研究人员开发了TRACE，这是一种新颖的端到端学习的本体感觉里程计估计器，专为在接触不可靠的挑战性环境中运行的腿式机器人设计。该系统利用了足部感知的交叉注意力模块，可以自适应地权衡惯性测量单元（IMU）和关节数据，从而在无需手动接触检测的情况下提高鲁棒性。训练过程结合了策略随机化和真实世界微调，以改善从模拟到现实的迁移，并在各种地形上与现有方法相比，显著减少了位置漂移。 AI
影响 这种新方法可以显著提高腿式机器人在真实、不可预测的环境中的导航可靠性和准确性。
排序理由 该集群包含一篇详细介绍机器人新技术方法的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.05975v1 Announce Type: cross Abstract: In this paper, we present TRACE (Tokenized Robust Attention for Contact-Aware Estimation), an end-to-end learned proprioceptive odometry estimator for legged robots under unreliable contact conditions. The proposed estimator direc…
In this paper, we present TRACE (Tokenized Robust Attention for Contact-Aware Estimation), an end-to-end learned proprioceptive odometry estimator for legged robots under unreliable contact conditions. The proposed estimator directly predicts relative displacement, relative rotat…