💻 computer science

A Proprioceptive-Only Benchmark for Quadruped State Estimation: ATE, RPE, and Runtime Trade-offs Between Filters and Smoothers

تقدم هذه الورقة بحثاً مرجعياً شاملاً يقارن بين ثلاثة من مُقدِّرات الحالة الحسية العميقة (MUSE، وIEKF، وIS) للروبوتات رباعية الأرجل على مجموعة بيانات GrandTour، حيث تقيم مقايضاتها في الدقة طويلة المدى، والدقة قصيرة المدى، وزمن التشغيل الحسابي لتوجيه الممارسين في اختيار النهج الأكثر ملاءمة لقيود تطبيقاتهم الخاصة.

المؤلفون الأصليون: Ylenia Nisticò, João Carlos Virgolino Soares, Joan Solà, Claudio Semini

نُشر 2026-05-13

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ylenia Nisticò, João Carlos Virgolino Soares, Joan Solà, Claudio Semini

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تسير في غابة كثيفة الضباب، بلا نظام تحديد مواقع (GPS)، ولا معالم واضحة، ولا خريطة. لكي تعرف أين أنت، عليك أن تعتمد كلياً على جسدك: كيف تتحرك ساقاك، وكيف تشعر بميل أذنك الداخلية، وهل تلمس قدماك الأرض أم لا. هذا هو بالضبط التحدي الذي تواجهه الروبوتات رباعية الأرجل (quadrupeds) عندما تفقد "عيونها" (الكاميرات) أو "نظام تحديد المواقع الخاص بها".

هذه الورقة البحثية تشبه اختبار تذوق لثلاثة "أدمغة" (خوارزميات) مختلفة تساعد هذه الروبوتات على معرفة مكانها باستخدام مستشعرات جسدها فقط. وضع المؤلفون هذه الأدمغة الثلاثة في اختبار عقبات صارم (مجموعة بيانات من العالم الحقيقي تسمى Grand Tour) لمعرفة أي منها هو الأكثر دقة وأيها هو الأسرع.

إليك تفصيل لـ "الأدمغة" الثلاثة التي تم اختبارها:

1. المتنافسون الثلاثة

MUSE (المتخصص المجزأ): فكر في MUSE كفريق من المتخصصين يعملون في سباق تتابع. شخص ما يتحقق من توازنك، وآخر يعد خطواتك، وثالث يجمع تلك المعلومات. لقد صُمم ليكون سريعاً جداً ومجزأً.
IEKF (الملاح الثابت): يستخدم هذا الدماغ خدعة رياضية محددة (مجموعات Lie) تحافظ على استقرار حساباته حتى عندما ينزلق الروبوت أو يتعثر. إنه يشبه الملاح الذي لا يفقد أبداً حسه بالاتجاه، مهما كانت الرحلة وعرة.
IS - المُنعم الثابت (المؤرخ): هذا الدماغ لا ينظر فقط إلى "الآن"؛ بل ينظر إلى "مقطع فيديو" قصير للثواني القليلة الماضية. ومن خلال مراجعة التاريخ القريب، يمكنه تصحيح الأخطاء الصغيرة التي ارتكبها قبل لحظة. إنه يشبه المحقق الذي يعيد فحص مسرح الجريمة للوصول إلى الإجابة المثالية، لكنه يستغرق وقتاً أطول في التفكير.

2. نتائج السباق

قاس المؤلفون شيئين رئيسيين: الدقة طويلة المدى (هل انتهى بالروبوت إلى المكان الصحيح بعد مشية طويلة؟) والدقة قصيرة المدى (هل عرف الروبوت مكانه بدقة في هذه اللحظة؟). كما قاسوا أيضاً السرعة (كم استغرق الدماغ ليفكر).

المشي الطويل (ATE): على مدار المسار الذي يبلغ طوله 300 متر، كان "المؤرخ" (IS) و"الملاح الثابت" (IEKF) هما الأكثر دقة. لقد وصلا إلى أقرب نقطة من الوجهة الحقيقية. أما "المتخصص" (MUSE) فقد انحرف قليلاً، حيث انتهى بعيداً بنحو متر واحد عن أفضل المؤدين.
الفحص اللحظي (RPE):
- خلال مسافة متر واحد: عند النظر إلى المسافات القصيرة (مثل المشي خطوة واحدة)، كان IEKF و IS أفضل بكثير في البقاء على المسار من MUSE.
- إطار بإطار: عند النظر إلى الفاصل الزمني بين التحديثات، كان MUSE و IEKF في الواقع أكثر حدة وأقل تذبذباً من IS. أما IS، ولأنه مشغول بمراجعة "مقطع الفيديو" الخاص به، فقد كان أبطأ قليلاً في الاستجابة للحركات الصغيرة والسريعة.
السرعة (وقت التشغيل):
- MUSE كان عداءً سريعاً للغاية، حيث استغرق حوالي 0.012 مللي ثانية للتفكير.
- IEKF كان سريعاً جداً أيضاً، حيث استغرق حوالي 0.02 مللي ثانية.
- IS كان عداء الماراثون المتأني. فقد استغرق وقتاً أطول (من 0.1 إلى 0.6 مللي ثانية) لأنه كان يقوم بعمليات رياضية أكثر لتنعيم المسار. وكلما نظر إلى تاريخ أبعد، أصبح أبطأ.

3. اختبار "الاستيقاظ" (التقارب)

اختبر الباحثون أيضاً ما يحدث إذا بدأ الروبوت السباق ورأسه يدور (خطأ كبير في اتجاهه الأولي).

MUSE كان الأسرع في "الاستيقاظ" وإدراك: "أوه، أنا مقلوب رأساً على عقب!" وتصحيح نفسه.
IEKF و IS كانا أبطأ في تصحيح هذا الخطأ الأولي الكبير لأن كلاهما يعتمد على تعديلات محلية صغيرة يمكن أن ترتبك إذا كان الخطأ الأولي ضخماً جداً.

الخلاصة

الورقة لا تعلن عن "فائز" واحد. بدلاً من ذلك، تقدم قائمة واضحة من المقايضات:

اختر MUSE إذا كنت بحاجة إلى أن يستجيب الروبوت فوراً للتحكم في أرجله (زمن انتقال منخفض) ولا تمانع في حدوث انحراف طفيف على المدى الطويل.
اختر IEFK إذا كنت تريد توازناً رائعاً بين الدقة العالية والسرعة، مع استقرار ممتاز.
اختر IS إذا كنت بحاجة إلى أعلى دقة ممكنة لرسم الخرائط أو الملاحة، ويمكنك تحمل تأخير بسيط (زمن انتقال) للسماح للخوارزمية بـ "التفكير" عبر نافذة زمنية قصيرة.

لقد نشر المؤلفون جميع أكوادهم وبياناتهم حتى يتمكن أي شخص آخر من إجراء نفس السباق والتحقق من النتائج. إنها دليل لمساعدة المهندسين في اختيار "الدماغ" المناسب لمهمة الروبوت الخاصة بهم.

ملخص تقني: معيار مرجعي يعتمد على الحس العميق فقط لتقدير حالة الروبوتات رباعية الأرجل

بيان المشكلة

يعد التقدير الموثوق لحالة الحس العميق (Proprioceptive state estimation) أمراً بالغ الأهمية لحركة الروبوتات رباعية الأرجل الرشيقة، لا سيما في البيئات التي يكون فيها الإدراك الخارجي (مثل الرؤية، أو الليدار، أو نظام تحديد المواقع العالمي GPS) غير موثوق أو غير متاح بسبب الغبار، أو الضباب، أو الممرات الخالية من المعالم، أو انقطاع الإشارة. في مثل هذه السيناريوهات، يجب على الروبوتات الاعتماد فقط على وحدات القياس بالقصور الذاتي (IMUs)، وأجهزة تشفير المفاصل (joint encoders)، ومعلومات الاتصال. يتضمن التحدي الجوهري تحقيق التوازن بين متطلتين متنافستين:

الاتساق طويل الأمد: الحفاظ على الدقة عبر مسارات ممتدة رغم الانحراف وأخطاء النمذجة.
الدقة قصيرة الأفق: الحفاظ على الدقة المحلية الضرورية للتحكم بالتغذية الراجعة وتخطيط مواضع وضع الأرجل، مع الالتزام بمتطلبات زمن الاستجابة الصارمة والميزانيات الحسابية على المنصات المدمجة.

بينما توجد مناهج متنوعة، إلا أن هناك نقصاً في المقارنات المباشرة، القائمة على مبدأ "التفاح مقابل التفاح" (مقارنة عادلة)، بين مختلف النماذج المتطورة (الترشيح مقابل التنعيم، الثابت مقابل غير الثابت) على مجموعة بيانات واقعية مشتركة لتوجيه الممارسين في اختيار المقدر المناسب لقيود تطبيقهم المحدد.

المنهجية

يقدم المؤلفون معياراً مرجعياً مقارناً لثلاثة مقدرات حالة تمثل النماذج مفتوحة المصدر للروبوتات رباعية الأرجل، والتي تعمل جميعها بنمط الحس العميق فقط على تسلسل CYN-1 من مجموعة بيانات GrandTour. تقوم جميع الطرق بتقدير وضع الجسم (pose) $(R, p) \in SO(3) \times \mathbb{R}^3$ وسرعة الجسم $v \in \mathbb{R}^3$ .

1. MUSE (المقدر الموحد متعدد المستشعرات)

النموذج: حزمة دمج معيارية في الوقت الفعلي (الترشيح - Filtering).
الآلية: في هذه الدراسة، يعمل MUSE حصرياً عبر الحس العمفي، حيث يتم تعطيل الكتل الخارجية. يستخدم مراقب غير خطي (NLO) متتالي ومرشح كالمان خارجي (XKF) لتقدير الوضعية (attitude)، مما يضمن الاستقرار العالمي. يتم اشتقاق قياسات حركة الأرجل من الكينماتيكا الأمامية للأرجل في حالة الاتصال المستقر. يتم دمج هذه القياسات عبر مرشح كالمان لإخراج الوضع والسرعة الزاوية (twist).
الميزة الرئيسية: مصمم للمتانة والأداء في الوقت الفعلي، وقادر على التعامل مع أخطاء التوجه الأولية الكبيرة بفضل مصمم مراقب الوضعية المستقر عالمياً.

2. مرشح كالمان الموسع الثابت (IEKF)

النموذج: الترشيح الثابت (Invariant Filtering).
الآلية: تمت صياغته على نظام أفيني للمجموعات (group-affine system) حيث تكون ديناميكيات الخطأ الثابتة جهة اليمين مستقلة عن الحالة. يحسن هذا الهيكل التقارب والاتساق، خاصة أثناء أحداث الاتصال.
تفاصيل الآلية: يقوم الانتشار بدمج بيانات IMU، بينما تفترض عمليات التحديث وجود اتصال مستقر (سرعة قدم صفرية). يستفيد من هياكل زمرة لي (Lie group) لخطية ديناميكيات الخطأ، مع دمج تكاليف قياس قوية والوعي بالانزلاق.

3. المنعم الثابت (IS)

النموذج: التنعيم ذو التأخر الثابت (Fixed-lag Smoothing) (الاحتمال الأقصى اللاحق - MAP).
الآلية: على عكس IEKF، الذي يحدث الحالة الأخيرة فقط، يقوم IS بتحسين نافذة ثابتة من الحالات ( $n$ ) والقياسات. يصيغ المشكلة كمسألة مربعات صغرى غير خطية باستخدام بقايا مدركة الهيكل مكيّفة من خصائص النظام الأفيني لـ IEKF.
الميزة الرئيسية: من خلال التحسين عبر نافذة، فإنه يحقق قدرة أفضل على تحمل الاتصالات الديناميكية (مثل الانزلاق) ودقة أعلى، ولكن على حساب زيادة الحمل الحسابي وزمن استجابة الخوارزمية المتناسب مع حجم النافذة.

مقاييس التقييم

تستخدم الدراسة مقاييس قياسية يتم حسابها عبر حزمة evo بلغة بايثون:

خطأ المسار المطلق (ATE): يقيس دقة الوضع العالمي والانحراف المتراكم من خلال محاذاة المسار المقدر إلى الحقيقة الأرضية عبر محاذاة Umeyama لـ SE(3).
خطأ الوضع النسبي (RPE): يقيس الدقة قصيرة الأمد. يتم تقييمه تحت نظامين:
- نافذة مكانية ( $\Delta = 1$ م): لفحص الانحراف بمقياس المتر.
- نافذة زمنية ( $\Delta = 1$ إطار): لفحص الاتساق من إطار إلى إطار والحساسية لارتجاج القياس.
جذر متوسط مربع الخطأ في السرعة (Velocity RMSE): يقيم دقة ملفات تعريف السرعة المقدرة.
وقت التشغيل (Runtime): وقت الحساب لكل تحديث مقاس على حزمة برمجية/عتادية ثابتة.

النتائج الرئيسية

الدقة

طويل الأمد (ATE): حقق كل من IEKF والمنعم الثابت (IS) قيم ATE أقل من MUSE. كان الفرق بين الأفضل (IS) والأسوأ (MUSE) حوالي 0.91 م عبر مسار طوله 300 م (حوالي 0.3%). يشير هذا إلى أن النمذجة الأفينية للمجموعات وتنظيم التنعيم يساعدان في تقليل الانحراف المتراكم.
قصير الأمد (RPE):
- عند $\Delta = 1$ م: تفوق IEKF و IS بشكل كبير على MUSE (تقليل بنسبة 40% تقريباً في RPE الانتقالي)، مما يشير إلى معالجة أفضل للأخطاء المنهجية المتراكمة عبر تحديثات متعددة.
- عند $\Delta = 1$ إطار: أظهر IEKF و MUSE قيم RPE أقل من IS (تقليل بنسبة 72% و 66% على التوالي). يشير هذا إلى أن الدمج بمعدل أعلى في المرشحات يعمل بشكل أفضل على كبح الضوضاء عالية التردد مقارنة بنهج التنعيم في هذا المقياس المحدد.
- RPE الدوراني: كانت النتائج متشابهة بشكل عام عبر جميع الطرق.
السرعة: قدمت الطرق الثلاث ملفات تعريف سرعة دقيقة مع فروق ضئيلة في RMSE.

وقت التشغيل وزمن الاستجابة

MUSE: الأسرع، بمتوسط وقت تشغيل $\approx 0.012$ مللي ثانية لكل تكرار.
IEKF: أبطأ قليلاً، $\approx 0.02$ مللي ثانية لكل تكرار.
المنعم الثابت (IS): يظهر مقايضة واضحة بين الدقة وزمن الاستجابة تعتمد على حجم النافذة (WS).
- WS = 1: $\approx 0.110$ مللي ثانية.
- WS = 5: $\approx 0.583$ مللي ثانية.
- ملاحظة: يؤدي التنعيم ذو التأخر الثابت إلى تأخير خوارزمي يتناسب مع التأخر، مما قد يؤخر تقديرات الحالة اعتماداً على تنفيذ خط الأنابيب (pipeline).

سلوك التقارب

تحت أخطاء التوجه الأولية الكبيرة (انحراف 180 درجة في التدحرج/roll)، تقاربت جميع المقدرات الثلاثة نحو التوجه الصحيح. ومع ذلك، تقارب MUSE بشكل أسرع من IEKF و IS. ويُعزى ذلك إلى تصميم مراقب الوضعية عالمي الاستقرار في MUSE، بينما يعتمد IEKF و IS على الخطية المحلية التي يمكن انتهاكها بواسطة الأخطاء الأولية الكبيرة، مما يؤدي إلى تقارب أبطأ.

الأهمية والمساهمات

يوفر البحث لقطة موجزة وقابلة للتكرار للمقايضات بين الدقة، وزمن الاستجداء، والتكلفة الحسابية للأنظمة القابلة للنشر رباعية الأرجل. وتتمثل مساهماته الرئيسية في:

المقارنة المباشرة: تقييم "تفاح مقابل تفاح" لثلاثة نماذج متميزة وعالية الأداء (MUSE، IEKF، IS) على مجموعة بيانات واقعية مشتركة.
توجيه الممارسين: تقديم بيانات واضحة حول كيفية تأثير المقاييس المختلفة (ATE مقابل RPE بمقاييس مختلفة) والقيود الحسابية (زمن الاستجابة مقابل الدقة) على اختيار المقدر.
قابلية التكرار مفتوحة المصدر: إصدار خط أنابيب معيار مرجعي كامل، بما في ذلك الكود، والتوثيق، وأدوات معالجة البيانات، لتسهيل المعايوهات المرجعية المستقبلية الموحدة.

يخلص المؤلفون إلى أنه بينما يوفر التنعيم (IS) دقة أفضل على المدى الطويل، فإن المرشحات (MUSE، IEKF) توفر زمن استجابة أقل وتحكماً أفضل محتملاً في الضوضاء قصيرة المدى. يجب أن يملي التقدير المحدد متطلبات التطبيق الخاصة فيما يتعلق بالاتساق العالمي، وتردد حلقة التحكم، والموارد الحسابية المتاحة. لا تدعي هذه الدراسة حل جميع تحديات تقدير الحالة، بل تهدف إلى توضيح المشهد الحالي للممارسين.