[論文レビュー] Deep Multi-Modal Contact Estimation for Invariant Observer Design on Quadruped Robots.

Tzu-Yuan Lin, Ray Zhang+2 more|arXiv (Cornell University)|Jun 29, 2021

Robotic Locomotion and Control参考文献 23被引用数 5

ひとこと要約

本論文では、物理的接触センサーやビジョンに依存せずに、プロ prioceptiveデータ（関節エンコーダー、キネマティクス、IMU）を使用する深層学習ベースの接触推定器を提案する。モデルは多様な地形や歩行パターンにおいて足の接触状態を正確に推定でき、接触補助不変拡張カルマンフィルタ（IEKF）と統合することで、最先端のビジョンSLAMシステムと同等のスレートオドメトリ性能を達成する。

ABSTRACT

This work reports on developing a deep learning-based contact estimator for legged robots that bypasses the need for physical contact sensors and takes multi-modal proprioceptive sensory data from joint encoders, kinematics, and an inertial measurement unit as input. Unlike vision-based state estimators, proprioceptive state estimators are agnostic to perceptually degraded situations such as dark or foggy scenes. For legged robots, reliable kinematics and contact data are necessary to develop a proprioceptive state estimator. While some robots are equipped with dedicated contact sensors or springs to detect contact, some robots do not have dedicated contact sensors, and the addition of such sensors is non-trivial without redesigning the hardware. The trained deep network can accurately estimate contacts on different terrains and robot gaits and is deployed along a contact-aided invariant extended Kalman filter to generate odometry trajectories. The filter performs comparably to a state-of-the-art visual SLAM system.

研究の動機と目的

• 専用の物理的接触センサを必要としない脚部ロボットの接触推定手法の開発を目的とする。
• ビジョンベースのシステムが失敗するような認知的劣化環境でも頑健な状態推定を可能にする。
• 関節エンコーダー、キネマティクス、IMUからのプロ prioceptiveセンサデータを活用し、正確な接触状態推定を実現する。
• 接触推定器を不変拡張カルマンフィルタ（IEKF）に統合し、オドメトリ性能を向上させる。
• オンボードのプロ prioceptiveセンシングのみで、ビジョンSLAMシステムと同等の性能を達成すること。

提案手法

• マルチモーダルなプロ prioceptive入力を用いて、足の接触状態を推定する深層ニューラルネットワークを訓練する。入力は関節角度、速度、IMU測定値である。
• ネットワークは時系列的なセンサデータを処理し、接触イベントを推論することで、ロボット搭載上でリアルタイム推論を可能にする。
• 推定された接触状態は、キネマティクス的および慣性的ダイナミクスと融合され、接触補助不変拡張カルマンフィルタ（IEKF）に統合される。
• IEKFはリー群の定式化を用いることで、数値的安定性を維持し、推定精度を向上させる。
• システムは、デプロイ時に接触センサデータを必要とせず、複数の地形や歩行パターンで訓練および評価される。
• フィルタはオドメトリトラジェクトリを出力し、性能評価のための視覚SLAMベンチマークと比較される。

実験結果

リサーチクエスチョン

• RQ1 関節エンコーダー、キネマティクス、IMUからのプロ prioceptiveセンサデータのみを用いて、深層学習モデルが正確に足の接触状態を推定できるか？
• RQ2 接触補助不変EKFの性能は、最先端のビジョンSLAMシステムと比較してオドメトリ精度においてどの程度優れているか？
• RQ3 物理的接触センサを搭載しない状況でも、提案手法の推定器が多様な地形やロボットの歩行パターンにどの程度一般化可能か？
• RQ4 学習された接触推定の統合により、認知的劣化環境下での状態推定のロバスト性と正確性が向上するか？

主な発見

• 深層学習ベースの接触推定器は、プロ prioceptiveデータのみを用いて、多様な地形や歩行パターンにおいて正確な接触状態推定を達成する。
• 接触補助不変拡張カルマンフィルタは、最先端のビジョンSLAMシステムと同等の性能を示すオドメトリトラジェクトリを生成する。
• 暗い環境や濃霧などの認知的劣化環境でも、システムは頑健に動作する。視覚ベースのシステムが失敗する状況でも有効である。
• 物理的接触センサのハードウェア改造を必要とせず、専用センサを搭載していないロボットへの展開も可能である。
• 学習された接触推定値とキネマティクス的・慣性的ダイナミクスの融合により、状態推定の正確性と安定性が顕著に向上する。