[论文解读] Legged Robot State Estimation using Invariant Kalman Filtering and Learned Contact Events

Tzu-Yuan Lin, Ray Zhang+2 more|arXiv (Cornell University)|Jun 29, 2021

Robotic Locomotion and Control参考文献 27被引用 10

一句话总结

本文提出了一种基于学习的足式机器人触地估计方法，仅使用本体感觉数据（关节编码器、IMU 和运动学信息），无需物理力传感器。通过在 MIT Mini Cheetah 上使用自监督触地标签训练深度卷积网络，该方法在八种不同地形上的准确率超过 97%，并使一种触地辅助不变扩展卡尔曼滤波器（InEKF）能够生成与最先进视觉 SLAM 系统相当的里程计轨迹，即使在感知条件较差的环境中也表现良好。

ABSTRACT

This work develops a learning-based contact estimator for legged robots that bypasses the need for physical sensors and takes multi-modal proprioceptive sensory data as input. Unlike vision-based state estimators, proprioceptive state estimators are agnostic to perceptually degraded situations such as dark or foggy scenes. While some robots are equipped with dedicated physical sensors to detect necessary contact data for state estimation, some robots do not have dedicated contact sensors, and the addition of such sensors is non-trivial without redesigning the hardware. The trained network can estimate contact events on different terrains. The experiments show that a contact-aided invariant extended Kalman filter can generate accurate odometry trajectories compared to a state-of-the-art visual SLAM system, enabling robust proprioceptive odometry.

研究动机与目标

• 解决在缺乏专用触地传感器的情况下，足式机器人在视觉条件退化环境中的可靠状态估计挑战。
• 开发一种仅利用现有本体感觉传感器（IMU、关节编码器、运动学）推断触地状态的触地估计器。
• 实现在动态和不平坦地形中，用于控制和定位任务的高频、实时状态估计。
• 构建一个可泛化至不同机器人平台和地形的框架，且无需硬件修改。
• 提供开源数据集和代码，以支持无传感器状态估计在足式系统中的可复现性与进一步研究。

提出的方法

• 训练一个两阶段卷积神经网络，以关节编码器、IMU 和运动学数据为输入，对 16 种触地状态（每条腿一个，二值触地/无触地）进行分类。
• 利用运动一致性与运动动力学生成自监督触地标签，避免依赖物理传感器。
• 将学习到的触地估计结果集成到触地辅助不变扩展卡尔曼滤波器（InEKF）中进行状态估计，利用滤波器的不变性提升数值稳定性。
• 采用轻量化网络架构，专为嵌入式平台（如 NVIDIA Jetson AGX Xavier）的实时推理优化，推理速度最高达 830 Hz。
• 在 MIT Mini Cheetah 机器人上部署完整流程，使用 LCM 实现实时通信，并与控制系统集成。
• 通过启发式触地测量协方差校准 InEKF，并以 ORB-SLAM2 作为真实状态的代理进行性能验证。

实验结果

研究问题

• RQ1 能否仅使用本体感觉传感数据（无需物理力传感器），通过深度学习模型准确估计足式机器人的触地事件？
• RQ2 与传统的基于力传感器或阈值的方法相比，自监督触地标签方法在准确率和鲁棒性方面表现如何？
• RQ3 在使用学习到的触地状态时，触地辅助不变 EKF 能在多样化地形中生成与视觉 SLAM 系统相当的里程计轨迹到何种程度？
• RQ4 该触地估计器在不同步态和表面类型（包括不平整和湿滑地形）下的泛化能力如何？
• RQ5 该触地估计器在适用于足式机器人部署的嵌入式硬件上的实时推理性能如何？

主要发现

• 当使用运动学生成的标签进行训练时，该触地估计器在测试集上对所有腿的平均准确率达到 97.82%。
• 该网络在使用运动学标签训练时，对两条腿的准确率均保持在 92% 以上，且误报率未上升，表明其在状态估计中具有鲁棒性。
• 在 NVIDIA RTX 3090 上实现 1100 Hz 的推理速度，在 NVIDIA Jetson AGX Xavier 上实现 830 Hz，足以支持机器人 500 Hz 编码器更新率下的实时运行。
• 触地辅助 InEKF 生成的里程计轨迹在准确度上与 ORB-SLAM2（最先进的视觉 SLAM 系统）相当，尤其在低能见度或复杂环境条件下表现优异。
• 该框架在不同地形和机器人平台间具有良好的泛化能力，已在 MIT Mini Cheetah 上验证，并在八种不同表面上得到测试。
• 消融实验表明，两阶段架构在准确率与效率之间实现了最佳平衡，优于简单结构和更深的变体，在准确率和误报率方面均表现更优。