[논문 리뷰] Learning Inertial Odometry for Dynamic Legged Robot State Estimation

Russell Buchanan, Marco Camurri외 2명|arXiv (Cornell University)|2021. 11. 01.

Robotic Locomotion and Control참고 문헌 19인용 수 5

한 줄 요약

이 논문은 미끄럽거나 변형 가능한 지면에서 다리로 이동하는 로봇의 상태 추정 오차를 줄이기 위해 IMU 데이터로부터 학습된 관성 이동 측정값을 제안한다. EKF 및 요소 그래프 프레임워크에서 기존의 운동학적 및 관성 데이터와 함께 이 깊이 학습 기반 측정값을 융합함으로써, 도전적인 상황에서는 상대 자세 오차를 37% 감소시키고, 시각 정보가 떨어지는 환경(예: 지하 광산)에서는 22% 감소시킨다.

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.

연구 동기 및 목표

• 먼지로 뒤덮인 광산이나 dense한 안개가 감도는 하수도와 같이 시각 및 라이다 정보가 없는 환경에서 다리로 이동하는 로봇의 체성 상태 추정에서 무한한 드리프트 문제를 해결한다.
• 미끄러짐이나 지면 변형으로 인해 비정규 분포 오차가 누적되는 기존 운동학-관성 추정기의 한계를 극복한다.
• 최근 보행자용 학습된 관성 항법의 발전을 활용하여 딥 러닝을 다양한 지형에서의 다리로 이동하는 로봇에 적응시킨다.
• 학습된 이동 측정값을 필터링(EKF) 및 요소 그래프 최적화 프레임워크 양쪽에 통합하여 정확성과 내성 향상을 도모한다.
• 실습 조건에서 학습된 모델이 도전적인 시각적으로 열악한 환경(예: 지하 광산)에서의 실제 현장 적용으로까지 일반화됨을 입증한다.

제안 방법

• 다리 운동의 운동 전망을 학습하기 위해, 원시 IMU 데이터의 버퍼에서 이동 측정값과 그 공분산을 예측하는 딥 뉴럴 네트워크를 훈련한다.
• 예측된 이동 측정값을 확장된 칼만 필터(EKF)에서 상대 위치 측정값으로 사용하여 IMU의 편향과 드리프트를 보정한다.
• 학습된 측정값을 점진적 고정 레이지 요소 그래프 추정기와 통합하여 운동학적 및 시각 데이터와 융합할 수 있도록 한다.
• 다양한 지형, 특히 미끄러지기 쉬운 표면와 압축 가능한 표면를 시뮬레이션하는 합성 실내 데이터로 네트워크를 훈련하여 내성 향상.
• 훈련된 모델을 실제 로봇 실험에 적용하였으며, 특히 저조도 및 먼지로 인해 시야가 떨어지는 석회암 광산에서의 현장 실험을 수행하였다.
• 레이저 기반 로컬라이제이션의 참값을 기준으로 기준선 방법(기존 운동학-관성 EKF, TLIO, 그리고 시각 기반 요소 그래프(VILENS 등))과 성능을 비교하였다.

실험 결과

연구 질문

• RQ1 IMU 데이터로부터 학습된 이동 측정값이 다리로 이동하는 로봇의 도전적인 지형에서 체성 상태 추정의 드리프트를 상당히 줄일 수 있는가?
• RQ2 학습된 관성 측정값의 통합이 필터링 및 요소 그래프 최적화 프레임워크 양쪽에서 성능 향상에 어떻게 기여하는가?
• RQ3 실습 환경에서 생성된 데이터로 학습된 모델이 실제 세계의 시각적으로 열악한 환경(예: 지하 광산)으로 일반화될 수 있는 정도는 어느 정도인가?
• RQ4 시각 센서의 기능 장애나 성능 저하가 발생할 경우, 학습된 측정값이 상대 자세 오차에 측정 가능한 개선을 제공하는가?
• RQ5 기존의 학습 기반 관성 옹도측정 시스템인 TLIO와 비교했을 때, 제안된 방법은 정확성과 내성 측면에서 어떤가?

주요 결과

• 기존의 학습된 측정값이 없는 기계적 운동학-관성 추정기와 비교했을 때, 도전적인 상황에서 제안된 방법은 상대 자세 오차를 37% 감소시켰다.
• 필터링 기반 설정에서 학습된 이동 측정값은 단지 체성 데이터만을 사용하는 요소 그래프 프레임워크에서 절대 자세 오차(APE)를 18% 감소시키고 상대 자세 오차(RPE)를 7% 감소시켰다.
• 시각 정보가 떨어지는 환경(지하 광산)에서 시각 데이터와 융합했을 때, 기준선 시각 기반 요소 그래프와 비교해 RPE를 22% 감소시켰다.
• 저조도 조건에서 카메라 노출이 반사로 인해 줄어들어 시각 추적 실패가 발생하는 동안 학습된 측정값이 드리프트를 상당히 완화시켰다.
• 실습 환경에서 학습된 모델이 실제 광산 조건으로 효과적으로 일반화되었으며, 다양한 지형 유형과 환경적 도전 과제에 대해 강건함을 입증했다.
• 특히 미끄러짐이나 압축 가능한 지면이 있는 상황에서, 드리프트 감소 측면에서 기준선 EKF 및 TLIO 시스템을 모두 뛰어넘는 성능을 보였다.