方差。其关键在于让学习到的状态置信度参与里程计滤波，而不只输出离散接触类别。 作者报告，在仿真和真实地形实验中，该框架相较所比较的监督学习及概率方法基线取得最低里程计误差；作者还报告，更高的伪标签分类准确率并不对应更好的下游里程计表现。摘要未提供具体误差指标、数值、地形划分及基线配置，因而不能据此量化优势或判断跨场景泛化程度。特征构造、训练目标细节、置信度与协方差的映射、消融及统计信息尚未验证。作者表示代码和数据集已公开，但当前材料未提供其具体地址与复现配置。 平台推测（待验证）：以潜在状态后验调节状态估计不确定性的思路，可能适用于具有连续状态估计需求的 EEG/BCI 解码，但这不等于已验证的迁移效果。原方法依赖运动学特征、可解释的双状态结构及零速度观测约束；EEG 未必具有对应结构，低信噪比、跨被试变化与小数据可能使潜在聚类失去稳定含义，特征编码器和观测模型均需改造。若探索这一假设，可在固定连续解码器和相同数据划分下，比较固定观测协方差与学习置信度调节协方差的误差及校准表现。相关 EEG 工作尚未检索确认。