DogLegs

DogLegs数据集是由德国波恩大学机器人中心等机构的研究人员创建的，用于四足机器人状态估计的研究。该数据集包含了通过身体和腿部安装的IMUs以及关节编码器获得的测量数据，用于估计机器人的主体状态。数据集的创建目的是为了提高在极端环境中四足机器人的状态估计准确性，尤其是在外传感器（如LiDAR和摄像头）可能不可靠的情况下。尽管论文中提到会将数据集公开以造福研究社区，但具体的数据集大小、数据来源和应用领域等信息未在文中详细说明。The DogLegs Dataset was developed by researchers from the Robotics Center of the University of Bonn, Germany, and other institutions for research on state estimation of quadruped robots. This dataset contains measurement data collected from IMUs installed on the robot's body and legs, as well as joint encoders, which is used to estimate the robot's body state. The dataset was created to improve the accuracy of state estimation for quadruped robots in extreme environments, particularly when external sensors such as LiDAR and cameras may be unreliable. Although the paper states that the dataset will be made publicly available to benefit the research community, detailed information including the specific dataset size, data sources, and application domains is not elaborated in the article.

搜集汇总

数据集介绍

构建方式

DogLegs数据集通过在腿部机器人上安装多个腿部惯性测量单元（Leg-IMU）和一个身体惯性测量单元（Body-IMU），并使用扩展卡尔曼滤波器（EKF）融合这些测量值来构建。Leg-IMU用于检测脚接触，并提供零速度测量来更新Leg-IMU帧的状态。此外，通过腿运动学计算Body-IMU和Leg-IMU之间的相对位置约束，以更新主身体状态并减少单个IMU帧的错误漂移。

使用方法

使用DogLegs数据集时，研究人员可以将其作为基准数据集来评估和比较不同状态估计方法在不同地形上的性能。此外，该数据集可以用于开发新的状态估计算法，以提高机器人在极端环境中的导航和定位能力。研究人员还可以使用该数据集来研究Leg-IMU在检测脚接触和减少IMU漂移方面的作用，以及如何通过融合多个IMU数据来提高状态估计的准确性和鲁棒性。

背景与挑战

背景概述

在极端环境下，例如光线不足或树木遮蔽，腿式机器人的外传感器如激光雷达和相机可能会变得不可靠。因此，准确且稳健的自身状态估计对于腿式机器人在这些环境中执行任务至关重要。Yibin Wu等人提出的DogLegs系统，融合了安装在身体上的惯性测量单元（Body-IMU）、关节编码器和多个腿部安装的惯性测量单元（Leg-IMU）的数据，使用扩展卡尔曼滤波器（EKF）进行状态估计。该系统在检测到脚部接触时，利用零速度测量更新Leg-IMU帧的状态，并通过腿部运动学计算Body-IMU和Leg-IMU之间的相对位置约束来更新主身体状态，从而减少单个IMU帧的误差漂移。该数据集的创建时间为2025年3月，由德国波恩大学机器人中心、大地测量与地理信息研究所、类人机器人实验室以及武汉大学GNSS研究中心的研究人员共同完成。该数据集对相关领域的影响力主要体现在其提供了一种新型的状态估计方法，有助于提高腿式机器人在复杂环境下的运动精度和稳定性。

当前挑战

DogLegs数据集相关的挑战主要包括：1) 解决的领域问题：在极端环境下，由于外传感器可能变得不可靠，因此需要一种稳健且准确的状态估计方法。2) 构建过程中所遇到的挑战：在融合多个IMU系统的数据时，需要处理IMU之间的误差漂移问题，并利用腿部运动学信息来减少误差累积。此外，还需要开发一种有效的脚部接触检测方法，以便在检测到脚部接触时更新Leg-IMU帧的状态。

常用场景

经典使用场景

DogLegs数据集主要应用于腿式机器人的自体感知状态估计。该数据集融合了安装在机器人身体和腿部的多个IMU（惯性测量单元）以及关节编码器的测量数据，使用扩展卡尔曼滤波器（EKF）进行状态估计。这些数据对于研究和开发能够在极端环境中执行任务的腿式机器人至关重要，尤其是在外部传感器（如激光雷达和摄像头）可能变得不可靠的情况下。

解决学术问题

DogLegs数据集解决了腿式机器人自体感知状态估计的鲁棒性和准确性问题。传统的腿式机器人状态估计方法主要依赖于身体安装的IMU和关节编码器，以及脚部力量传感器。然而，这些方法容易受到滑动和传感器老化等因素的影响，导致状态估计误差。DogLegs数据集通过融合多个IMU的数据，以及使用腿部运动学计算Body-IMU和Leg-IMU之间的相对位置约束，提高了状态估计的准确性和鲁棒性。

实际应用

DogLegs数据集在实际应用中，可以帮助腿式机器人在极端环境中保持平衡和导航。例如，在农业应用中，腿式机器人需要在阴暗环境或树冠条件下进行作业，此时外部传感器可能无法提供可靠的数据。DogLegs数据集可以帮助机器人准确地估计自身状态，从而实现更可靠的运动和导航。此外，DogLegs数据集还可以用于研究和开发其他类型的机器人，如多足机器人、人形机器人等。

数据集最近研究

最新研究方向

在足式机器人领域，姿态估计的准确性和鲁棒性对于机器人在复杂环境中的稳定运动至关重要。传统的基于足部力传感器的足部接触检测方法易受滑动和传感器老化的影响，导致估计误差。为了解决这个问题，DogLegs系统被提出，它融合了身体IMU、关节编码器和多个腿部IMU的测量数据，使用扩展卡尔曼滤波器（EKF）进行状态估计。该系统利用腿部IMU检测足部接触并提供零速度测量，同时通过腿部运动学计算身体IMU和腿部IMU之间的相对位置约束，以更新主要身体状态并减少单个IMU帧的误差漂移。实验结果表明，DogLegs在多种地形上的状态估计精度优于传统的基于腿部里程计的方法。此外，DogLegs通过引入相对位置约束，有效地减少了单个IMU系统的误差漂移。这一研究对于提高足式机器人在极端环境中的自主导航能力具有重要意义，并为相关领域的研究提供了宝贵的公开数据集。

相关研究论文

• DogLegs: Robust Proprioceptive State Estimation for Legged Robots Using Multiple Leg-Mounted IMUs

  德国波恩大学机器人中心、德国波恩大学地球测量与地理信息学院、德国波恩大学类人机器人实验室、中国武汉大学GNSS研究中心 · 2025年