Attention-Based Neural-Augmented Kalman Filter for Legged Robot State Estimation

Technische Zusammenfassung: Aufmerksamkeitsbasierter, neuronalerweiterter Kalman-Filter zur Zustandsschätzung für beinbasierte Roboter

Problemstellung
Beinbasierte Roboter benötigen eine präzise Echtzeit-Zustandsschätzung (Pose, Geschwindigkeit, Kontaktszustand), um eine agile Fortbewegung über diverse Geländebedingungen zu erreichen. Während propriozeptive Sensoren (IMU, Gelenkencoder) im Vergleich zu exterozeptiven Sensoren (LiDAR, Kameras) gegenüber widrigen Wetterbedingungen robuster sind, leiden sie bei Fußrutschen unter erheblichen Schätzfehlern. Standardkinematikbasierte Schätzer, wie der Invariante Erweiterte Kalman-Filter (InEKF), basieren auf einer Rutschfreiheitsannahme, bei der Kontaktpunkte als quasi-statische Fixpunkte modelliert werden. Tritt ein Rutschen auf, wird diese Annahme verletzt und führt zu einer Verzerrung im Zustand-Aktualisierungsschritt. Bestehende Methoden behandeln Rutschen typischerweise indirekt durch Aufblähen der Messkovarianz, Verwerfen von Aktualisierungen oder Behandlung des Rutschens als Prozessrauschen. Diese Ansätze versagen darin, die durch Rutschen verursachte Verzerrung explizit zu schätzen und direkt zu kompensieren, was zu einer akkumulierten Drift führt, insbesondere in der vertikalen ($z$)-Richtung. Darüber hinaus führen frühere neuronalerweiterte Filter oft heterogene Signale (Rutschen, Zustand, Messungen) zusammen, ohne Rutschen explizit als konditionierenden Kontext zu modellieren, was zu Kompensatoren führt, die über verschiedene Rutschregime hinweg schwer zu interpretieren und zu justieren sind.

Methodik
Die Autoren schlagen den Aufmerksamkeitsbasierten, Neuronalerweiterten Kalman-Filter (AttenNKF) vor, einen hybriden Schätzer, der einen Standard-InEKF um einen neuronalen Kompensator erweitert, der explizit auf rutschinduzierte Fehler ausgelegt ist.

1. Definition des kontinuierlichen Fußrutschniveaus:
   Die Methode definiert einen kontinuierlichen Rutschschweregrad-Indikator ($lv_i$) für jeden Fuß basierend auf dem Betrag der fußkinematisch basierten Fußgeschwindigkeit im Weltkoordinatensystem während der Standphase. Dieser Wert wird durch eine Sigmoid-Funktion abgebildet, um einen kontinuierlichen Score im Bereich $[0, 1]$ zu erzeugen. Dieses Rutschniveau dient als Kontextvariable und nicht als direkte Messung und spiegelt die Verletzung der Nullgeschwindigkeits-Kontaktannahme wider.

2. Architektur des neuronalen Kompensators (AttenNC):
   Im Gegensatz zu früheren Arbeiten, die Rutschen als einfaches Eingangsmerkmal behandeln, betrachtet AttenNKF Rutschen als Kontext, der moduliert, wie die InEKF-Historie zur Kompensation genutzt wird.

   • Latente Kodierung: Die InEKF-Posterior-Historie (Zustand und interne Korrekturen) sowie die Rutschhistorie werden separat mittels Gated Recurrent Units (GRUs) in latente Repräsentationen kodiert.
   • Cross-Attention-Mechanismus: Die Kerninnovation ist ein Cross-Attention-Modul, bei dem das Rutsch-Latente als Query fungiert und das InEKF-Latente als Key und Value. Dies ermöglicht dem Netzwerk, die InEKF-latenten Merkmale dynamisch basierend auf dem aktuellen Rutschregime neu zu gewichten. Beispielsweise kann der Aufmerksamkeitsmechanismus unter hohem Rutschen spezifische Elemente der InEKF-Historie selektiv hervorheben oder unterdrücken, um eine passendere Kompensation zu generieren.
   • Trainingsstrategie: Der Kompensator wird in zwei Schritten trainiert:
     • Schritt 1: Ein GRU-basierter Autoencoder wird trainiert, um Eingaben auf einen latenten Raum abzubilden, wodurch die Empfindlichkeit gegenüber rohen Eingabeskalen verringert wird.
     • Schritt 2: Der Aufmerksamkeitsmechanismus wird im latenten Raum unter Verwendung eines „Teacher-Student"-Rahmens trainiert. Ein Error-Encoder (Teacher) generiert einen Ziel-Latenzvektor aus Ground-Truth-Fehlern, während die InEKF- und Rutsch-Encoder (Student) die Kompensationslatenz via Cross-Attention erzeugen. Der Student wird überwacht, um die latente Repräsentation des Teachers und den finalen Zustandsfehler zu matchen.

3. Integration mit InEKF:
   Der AttenNKF arbeitet als Nachbearbeitungsschritt. Der InEKF führt seine Standardvorhersage- und Aktualisierungsschritte auf der Lie-Gruppe $SEN+2(3)$ durch. Der neuronale Kompensator nimmt dann den InEKF-Posterior-Zustand und den Rutschkontext entgegen, um eine residuale Kompensation ($\bar{e}_t$) vorherzusagen. Diese Residuum wird auf die Orientierung (via Exponentialabbildung auf $SO(3)$) sowie auf die Geschwindigkeit/Position (via additive Korrektur) angewendet, um den finalen geschätzten Zustand zu erzeugen. Der Kompensator modifiziert nicht die InEKF-Kovarianzmatrix und speist nicht in die Filterrekursion zurück.

Hauptbeiträge

• Rutsch-konditionierte Kompensation: Die Arbeit definiert ein kontinuierliches Fußrutschniveau und zeigt eine moderate bis starke positive Korrelation zwischen Rutschschweregrad und Zustandsschätzfehler auf, was Rutschen als explizite Kontextvariable rechtfertigt.
• Aufmerksamkeitsbasierte Architektur: Die Autoren schlagen einen neuronalen Kompensator vor, der Cross-Attention verwendet, um Rutschen als modulierenden Kontext und nicht als verkettetes Merkmal zu behandeln. Dies ermöglicht dem Kompensator, rutschregimeabhängige Strukturen zur Fehlerreduktion zu erlernen.
• Umfassende Evaluation: Die Methode wurde an einem Unitree Go1-Roboter über diverse Indoor-Gelände (flach, Kies, niedrig-reibender Teflon, Treppen) und einer Outdoor-Trajektorie (~100 m auf deformierbarem Gras) evaluiert.

Experimentelle Ergebnisse
Experimente vergleichen AttenNKF mit drei Baselines: Slip Rejection (SR), Learned Contact (LC) und dem Invariant Neural-Augmented Kalman Filter (InNKF).

• Indoor-Leistung: Auf rutscharmem Gelände performen alle Methoden ähnlich. Auf rutschintensivem Gelände (Kies und Teflon) übertrifft AttenNKF die Baselines jedoch signifikant. Speziell auf Kies reduzierte AttenNKF den relativen Positionsfehler (REpos) um 93,1 % im Vergleich zur stärksten Baseline. Auf der Teflonfolie reduzierte er REpos um 48,6 %.
• Outdoor-Leistung: Auf einer ~100 m langen Outdoor-Trajektorie über weichem Gras reduzierte AttenNKF REpos um etwa 55–73 % im Vergleich zu SR, LC und InNKF. Während andere Methoden eine vertikale Drift von bis zu 10 Metern akkumulierten, hielt AttenNKF die Drift innerhalb von $\pm 2\text{--}3$ Metern.
• Ablationsstudien:
  • Das Entfernen des Cross-Attention-Mechanismus (Ersetzung durch Verkettung) führte zu signifikant höheren Positionsfehlern und bestätigte den Nutzen der rutsch-konditionierten Neu-Gewichtung.
  • Die Verwendung von Self-Attention ohne Rutsch-Konditionierung verschlechterte ebenfalls die Leistung und unterstreicht die Notwendigkeit eines expliziten Rutschkontexts.
  • Die vorgeschlagene zweistufige Trainingspipeline (Autoencoder-Vortraining gefolgt von Attention-Training) erzielte überlegene Ergebnisse im Vergleich zum End-to-End-Training.
  • Die Verwendung der vorgeschlagenen impliziten Rutschkodierung (gelernt aus roher Geschwindigkeit) erwies sich auf außerhalb der Verteilung liegendem Gelände als robuster als die Verwendung roher Fußgeschwindigkeit oder handgefertigter expliziter Rutschniveaus.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass AttenNKF eine robuste Lösung für die Zustandsschätzung beinbasierter Roboter in rutschanfälligen Umgebungen bietet, indem er die Beziehung zwischen Rutschschweregrad und Schätzfehler explizit modelliert. Durch die Nutzung eines Aufmerksamkeitsmechanismus, um den neuronalen Kompensator auf Rutschen zu konditionieren, erzielt die Methode konsistente Verbesserungen des relativen Fehlers über verschiedene Gelände hinweg, ohne exterozeptive Sensoren zu benötigen. Die Autoren weisen darauf hin, dass das System mit 580 Hz arbeitet, was seine Eignung für die Echtzeitsteuerung bestätigt. Die Arbeit legt nahe, dass die Behandlung von Rutschen als Kontextvariable und nicht als Merkmal eine interpretierbarere und effektivere Kompensation ermöglicht, insbesondere in Szenarien, in denen traditionelle Kovarianzjustierung oder Ausreißerabweisung versagen, Verzerrungen zu korrigieren. Als zukünftige Arbeit wird vorgeschlagen, diese Zustände für die autonome Steuerung zu nutzen, das Framework auf andere Roboterplattformen (fliegend, gelenkt) zu erweitern und die Kovarianzschätzung sowie eng gekoppelte Formulierungen zu untersuchen.