该论文旨在解决张拉整体机器人(tensegrity robot)的状态估计难题。研究背景是：张拉整体机器人具有柔顺性和适应性，但其非线性、欠约束动力学特性使得状态估计极具挑战性。可靠的连续时间状态估计对于实现闭环控制、系统辨识和机器学习应用至关重要，而传统方法往往难以胜任。
论文提出了一种两阶段方法，用于对缆绳驱动张拉整体机器人进行鲁棒的状态或轨迹估计（即滤波或平滑）。具体技术包括：
- 在线状态估计：引入了一种基于因子图(factor graph)的方法，融合来自RGB-D相机和机载缆绳长度传感器的测量数据。
- 噪声处理：采用基于马氏距离(Mahalanobis distance)的聚类算法来处理噪声。
- 状态估计：使用切比雪夫多项式(Chebyshev polynomials)方法来估计最可能的机器人速度和中间状态。
- 性能对比：在仿真和真实数据上，与基于迭代最近点(ICP-based)的算法进行了对比验证。
论文的核心创新点在于：
- **首次将因子图应用于张拉整体机器人状态估计领域**：据作者所知，这是因子图在该领域的首次应用。因子图能自然地利用机器人的结构特性，并提供有效的传感器融合解决方案，以处理实际中的非线性问题。
- **结合了因子图与切比雪夫多项式**：提出了一种新颖的融合框架，将因子图用于传感器融合和状态建模，并利用切比雪夫多项式进行连续时间的轨迹平滑和速度估计，从而实现对复杂运动的高保真度估计。
- **针对性的噪声处理与状态估计方法**：专门设计了基于马氏距离的聚类算法来处理传感器噪声，并采用切比雪夫多项式来高效地估计连续时间状态，这比传统方法（如ICP）更适合处理张拉整体机器人的非线性动力学。
论文对该领域的整体贡献是：
- 提出了一种新颖、鲁棒的两阶段状态/轨迹估计框架，专门针对具有挑战性的张拉整体机器人动力学。
- 成功地将因子图方法引入该领域，并展示了其利用结构特性和处理非线性的优势。
- 通过结合切比雪夫多项式，实现了对复杂机器人运动的高保真度、连续时间状态和轨迹估计。
- 在仿真和真实数据上的验证结果表明，该方法性能优于基于ICP的算法，为张拉整体机器人的闭环控制、系统辨识等高级应用提供了可靠的状态估计基础。