[論文レビュー] Learning Inertial Odometry for Dynamic Legged Robot State Estimation

Russell Buchanan, Marco Camurri+2 more|arXiv (Cornell University)|Nov 1, 2021

Robotic Locomotion and Control参考文献 19被引用数 5

ひとこと要約

本論文では、滑らかでないまたは変形しやすい地形における歩行ロボットの状態推定のズレを低減するため、IMUデータから学習された慣性的移動量測定を提案する。EKFおよび要因グラフフレームワークの両方で、この深層学習ベースの測定値と従来の運動学的・慣性的データを融合することで、困難な状況下で相対的姿勢誤差を37%低減し、視覚情報が劣化する環境（地下坑道など）では22%低減した。

ABSTRACT

This paper introduces a novel proprioceptive state estimator for legged robots based on a learned displacement measurement from IMU data. Recent research in pedestrian tracking has shown that motion can be inferred from inertial data using convolutional neural networks. A learned inertial displacement measurement can improve state estimation in challenging scenarios where leg odometry is unreliable, such as slipping and compressible terrains. Our work learns to estimate a displacement measurement from IMU data which is then fused with traditional leg odometry. Our approach greatly reduces the drift of proprioceptive state estimation, which is critical for legged robots deployed in vision and lidar denied environments such as foggy sewers or dusty mines. We compared results from an EKF and an incremental fixed-lag factor graph estimator using data from several real robot experiments crossing challenging terrains. Our results show a reduction of relative pose error by 37% in challenging scenarios when compared to a traditional kinematic-inertial estimator without learned measurement. We also demonstrate a 22% reduction in error when used with vision systems in visually degraded environments such as an underground mine.

研究の動機と目的

• ほこりの多い坑道や濃いミストが発生する下水道など、視覚的・LiDAR的センシングが不可能な環境で動作する歩行ロボットにおける自己認識的状態推定の無制限なズレの問題に対処すること。
• スリップや地盤の変形によって非ガウス分布の誤差が蓄積される従来の運動学的・慣性的推定器の限界を克服すること。
• 歩行者のための学習された慣性ナビゲーションの最新の進展を活用し、多様な地形における歩行ロボットの移動に深層学習を適応させること。
• フィルタリング（EKF）および要因グラフ最適化フレームワークの両方に、学習された移動量測定を統合することで、耐障害性と精度を向上させること。
• ラボ環境で訓練されたモデルが、視覚的に劣化した環境（例：地下坑道）における実世界の現場展開に一般化できるかどうかを実証すること。

提案手法

• 歩行移動のための運動の事前分布を学習するために、生のIMUデータのバッファから移動量推定値とその共分散を予測する深層ニューラルネットワークを訓練する。
• 予測された移動量を拡張カルマンフィルタ（EKF）における相対位置測定値として使用し、IMUのバイアスとズレを補正する。
• 学習された測定値を段階的固定ラグ要因グラフ推定器に統合し、運動学的および視覚的データとの融合を可能にする。
• スリップや圧縮性表面を含む多様な地形をシミュレートした合成ラボデータを用いてネットワークを訓練し、耐障害性を向上させる。
• 訓練済みモデルを実ロボット実験、特に視界が悪くほこりが多い石灰岩坑道での現場展開に適用する。
• LiDAR位置特定による真値を用いて、ベースライン手法（従来の運動学的・慣性的EKF、TLIO、および視覚ベースの要因グラフ：例としてVILENS）と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 IMUデータからの学習された移動量測定値が、困難な地形における歩行ロボットの自己認識的状態推定におけるズレを顕著に低減できるか？
• RQ2 学習された慣性的測定値の統合が、フィルタリングおよび要因グラフ最適化フレームワークの両方における性能をどのように向上させるか？
• RQ3 ラボで生成されたデータで訓練されたモデルが、視覚的に劣化した環境（例：地下坑道）に一般化できる程度はどの程度か？
• RQ4 視覚センサが故障または劣化した状況で、学習された測定値が相対的姿勢誤差の測定可能な改善をもたらすか？
• RQ5 TLIOのような既存の学習ベースの慣性オドメトリシステムと比較して、本手法は精度と耐障害性の面で優れているか？

主な発見

• 従来の学習された測定値を含まない運動学的・慣性的推定器と比較して、本手法は困難な状況下で相対的姿勢誤差を37%低減した。
• フィルタリングベースの設定では、学習された移動量測定値が、純粋に自己認識的データを使用する要因グラフフレームワークにおいて、絶対的姿勢誤差（APE）を18%、相対的姿勢誤差（RPE）を7%低減した。
• 視覚劣化環境（地下坑道）で視覚データと融合した場合、本手法はベースライン視覚ベースの要因グラフと比較してRPEを22%低減した。
• 視覚追跡不能状態（例：反射による露出が低下した低照度環境）が続く間、学習された測定値がズレの進行を顕著に緩和した。
• ラボで訓練されたモデルは、実世界の坑道環境に効果的に一般化し、地形タイプや環境的課題の多様性にわたって耐障害性を示した。
• 特にスリップや圧縮性地盤を伴う状況では、ベースラインEKFおよびTLIOシステムに比べ、本手法がズレ低減の面で優れていた。