💻 computer science

Proprioceptive-only State Estimation for Legged Robots with Set-Coverage Measurements of Learned Dynamics

Este trabajo propone un marco de estimación de estado para robots cuadrúpedos que utiliza mediciones de cobertura de conjuntos para caracterizar el ruido sin asumir distribuciones específicas, logrando así una consistencia superior y evitando la deriva en comparación con los enfoques basados en supuestos gaussianos.

Autores originales: Abhijeet M. Kulkarni, Ioannis Poulakakis, Guoquan Huang

Publicado 2026-03-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Abhijeet M. Kulkarni, Ioannis Poulakakis, Guoquan Huang

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes un robot cuadrúpedo (como un perro robot) que necesita moverse por un mundo caótico: hay oscuridad, polvo, niebla o terrenos resbaladizos. En estas condiciones, sus "ojos" (cámaras, radares o láser) a menudo se confunden o se apagan. Es como intentar conducir un coche con los ojos vendados en medio de una tormenta de arena.

Para no chocar, el robot debe confiar en su propio sentido del cuerpo, llamado propiocepción. Es como cuando tú cierras los ojos y aún sabes si estás de pie, si te estás inclinando o si tus piernas se mueven rápido o lento, sin necesidad de ver nada.

Este paper presenta una nueva forma de ayudar a estos robots a saber dónde están, incluso cuando sus "ojos" fallan y sus datos internos son un poco confusos.

Aquí tienes la explicación sencilla, con analogías:

1. El Problema: El "Adivino" que se equivoca

Los robots modernos usan inteligencia artificial (redes neuronales) para mirar sus sensores internos (ángulos de las articulaciones, velocidad de los motores) y adivinar: "¡Ah, por cómo se mueven mis piernas, debo estar avanzando a 2 metros por segundo!".

El problema es que estos "adivinos" (modelos aprendidos) a veces se equivocan.

La vieja forma de hacerlo: Los ingenieros asumían que los errores del robot seguían una regla estricta y predecible (como una campana de Gauss). Era como decir: "El robot siempre se equivoca un poquito, pero nunca se equivoca mucho".
La realidad: Cuando el robot se encuentra con algo nuevo (un terreno que no vio en su entrenamiento), el error puede ser enorme, raro o sesgado. Si el robot confía ciegamente en su vieja regla, se vuelve demasiado seguro de sí mismo y, al final, se pierde completamente (diverge). Es como un conductor que cree que la carretera es recta cuando en realidad hay un precipicio, porque su GPS le dijo que todo estaba bien.

2. La Solución: La "Caja de Seguridad" (Set-Coverage)

En lugar de asumir que el error es una campana perfecta, los autores proponen usar una "Caja de Seguridad" (Set-Coverage).

La analogía: Imagina que el robot no dice: "Estoy seguro de que voy a 2 m/s". En su lugar, dice: "Estoy 90% seguro de que mi velocidad real está dentro de esta caja imaginaria entre 1.5 y 2.5 m/s".
No importa si la distribución de los errores es rara, extraña o tiene picos extraños. Lo único que importa es que la verdad esté dentro de la caja la mayoría de las veces.
Esta "caja" se calcula usando herramientas matemáticas modernas que no necesitan asumir nada sobre la forma de los errores. Es como poner una red de pesca muy amplia para asegurarse de que no se escape el pez (la verdad), sin preocuparse de cómo se mueve el pez dentro de la red.

3. El Truco Matemático: Ajustar la Creencia sin Romper el Sistema

El desafío técnico es: ¿Cómo usamos esta "caja" para corregir la posición del robot sin tener que reinventar toda la matemática del robot?

El proceso: El robot tiene una estimación inicial (una "creencia" sobre dónde está). Cuando recibe la nueva información de la "caja de seguridad", compara su creencia con la caja.
- Si su creencia ya está dentro de la caja, ¡perfecto! No hace nada.
- Si su creencia está fuera o la caja es más pequeña de lo que esperaba, el robot ajusta su creencia.
La magia: Usan un método llamado "emparejamiento de momentos" (moment matching). Imagina que tienes una masa de plastilina (la distribución de probabilidad). La "caja" te dice que debes aplastar la plastilina dentro de ciertos límites. El método calcula cómo debe quedar la plastilina (ahora con una nueva forma) para que siga siendo manejable por el robot, pero respetando los límites de la caja.
Es rápido y eficiente. El robot puede hacer este cálculo en milisegundos, como un piloto que ajusta la ruta en tiempo real mientras vuela.

4. Los Resultados: Robusto como un Mulo

Los autores probaron esto en simulaciones y con robots reales (un robot cuadrúpedo llamado "Spot" y otro llamado "Vision60").

En condiciones normales: Funciona tan bien como los métodos tradicionales.
En condiciones difíciles (cuando el error no es normal): Aquí es donde brillan. Mientras que los métodos tradicionales (que asumen errores perfectos) se vuelven locos y el robot se pierde, el método de la "Caja de Seguridad" mantiene la calma.
- Resultado: El robot no se desvía, no se pierde y mantiene una trayectoria precisa incluso cuando el terreno es resbaladizo, hay giros bruscos o el modelo de aprendizaje falla.

En Resumen

Este paper es como enseñarle a un robot a ser humilde y prudente. En lugar de decir: "Sé exactamente dónde estoy y confío ciegamente en mis cálculos", el robot dice: "No estoy 100% seguro, pero sé que mi posición real está dentro de este rango seguro. Voy a usar ese rango para corregir mi rumbo sin perder la cabeza".

Gracias a esto, los robots pueden explorar cuevas oscuras, bosques densos o fábricas polvorientas sin depender de cámaras que podrían fallar, manteniéndose estables y seguros incluso cuando sus datos internos son imperfectos.

1. Problema y Motivación

La estimación de estado precisa es fundamental para la operación autónoma a largo plazo de robots cuadrúpedos en entornos no estructurados (subterráneos, industriales, naturales).

Limitaciones de los sensores exteroceptivos: Sensores como LiDAR, cámaras y radar son vulnerables a condiciones degradadas (polvo, oscuridad, falta de textura), lo que puede causar fallos en la percepción.
Ventaja de la propiocepción: El uso exclusivo de sensores propioceptivos (IMU y mediciones de nivel de articulaciones) es robusto ante estas condiciones y computacionalmente eficiente.
El desafío de los modelos aprendidos: Las aproximaciones recientes utilizan redes neuronales para inferir la dinámica del sistema a partir de historiales de mediciones propioceptivas, generando "pseudo-mediciones" (como velocidad del cuerpo). Sin embargo, estas redes suelen asumir que el error de predicción sigue una distribución Gaussiana (ruido cero-medio).
Fallo de la suposición Gaussiana: En escenarios del mundo real con datos de entrenamiento limitados, la incertidumbre epistémica domina, haciendo que los errores sean sesgados, multimodales o de colas pesadas. Asumir una distribución Gaussiana en estos casos lleva a que el filtro (EKF) se vuelva excesivamente confiado, resultando en estimaciones inconsistentes y divergencia.

2. Metodología Propuesta

Los autores proponen un marco de estimación de estado que reemplaza la suposición Gaussiana por declaraciones de cobertura de conjuntos (set-coverage statements) para caracterizar la incertidumbre de los modelos de dinámica aprendidos.

A. Modelado de la Dinámica y Pseudo-mediciones

Se utiliza un observador dinámico aprendido (una red GRU - Unidad Recurrente Puerta) que toma un historial de estados articulares (ángulos, velocidades, torques) y predice la velocidad del cuerpo en el marco del robot.
En lugar de modelar el error de predicción como una variable aleatoria Gaussiana, se caracteriza mediante un conjunto acotado donde la probabilidad de que el error real caiga dentro de ese conjunto es al menos $\gamma$ (nivel de confianza).
Esto se formaliza como: $P(|e_t| \leq \epsilon) \geq \gamma$ , donde $\epsilon$ son los límites calibrados. Esta declaración es libre de distribución y captura tanto la incertidumbre aleatoria como la epistémica.

B. Integración en el Filtro (IEKF)

El método integra estas restricciones de cobertura en un Filtro de Kalman Extendido Invariante (IEKF) mediante un proceso de actualización riguroso:

Formulación de la Restricción: La declaración de cobertura se traduce en un conjunto factible para el estado de error ( $\delta X_t$ ) en el espacio de estados aumentado.
Actualización de Mínima Divergencia KL: Se busca la distribución posterior que minimice la Divergencia de Kullback-Leibler (KL) respecto a la distribución previa (Gaussiana), sujeto a la restricción de que la masa de probabilidad dentro del conjunto de cobertura sea al menos $\gamma$ .
Solución de Cierre (Theorem 1): Se demuestra que la solución óptima es una reescalación por partes de la distribución previa: se aumenta la probabilidad dentro del conjunto de cobertura y se reduce fuera de él para cumplir con la restricción $\gamma$ .
Aproximación Gaussiana (Moment Matching): Dado que la distribución posterior óptima resultante no es Gaussiana, se utiliza un emparejamiento de momentos (moment matching) para aproximarla nuevamente como una Gaussiana, permitiendo su uso en el ciclo recursivo del filtro.
Implementación Eficiente: Para reducir el costo computacional de integrar sobre un espacio de alta dimensión (15 dimensiones), el método proyecta la distribución previa al espacio de las restricciones (3 dimensiones) y realiza los cálculos de momentos truncados allí, luego "eleva" la actualización al espacio completo. Esto permite una ejecución en tiempo real (~0.07 ms por actualización).

3. Contribuciones Clave

Nuevo Marco de Estimación: Propone un sistema de estimación de estado solo propioceptivo que modela la incertidumbre de los modelos de dinámica aprendidos mediante declaraciones de cobertura calibradas, eliminando la suposición Gaussiana incorrecta.
Método Práctico y Eficiente: Desarrolla un algoritmo computacionalmente ligero para fusionar estas mediciones restringidas por conjuntos con un filtro recursivo, demostrando viabilidad para sistemas embebidos de alta frecuencia.
Validación Exhaustiva: El enfoque se valida mediante simulaciones de Monte Carlo y en dos conjuntos de datos reales de robots cuadrúpedos (Vision60 y Boston Dynamics Spot), demostrando superioridad sobre los métodos basados en Gaussianas.

4. Resultados

Simulaciones (Monte Carlo):
- En regímenes de ruido Gaussiano bien especificado, el método propuesto tiene un rendimiento competitivo, aunque ligeramente inferior al EKF estándar (debido a la pérdida de información de la forma completa de la distribución).
- En regímenes de ruido no Gaussiano o sesgado (escenario realista con datos limitados), el EKF estándar falla catastróficamente (divergencia y alta inconsistencia, NEES muy alto). En contraste, el método de cobertura de conjuntos mantiene la consistencia y evita la divergencia, reinyectando incertidumbre en las direcciones restringidas.
Experimentos en el Mundo Real:
- Se probaron en el dataset Vision60 (movimientos en interiores, giros bruscos, superficies resbaladizas) y Spot (terrenos diversos, escaleras, cambios de elevación).
- Comparación: El método propuesto superó a los baselines de cinemática de piernas (Leg IEKF) y a los modelos aprendidos con suposición Gaussiana (Vel. IEKF).
- Robustez: En trayectorias difíciles (como bajar escaleras o puentes), los métodos baselines acumularon grandes desviaciones (drift), mientras que el método propuesto mantuvo la precisión.
- Competitividad: En el dataset Spot, el método propioceptivo puro alcanzó una precisión comparable e incluso superior en ciertas secuencias a un sistema basado en percepción (radar LiDAR) como GaRLILEO.

5. Significado e Impacto

Este trabajo es significativo porque aborda una falla crítica en la robótica de aprendizaje: la mala calibración de la incertidumbre en modelos de aprendizaje profundo cuando se despliegan fuera de la distribución de entrenamiento.

Al abandonar la suposición Gaussiana y utilizar certificados de cobertura libres de distribución, el método garantiza que el filtro no se vuelva excesivamente confiado ante errores de predicción sesgados.
Proporciona una solución viable para la navegación autónoma robusta en entornos hostiles donde los sensores externos fallan y los datos de entrenamiento son limitados.
Establece un nuevo estándar para la fusión de sensores en robots de patas, demostrando que la estimación de estado de alta fidelidad es posible sin depender de sensores exteroceptivos costosos o propensos a fallos.