[논문 리뷰] Deep Multi-Modal Contact Estimation for Invariant Observer Design on Quadruped Robots.

Tzu-Yuan Lin, Ray Zhang외 2명|arXiv (Cornell University)|2021. 06. 29.

Robotic Locomotion and Control참고 문헌 23인용 수 5

한 줄 요약

이 논문은 물리적 접촉 센서나 시각 정보에 의존하지 않고 체내 감지 데이터—관절 엔코더, 운동역학, 자이로스코프 측정값—을 사용하는 딥러닝 기반의 접촉 추정기(컨택트 에스티메이터)를 제안한다. 이 모델은 다양한 지형과 보행 방식에서 발바닥의 접촉 상태를 정확하게 추정할 수 있으며, 접촉 보조 불변 확장 칼만 필터(IEKF)와 통합되어 최신 시각 SLAM 시스템과 비교할 만한 오도메트리 성능을 제공한다.

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.

연구 동기 및 목표

• 전용 물리적 접촉 센서가 필요하지 않은 다리가 있는 로봇을 위한 접촉 추정 방법을 개발하는 것.
• 시각 기반 시스템이 실패하는 인지 환경이 열악한 조건에서도 강력한 상태 추정을 가능하게 하는 것.
• 관절 엔코더, 운동역학, 자이로스코프 등의 체내 감지 데이터를 활용하여 정확한 접촉 상태 추정을 수행하는 것.
• 접촉 추정기를 접촉 보조 불변 확장 칼만 필터(IEKF)에 통합하여 오도메트리 성능을 향상시키는 것.
• 외부 센서 없이 차량 내부의 체내 감지 데이터만을 사용하여 최신 시각 SLAM 시스템과 동등한 성능을 달성하는 것.

제안 방법

• 다양한 체내 감지 입력—관절 각도, 속도, 자이로스코프 측정값—을 사용하여 발바닥의 접촉 상태를 추정하는 딥 네ural 네트워크를 학습한다.
• 네트워크는 순차적인 센서 데이터를 처리하여 접촉 이벤트를 추론하며, 로봇 내부에서 실시간 추론이 가능하다.
• 추정된 접촉 상태는 운동역학적 및 관성 동역학과 접촉 보조 불변 확장 칼만 필터(IEKF)에서 융합된다.
• IEKF는 리 군(리 군) 수식을 사용하여 수치적 안정성을 유지하고 추정 정확도를 향상시킨다.
• 시스템은 접촉 센서 데이터 없이도 다양한 지형과 보행 방식에서 학습 및 평가되며, 배포 시에도 필요하지 않다.
• 필터는 시각 SLAM 기준과 비교하여 성능 평가를 위한 오도메트리 경로를 출력한다.

실험 결과

연구 질문

• RQ1 관절 엔코더, 운동역학, 자이로스코프에서 유래한 체내 감지 데이터만을 사용하여 딥러닝 모델이 정확하게 발바닥 접촉 상태를 추정할 수 있는가?
• RQ2 접촉 보조 불변 확장 칼만 필터의 성능은 최신 시각 SLAM 시스템과 비교해 오도메트리 정확도 측면에서 어떻게 되는가?
• RQ3 물리적 접촉 센서 없이도 제안된 추정기가 다양한 지형과 로봇 보행 방식에 얼마나 일반화될 수 있는가?
• RQ4 학습된 접촉 추정을 통합함으로써 인지 환경이 열악한 조건에서 상태 추정의 강건성과 정확도가 향상되는가?

주요 결과

• 딥러닝 기반의 접촉 추정기는 체내 감지 데이터만을 사용하여 다양한 지형과 보행 방식에서 정확한 접촉 상태 추정을 달성한다.
• 접촉 보조 불변 확장 칼만 필터는 최신 시각 SLAM 시스템과 비교해도 동등한 오도메트리 경로를 생성한다.
• 어두운 환경나 dense 안개 조건과 같은 인지 환경이 열악한 상황에서도 안정적으로 작동하며, 시각 기반 시스템이 실패하는 상황에서도 기능한다.
• 물리적 접촉 센서를 추가하기 위한 하드웨어 수정 없이도 적용 가능하므로, 전용 감지 기능이 없는 로봇에도 배포가 가능하다.
• 학습된 접촉 추정치를 운동역학적 및 관성 동역학과 융합함으로써 상태 추정 정확도와 안정성이 크게 향상된다.