TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions

Stellen Sie sich einen Roboter vor, der versucht, seinen Weg durch eine Welt zu finden, die nicht kartiert werden will. Seit Jahrzehnten bringen Wissenschaftler Robotern bei, sich mithilfe von „Augen“ zu navigieren – Kameras und Lasern, die die Umgebung nach Orientierungspunkten scannen. Aber was passiert, wenn das Licht ausgeht, Nebel aufzieht oder der Roboter durch einen dichten Wald läuft, in dem der Boden mit Blättern bedeckt ist? Die „Augen“ werden blind. Hier kommt das Feld der propriozeptiven Odometrie ins Spiel. Betrachten Sie dies als den „inneren Sinn“ des Roboters, ähnlich wie Sie allein durch das Gefühl der Bewegung in Ihren eigenen Muskeln und Gelenken feststellen können, ob Sie auf einem rutschigen Boden oder einem unebenen Pfad gehen, ohne auf Ihre Füße schauen zu müssen. Die Herausforderung besteht jedoch darin, dass dieser innere Sinn leicht getäuscht werden kann. Wenn der Fuß eines Roboters auf einem nassen Stein ausrutscht oder in weichen Schlamm einsinkt, geraten seine internen Sensoren durcheinander, und er beginnt zu glauben, er bewege sich in einer geraden Linie, während er in Wirklichkeit zur Seite gleitet. Mit der Zeit summieren sich diese winzigen Fehler auf, und der Roboter verirrt sich hoffnungslos.

Dieses Paper stellt eine neue Lösung namens TRACE vor, ein intelligentes System, das darauf ausgelegt ist, geläufigen Robotern (wie vierbeinigen Hunden oder Humanoiden) zu helfen, herauszufinden, wo sie sich befinden, selbst wenn ihre Füße rutschen, einsinken oder auf seltsamem Gelände rollen. Anstatt sich auf starre Regeln oder manuelle Einstellungen zu verlassen, um zu erraten, ob ein Fuß rutscht, nutzt TRACE ein Deep-Learning-Modell, das wie ein hoch erfahrener Coach agiert. Es beobachtet die Historie der Bewegungen und Sensordaten des Roboters und lernt, das „Rauschen“ eines rutschenden Fußes zu ignorieren und sich auf das „Signal“ eines soliden Schritts zu konzentrieren. Die Forscher trainierten dieses System in einer virtuellen Welt voller zufälligen Chaos – rutschige Böden, weiche Matten und unvorhersehbare Unebenheiten – und testeten es dann auf einem echten Roboter in der freien Natur. Sie fanden heraus, dass TRACE deutlich besser darin ist, den Roboter auf Kurs zu halten, als ältere Methoden, indem es den „Drift“ (die Distanz, die der Roboter zu seinem tatsächlichen Standort glaubt zu sein) in einigen schwierigen Situationen um mehr als die Hälfte reduziert.

Das Problem mit dem „inneren Ohr“ des Roboters

Um zu verstehen, warum TRACE eine große Sache ist, müssen wir uns ansehen, wie Roboter normalerweise versuchen, ihre Schritte zu zählen. Stellen Sie sich vor, Sie gehen in einem dunklen Raum mit geschlossenen Augen. Sie versuchen, Ihre Schritte zu zählen, um zu wissen, wie weit Sie gegangen sind. Wenn Sie auf eine Bananenschale treten und ausrutschen, könnte Ihr Gehirn denken, Sie hätten zwei Schritte gemacht, obwohl Sie nur einen gemacht haben. Für einen Roboter ist das ein Albtraum. Wenn er glaubt, er sei 10 Meter weit nach vorne gekommen, sich aber tatsächlich nur 5 Meter bewegt hat, wird er schließlich gegen eine Wand prallen, von der er dachte, sie sei weit entfernt.

Ältere Methoden versuchten dies durch mathematische Filter zu lösen. Diese Filter sind wie strenge Lehrer, die sagen: „Wenn dein Fuß auf dem Boden ist, muss er stillstehen.“ Aber in der realen Welt stehen Füße nicht immer still. Sie rollen, sie sinken in Sand ein oder gleiten auf Eis. Wenn der „strenge Lehrer“ davon ausgeht, dass der Fuß stillsteht, er aber eigentlich gleitet, bricht die Mathematik zusammen und der Roboter verirrt sich. Andere Methoden versuchten es mit Kameras, aber wie bereits erwähnt, versagen Kameras bei Dunkelheit oder schlechtem Wetter.

TRACE: Der „smarte Coach“

Die Autoren dieses Papers entwickelten TRACE (Tokenized Robust Attention for Contact-Aware Estimation). Anstatt eines strengen Lehrers stellen Sie sich TRACE als einen smarten Coach vor, der tausende Stunden lang beobachtet hat, wie Roboter auf jeder erdenklichen Art von Oberfläche laufen.

So funktioniert es vereinfacht:

1. Die Eingaben: Der Roboter sendet ständig einen Datenstrom an TRACE: wie schnell er sich dreht (Gyroskop), wie stark er beschleunigt (Beschleunigungssensor) und die Position sowie Geschwindigkeit jedes einzelnen Gelenks seiner Beine.

2. Der „Attention“-Trick: Dies ist der magische Teil. TRACE verwendet einen Mechanismus namens Cross-Attention. Stellen Sie sich vor, der Roboter hat vier Beine, und jedes Bein schreit seinen Status zum Coach:

   • Bein 1 sagt: „Ich stehe auf festem Boden! Ich bin stabil!“
   • Bein 2 sagt: „Ich rutsche auf Eis! Ich bin gerade nutzlos!“
   • Bein 3 sagt: „Ich sinke in den Schlamm ein!“
   • Bein 4 sagt: „Ich bin in der Luft, im Schwung!“

   In der Vergangenheit musste der Roboter raten, welchem Bein er zuhören sollte, basierend auf einer einfachen Regel (wie „wenn die Kraft niedrig ist, ist er in der Luft“). TRACE hingegen lernt, zuzuhören. Es weist jedem Bein eine „Gewichtung“ oder einen „Attention-Score“ zu. Wenn ein Bein rutscht oder einsinkt, lernt TRACE, dessen „Lautstärke“ herunterzudrehen. Wenn ein Bein fest steht, dreht es die Lautstärke hoch. Dies geschieht, ohne dass ein Mensch ihm sagt: „Hey, das ist ein Rutschen!“ Es erkennt das Muster einfach aus den Daten.

3. Der Physik-Check: Um sicherzustellen, dass der Roboter nicht einfach wild rät, verfügt TRACE auch über einen „Physik-Check“. Es vergleicht die geschätzte Geschwindigkeit des Roboters mit der Distanz, die er zurückgelegt zu haben glaubt. Wenn die Mathematik nicht aufgeht (zum Beispiel, wenn der Roboter sagt, er bewege sich schnell, aber die Beine bewegen sich kaum), korrigiert sich das System selbst. Das ist wie ein Läufer, der merkt: „Warte, ich japsche, als würde ich sprinten, aber ich habe mich keinen Zentimeter bewegt; ich muss auf der Stelle laufen.“

Training im Chaos der Simulation

Man kann einen Roboter nicht einfach nur auf einem glatten Boden lehren und erwarten, dass er einen schlammigen Wald bewältigt. Die Forscher trainierten TRACE in einem virtuellen Simulator namens RaiSim. Aber sie machten nicht nur eine langweilige, flache Welt. Sie machten sie chaotisch.

• Sie randomisierten das Terrain: flacher Boden, Treppen, raue Felsen und weiche Luftmatratzen.
• Sie randomisierten das Rutschen: Manchmal war der Boden super rutschig, manchmal klebrig.
• Sie randomisierten die Bewegung des Roboters: Sie ließen den Roboter mit verschiedenen Stilen und Geschwindigkeiten laufen.

Dies wird Policy Randomization genannt. Es ist, als würde man einen Studenten nicht nur für eine spezifische Prüfung trainieren, sondern für jede mögliche Variation dieser Prüfung. Indem TRACE so viele verschiedene Arten sah, wie sich der Roboter bewegen und rutschen konnte, lernte das System, die spezifischen „Tricks“ des Trainings zu ignorieren und sich auf die universelle Wahrheit darüber zu konzentrieren, wie Beine und Boden interagieren.

Der Test in der realen Welt

Nach dem Training in der virtuellen Welt nahmen die Team ihren Roboter namens Raibo2 mit in die reale Welt. Sie testeten ihn auf:

• Flachem Boden: Das Einfache.
• Rough Terrain: Holzrampen und Blöcke.
• Rutschigen Oberflächen: Ein Brett, das mit Borsäurepulver bedeckt war (extrem rutschig!).
• Weichem Terrain: Eine Luftmatratze, die federt und einsinkt.
• Outdoor-Pfaden: Gras, harter Dreck und Treppen.

Sie verglichen TRACE mit drei anderen Methoden:

1. IEKF-SR: Der klassische „strenge Lehrer“-Mathematikfilter.
2. Legolas: Eine rein lernbasierte Methode, die keine Physikregeln verwendet.
3. NMN-IEKF: Eine Hybridmethode, die versucht, beide zu mischen.

Die Ergebnisse: Weniger Drift, mehr Vertrauen

Die Ergebnisse waren beeindruckend. Im Experiment mit weichem Terrain (der Luftmatratze), wo der Boden schwammig und unvorhersehbar war, reduzierte TRACE den Positionsfehler des Roboters im Vergleich zur besten bisherigen Methode um 53,8 %. Auf rutschigem Boden reduzierte es den Fehler um 44,1 %.

Was bedeutet das? Wenn die anderen Roboter dachten, sie seien 10 Meter vom Startpunkt entfernt, könnten sie sich tatsächlich 15 Meter weit entfernt befinden (ein riesiger Fehler). TRACE hingegen lag viel näher an der Wahrheit. Es ließ sich nicht durch rutschende oder einsinkende Füße verwirren, da sein „Attention“-Mechanismus wusste, die unzuverlässigen Beine zu ignorieren.

Die Forscher prüften auch, ob TRACE tatsächlich auf die richtigen Dinge „achtet“. Sie analysierten die Daten und sahen, dass der Attention-Score für ein Bein, das rutschte, auf fast Null sank. Wenn das Fuß steht, stieg der Score an. Dies bewies, dass der Roboter nicht nur rät; er hat gelernt, den richtigen Sensoren zu vertrauen und die falschen zu ignorieren.

Warum das wichtig ist

Das Paper kommt zu dem Schluss, dass TRACE ein bedeutender Schritt nach vorn ist, da es keine Kamera benötigt, um die Welt zu sehen, und keinen Menschen braucht, der komplexe Regeln für jede Art von Rutschen programmiert. Es lernt von selbst, robust zu sein.

Die Autoren sind jedoch vorsichtig damit, dies als „gelöstes“ Problem darzustellen. Sie merken an, dass TRACE zwar großartig ist, aber immer noch von der Qualität des Simulations-Trainings abhängt. Sie erwähnen auch, dass zukünftige Arbeiten darauf abzielen könnten, genau vorherzusagen, wie sehr ein Fuß rutscht, anstatt ihn nur zu ignorieren. Aber für den Moment zeigt TRACE, dass wir Robotern, indem wir ihnen beibringen, mit einem smarten, adaptiven Ohr auf ihren Körper zu „hören“, helfen können, in der unordentlichen, unvorhersehbaren realen Welt zu navigieren, ohne sich zu verirren.

Kurz gesagt: TRACE ist wie eine Superkraft für den Roboter – die Fähigkeit zu wissen, wo er ist, selbst wenn der Boden unter ihm lügt.