[论文解读] The Manifold Particle Filter for State Estimation on High-dimensional Implicit Manifolds

Matthew Klingensmith, Michael C. Koval+3 more|arXiv (Cornell University)|Apr 25, 2016

Robot Manipulation and Learning参考文献 24被引用 3

一句话总结

本文提出了一种隐式流形粒子滤波器（IMPF），利用符号距离场（SDF）隐式表示高维接触流形，从而在机器人存在不完善本体感知的情况下实现高效的粒子采样，用于状态估计。该方法在持续接触场景下显著优于传统粒子滤波器，在6个以上自由度的机械臂及欠驱动手部系统中展现出更快的收敛速度和更高的精度。

ABSTRACT

We estimate the state a noisy robot arm and underactuated hand using an Implicit Manifold Particle Filter (MPF) informed by touch sensors. As the robot touches the world, its state space collapses to a contact manifold that we represent implicitly using a signed distance field. This allows us to extend the MPF to higher (six or more) dimensional state spaces. Earlier work (which explicitly represents the contact manifold) only shows the MPF in two or three dimensions. Through a series of experiments, we show that the implicit MPF converges faster and is more accurate than a conventional particle filter during periods of persistent contact. We present three methods of sampling the implicit contact manifold, and compare them in experiments.

研究动机与目标

• 解决由于机械间隙、欠驱动或传感器噪声导致的本体感知不完善所带来的高维机器人系统状态估计挑战。
• 通过在环境空间中测度为零的低维接触流形上实现采样，克服传统粒子滤波器（CPF）中的粒子匮乏问题。
• 通过使用符号距离场（SDF）和投影方法隐式表示接触流形，将流形粒子滤波器（MPF）扩展至6个以上自由度。
• 在关节编码器不可靠的情况下，利用触觉和本体感知反馈实现持续接触期间的鲁棒状态估计。
• 在7-DOF机械臂和欠驱动3-DOF手部的仿真与真实实验中，验证该方法的有效性。

提出的方法

• 从已知静态环境计算符号距离场（SDF），隐式表示接触流形，避免显式的几何参数化。
• 在全状态空间中从上一粒子集附近区域均匀采样粒子，然后利用SDF和机械臂的雅可比矩阵将粒子投影到接触流形上。
• 使用约束投影将样本从环境空间映射到接触流形，确保粒子保持在可行配置集合内。
• 实现三种采样策略：环境空间中的均匀采样（MPF-Uniform）、基于粒子的采样（MPF-Particle）和基于球体的采样（MPF-Ball），每种策略采用不同的投影与重采样启发式方法。
• 根据粒子与前一粒子分布的接近程度重新加权粒子，以保持时间一致性并减少退化现象。
• 将滤波器集成到贝叶斯估计框架中，利用触觉传感器的观测结果将状态约束在接触流形上，实现信念的递归更新。

实验结果

研究问题

• RQ1 通过符号距离场（SDF）对接触流形进行隐式表示，是否能够在传统显式表示失效的高维状态空间（≥6 DOF）中实现有效的粒子采样？
• RQ2 在持续接触过程中，隐式流形粒子滤波器（IMPF）与传统粒子滤波器（CPF）相比，在收敛速度和估计精度方面表现如何？
• RQ3 在隐式接触流形上，哪种采样策略——均匀、基于粒子或基于球体——能产生最准确且最鲁棒的状态估计？
• RQ4 触觉反馈中的传感器延迟或偏差在多大程度上影响IMPF的稳定性和精度，特别是在欠驱动系统中？
• RQ5 IMPF能否在具有噪声本体感知的真实机器人系统中有效应用，例如具有缆绳传动的7-DOF机械臂或具有离合器驱动关节的欠驱动手部？

主要发现

• 隐式流形粒子滤波器（IMPF）在仿真和真实机器人实验中均显著优于传统粒子滤波器（CPF），在持续接触期间表现出更快的收敛速度和更低的估计误差。
• 在7-DOF机械臂实验中，MPF-Ball表现最佳，与CPF相比平均误差降低超过50%，且优于MPF-Particle和MPF-Uniform。
• 对于欠驱动手部系统，所有IMPF变体（MPF-Uniform、MPF-Particle、MPF-Ball）均优于CPF，且彼此之间无显著差异，原因在于其低维且独立的运动链结构。
• IMPF在接触初始阶段表现出粒子分布的显著瞬态响应，可能源于应变片传感器中未建模的延迟，突显了观测模型保真度的局限性。
• 基于SDF的隐式表示使高维流形上的可扩展状态估计成为可能，而无需显式解析或基于采样的流形参数化。
• 尽管环境空间采样点在投影到流形时可能存在非均匀性，IMPF仍保持鲁棒性能，表明该偏差在测试场景中未严重降低估计质量。