[论文解读] 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 5

一句话总结

本文提出了一种从IMU数据中学习惯性位移测量的方法，可减少腿式机器人在光滑或可变形地形上的状态估计漂移。通过在EKF和因子图框架中融合基于深度学习的测量与传统运动学和惯性数据，该方法在具有挑战性的场景中将相对位姿误差减少了37%，在视觉退化环境（如地下矿井）中减少了22%。

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.

研究动机与目标

• 解决腿式机器人在视觉和激光雷达不可用环境（如布满灰尘的矿井和浓雾的下水道）中本体感觉状态估计出现的无界漂移问题。
• 克服传统运动学-惯性估计算法因打滑或地形变形而累积非高斯误差的局限性。
• 利用行人学习型惯性导航的最新进展，将深度学习适配于多样化地形上的腿式机器人运动。
• 将学习到的位移测量集成到滤波（EKF）和因子图优化框架中，以提升鲁棒性和精度。
• 展示在实验室内训练的模型在真实世界野外部署中，于具有挑战性的视觉退化环境中的泛化能力。

提出的方法

• 训练一个深度神经网络，从原始IMU数据缓冲区中预测位移测量及其协方差，学习腿式运动的运动先验。
• 在扩展卡尔曼滤波器（EKF）中使用预测的位移作为相对位置测量，以校正IMU偏差和漂移。
• 将学习到的测量集成到增量式固定滞后因子图估计算法中，实现与运动学和视觉数据的融合。
• 在模拟各种地形（包括打滑和可压缩表面）的合成实验室内数据上训练网络，以提升鲁棒性。
• 将训练好的模型应用于真实机器人实验，包括在能见度差且多尘的石灰岩矿井中的野外部署。
• 与基线方法（传统运动学-惯性EKF、TLIO以及基于视觉的因子图，如VILENS）进行性能比较，使用激光雷达定位的真值作为参考。

实验结果

研究问题

• RQ1 从IMU数据中学习到的位移测量是否能显著减少腿式机器人在复杂地形中本体感觉状态估计的漂移？
• RQ2 将学习到的惯性测量集成到滤波和因子图优化框架中，是否能提升性能？
• RQ3 在实验室内生成的数据上训练的模型，能在多大程度上泛化到真实世界中的视觉退化环境（如地下矿井）？
• RQ4 当视觉传感器失效或性能下降时，学习到的测量是否能显著降低相对位姿误差？
• RQ5 与现有基于学习的惯性里程计系统（如TLIO）相比，所提方法在精度和鲁棒性方面表现如何？

主要发现

• 与不使用学习测量的传统运动学-惯性估计算法相比，所提方法在具有挑战性的场景中将相对位姿误差降低了37%。
• 在基于滤波的设置中，学习到的位移测量使绝对位姿误差（APE）降低了18%，在仅使用本体感觉数据的因子图框架中，相对位姿误差（RPE）降低了7%。
• 在视觉退化环境（地下矿井）中与视觉数据融合时，该方法相比基线视觉因子图将RPE降低了22%。
• 在视觉跟踪失败期间（如低光照条件下因反光导致相机曝光降低），学习到的测量显著减轻了漂移。
• 在实验室内数据上训练的模型有效泛化到真实世界矿井环境，展示了在不同地形类型和环境挑战下的鲁棒性。
• 在涉及打滑或可压缩地形的场景中，该方法在漂移减少方面优于基线EKF和TLIO系统。