跳至正文
RFL_GLOBAL
EN
  • GARLILEO // ARXIV 2511
  • 22,841 真实样本
  • <2% 垂直漂移

GNOMON

知所立之地

足式机器人能行走、攀爬和导航 — 但无法告诉你它们走了哪里。在楼梯上，每步序列位置垂直漂移 8-15%。GNOMON 融合雷达、IMU 和腿部运动学，将垂直误差降至 2% 以下。在 22,841 个真实传感器样本上验证。

模块状态: 验证 MVP

数据集

<2%

部门
ANIMA
波次
W3
领域
基础
模块 05 // 验证 MVP
雷达-足式-惯性里程计
GNOMON // W3 // 029/079
01核心挑战

足式机器人在楼梯上不知道自己在哪里

四足和人形机器人正在出货 — Boston Dynamics、Unitree、Figure、Agility。它们能行走，能攀爬。但当遇到楼梯、斜坡或粗糙地形时，位置估计每步序列垂直漂移 8-15%。

轮式里程计在腿上不存在。GPS 在室内失效。相机在灰尘、雨水和黑暗中失灵。仅靠 IMU 误差累积。对于真实地形上的足式机器人，没有可靠的"我在哪里"。机器人能走。但无法告诉你它们走了哪里。

02解决方案

GNOMON 提供什么

GNOMON 将足式机器人已有的三种传感器流融合到连续时间优化中，将垂直误差保持在 2% 以下。

流程

  1. 01雷达多普勒地面相对速度，即使腿部打滑也能锚定估计
  2. 02IMU（6 自由度）角速度和加速度 — 高频运动感知
  3. 03腿部运动学来自机器人自身的关节编码器读数

能力

  • 通过 Ceres 求解器的连续时间样条优化（C++ 核心）
  • 重力对齐将垂直行为与航向漂移解耦
  • 在其他方法都失效的地方实现低于 2% 的垂直精度
  • 端到端延迟低于 50ms，融合速率高达 100 Hz
  • 25+ REST API 端点用于回放、基准测试和运营
  • 平台配置：四足（Spot、Go2、B2）和人形（自定义 DH 链）
03工程挑战

为什么这很难

每种传感器单独在楼梯上都不可靠：

  1. 01IMU 单独：随时间漂移，累积偏差 — 无绝对参考
  2. 02仅运动学：楼梯上 8-15% 垂直误差（腿部打滑，接触时间变化）
  3. 03仅相机：在重复环境、灰尘、黑暗、雨水中失效
  4. 04GPS：室内或地下不存在 — 不是选项
  5. 05突破：雷达多普勒融合 — 大多数机器人公司忽略的模态

雷达提供不受光照、灰尘或重复纹理影响的地面相对速度。结合连续时间样条框架中的 IMU 和腿部运动学，在其他方法都失效的地方获得低于 2% 的垂直精度。

04性能基准

真实传感器验证

在官方 GaRLILEO 数据集上验证回放：

真实传感器验证
指标数值
数据集官方 GaRLILEO Upstair ROS 2 包
恢复的位姿样本22,841
回放时长228.4 秒
恢复路径长度189.97 米
垂直漂移目标<2%（对比仅运动学 8-15%）
端到端延迟<50ms
融合速率高达 100 Hz
通过的单元测试88
检查/类型错误0
05构建状态

已构建的功能

已完成 10/13 个组件
已构建的功能
组件状态说明
核心模型已完成C++ 融合引擎（Ceres + Eigen3）— 生产就绪
C++ 融合引擎已完成连续时间样条优化，Ceres 求解器
Python API 封装已完成FastAPI，25+ 端点
回放控制面板已完成作业、日志、取消、超时管理
轨迹可视化已完成SVG 导出，Pangolin 渲染
操作员仪表板已完成/operator/overview — 实时运营
基准引擎已完成跨运行比较和报告
Docker 构建已完成多阶段，ROS 2 Humble 基础
数据集验证已完成主题 + 结构检查
测试套件已完成88 个测试，0 个检查/类型错误
API 层进行中公共 API — 等待数据集基础设施
ROS2 实时主题计划中实时传感器流替代包回放
TI mmWave 雷达计划中实时雷达融合的硬件集成
平台

支持的平台

  • 四足（Spot、Go2、B2）配置就绪 — 标准腿部运动学
  • 人形（自定义 DH 链）配置就绪 — 可适应的运动学模型
  • 自定义运动学TOML 适配器 — 定义您自己的机器人模型
06应用场景

GNOMON 部署场景

  • APP_01

    足式机器人制造商

    Unitree、Boston Dynamics、Agility、Figure — 每个足式机器人都需要精确的里程计。

  • APP_02

    建筑工地自主

    楼梯、脚手架、斜坡 — GPS 不可用的环境，精确定位至关重要。

  • APP_03

    灾害响应

    有灰尘、碎片和黑暗的非结构化地形。雷达不受影响。

  • APP_04

    地下和矿业

    GPS 不可用、相机不友好的环境。雷达+IMU+运动学是唯一选择。

  • APP_05

    多层配送

    在有楼梯和电梯的建筑物中进行最后一公里配送。

  • APP_06

    研究机构

    GaRLILEO 基线用于雷达-惯性-足式里程计基准测试。

07技术

底层技术

基础：GARLILEO（ARXIV 2025）

  • 重力对齐雷达-足式-惯性增强里程计
  • 连续时间样条优化（C++ / Ceres 求解器 2.2.0 / Eigen3）
  • 雷达多普勒：不受视觉条件影响的地面相对速度
  • 重力对齐：将垂直与航向漂移解耦
  • 在官方 GaRLILEO Upstair 数据集上验证（22,841 样本）

融合架构

  • 雷达多普勒 → 连续时间样条 → 融合里程计 + 重力
  • IMU（6 自由度）→ 角速度 + 加速度积分
  • 腿部运动学 → 关节编码器读数 → 正向运动学
  • 足部接触 → 接触时间 → 支撑相检测
  • 输出：REST API / gRPC → 车队集成

API 端点

GET /odom
当前位姿、速度、协方差
POST /replay/jobs
从 ROS 2 包启动回放作业
GET /telemetry
传感器健康（IMU/雷达/运动学 Hz）
GET /benchmarks/report
跨运行基准比较
08论文

研究论文

  1. [01]GaRLILEO：重力对齐雷达-足式-惯性增强里程计 — arXiv 2511.13216，MIT，2025 年 11 月