[论文解读] 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 5

一句话总结

该论文提出了一种基于深度学习的四足机器人接触状态估计算法，仅使用本体感觉数据（关节编码器、运动学信息和IMU）进行估计，无需依赖物理接触传感器或视觉系统。该模型能准确估计在多种地形和步态下的足部接触状态，使基于接触状态的不变扩展卡尔曼滤波器（IEKF）实现与当前最先进的视觉SLAM系统相当的里程计性能。

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.

研究动机与目标

• 开发一种无需专用物理接触传感器的腿部机器人接触状态估计算法。
• 在视觉系统失效的感知退化环境中实现鲁棒的状态估计。
• 利用本体感觉传感数据（关节编码器、运动学信息和IMU）实现精确的接触状态估计。
• 将接触估计算法集成到不变扩展卡尔曼滤波器（IEKF）中，以提升里程计性能。
• 仅使用机载本体感觉传感数据，实现与视觉SLAM系统相当的性能。

提出的方法

• 训练一个深度神经网络，利用多模态本体感觉输入（关节角度、速度和IMU测量值）来估计足部接触状态。
• 网络处理连续的传感器数据以推断接触事件，实现在机器人本体上的实时推理。
• 将估计的接触状态与运动学和惯性动力学模型融合，集成到基于接触状态的不变扩展卡尔曼滤波器（IEKF）中。
• IEKF采用李群形式化方法，以保持数值稳定性并提高估计精度。
• 系统在多种地形和步态下进行训练和评估，部署过程中无需接触传感器数据。
• 滤波器输出的里程计轨迹与视觉SLAM基准进行对比，以评估性能。

实验结果

研究问题

• RQ1 仅使用来自关节编码器、运动学信息和IMU的本体感觉数据，深度学习模型能否准确估计足部接触状态？
• RQ2 基于接触状态的不变扩展卡尔曼滤波器在里程计精度方面与当前最先进的视觉SLAM系统相比表现如何？
• RQ3 所提出的估计算法在无物理接触传感器的情况下，对多样化地形和机器人步态的泛化能力如何？
• RQ4 将学习得到的接触状态估计与运动学和惯性动力学融合，是否能提升在感知退化条件下状态估计的鲁棒性和准确性？

主要发现

• 基于深度学习的接触估计算法仅使用本体感觉数据，即可在多种地形和步态下实现精确的接触状态估计。
• 基于接触状态的不变扩展卡尔曼滤波器生成的里程计轨迹性能与当前最先进的视觉SLAM系统相当。
• 该系统在黑暗或雾天等感知退化环境中运行稳定，而视觉系统在此类条件下会失效。
• 该方法无需对机器人进行硬件改造以加装物理接触传感器，可部署于无专用传感配置的机器人上。
• 将学习得到的接触状态估计与运动学和惯性动力学融合，显著提升了状态估计的精度和稳定性。