Resumen Técnico: Un Benchmark Exclusivamente Propioceptivo para la Estimación del Estado en Cuadrúpedos

Enunciado del Problema

La estimación fiable del estado propioceptivo es crítica para la locomoción ágil de cuadrúpedos, particularmente en entornos donde la percepción exteroceptiva (por ejemplo, visual, LiDAR, GPS) es poco fiable o indisponible debido a polvo, niebla, pasillos sin características o interrupciones de señal. En tales escenarios, los robots deben depender exclusivamente de Unidades de Medición Inercial (IMU), codificadores de articulaciones e información de contacto para estimar el movimiento del cuerpo. El desafío central implica equilibrar dos requisitos competitivos:

1. Consistencia a largo plazo: Mantener la precisión a lo largo de trayectorias extendidas a pesar de la deriva y los errores de modelado.
2. Fidelidad a corto plazo: Preservar la precisión local esencial para el control de retroalimentación y la planificación de apoyos, todo ello cumpliendo con presupuestos estrictos de latencia y computación en plataformas embebidas.

Aunque existen diversos enfoques, hay una falta de comparaciones directas, "manzana con manzana", entre diferentes paradigmas de última generación (filtrado frente a suavizado, invariante frente a no invariante) sobre un conjunto de datos real común para guiar a los practicantes en la selección del estimador apropiado para sus restricciones de aplicación específicas.

Metodología

Los autores presentan un benchmark comparativo de tres estimadores de estado de código abierto representativos para robots cuadrúpedos, todos operando en modo exclusivamente propioceptivo en la secuencia CYN-1 del Conjunto de Datos GrandTour. Todos los métodos estiman la pose de base flotante $(R, p) \in SO(3) \times \mathbb{R}^3$ y la velocidad del cuerpo $v \in \mathbb{R}^3$.

1. MUSE (Estimador de Estado Unificado Multi-sensor)

• Paradigma: Pila de fusión modular en tiempo real (Filtrado).
• Mecanismo: En este estudio, MUSE opera puramente de manera propioceptiva, deshabilitando los bloques exteroceptivos. Utiliza un Observador No Lineal (NLO) en cascada y un Filtro de Kalman Exógeno (XKF) para la estimación de actitud, garantizando estabilidad global. La odometría de las piernas se deriva de la cinemática directa de las piernas en contacto estable. Estas mediciones se fusionan mediante un Filtro de Kalman para obtener la pose y el tornillo (twist).
• Característica clave: Diseñado para la robustez y el rendimiento en tiempo real, capaz de manejar grandes errores iniciales de orientación debido a su observador de actitud globalmente estable.

2. Filtro de Kalman Extendido Invariante (IEKF)

• Paradigma: Filtrado Invariante.
• Mecanismo: Formulado en un sistema de afinidad grupal donde la dinámica del error invariante a la derecha es independiente del estado. Esta estructura mejora la convergencia y la consistencia, particularmente durante eventos de contacto.
• Detalles del Mecanismo: La propagación integra datos de la IMU, mientras que las actualizaciones asumen contacto estable (velocidad de pie cero). Aprovecha las estructuras de grupos de Lie para linealizar la dinámica del error, incorporando costos de medición robustos y conciencia de deslizamiento.

3. Suavizador Invariante (IS)

• Paradigma: Suavizado de retardo fijo (Máxima Probabilidad A Posteriori).
• Mecanismo: A diferencia del IEKF, que actualiza solo el estado más reciente, el IS optimiza sobre una ventana fija de estados ($n$) y mediciones. Formula el problema como un problema de mínimos cuadrados no lineales utilizando residuos conscientes de la estructura adaptados de las propiedades de afinidad grupal del IEKF.
• Característica clave: Al optimizar sobre una ventana, logra una mayor tolerancia a contactos dinámicos (por ejemplo, deslizamientos) y una mayor precisión, pero a costa de una carga computacional aumentada y una latencia algorítmica proporcional al tamaño de la ventana.

Métricas de Evaluación

El estudio emplea métricas estándar calculadas mediante el paquete Python evo:

• Error de Trayectoria Absoluta (ATE): Mide la precisión de la pose global y la deriva acumulada alineando la trayectoria estimada con la verdad fundamental mediante el alineamiento Umeyama SE(3).
• Error de Pose Relativa (RPE): Mide la precisión a corto plazo. Evaluado bajo dos esquemas:
  • Ventana espacial ($\Delta = 1$ m): Sonda la deriva a escala de metros.
  • Ventana temporal ($\Delta = 1$ cuadro): Sonda la consistencia cuadro a cuadro y la sensibilidad al jitter de la medición.
• RMSE de Velocidad: Evalúa la precisión de los perfiles de velocidad estimados.
• Tiempo de Ejecución: Tiempo de computación por actualización medido en una pila de hardware/software fija.

Resultados Clave

Precisión

• Largo plazo (ATE): Tanto el IEKF como el Suavizador Invariante (IS) lograron un ATE menor que MUSE. La diferencia entre el mejor (IS) y el peor (MUSE) fue de aproximadamente 0.91 m sobre una trayectoria de 300 m (aprox. 0.3%). Esto sugiere que el modelado de afinidad grupal y la regularización por suavizado ayudan a reducir la deriva acumulada.
• Corto plazo (RPE):
  • En $\Delta = 1$ m: IEKF e IS superaron significativamente a MUSE (reducción de aprox. 40% en RPE traslacional), indicando un mejor manejo de errores sistemáticos que se acumulan a lo largo de múltiples actualizaciones.
  • En $\Delta = 1$ cuadro: IEKF y MUSE exhibieron un RPE menor que IS (reducción de aprox. 72% y 66%, respectivamente). Esto sugiere que la fusión a mayor tasa en los filtros suprime mejor el ruido de alta frecuencia en comparación con el enfoque de suavizado en esta métrica específica.
  • RPE Rotacional: Los resultados fueron ampliamente similares entre todos los métodos.
• Velocidad: Los tres métodos proporcionaron perfiles de velocidad precisos con pequeñas diferencias en RMSE.

Tiempo de Ejecución y Latencia

• MUSE: El más rápido, con un tiempo de ejecución promedio de $\approx 0.012$ ms por iteración.
• IEKF: Ligeramente más lento, $\approx 0.02$ ms por iteración.
• Suavizador Invariante: Muestra una clara compensación entre precisión y latencia dependiente del tamaño de la ventana (WS).
  • WS = 1: $\approx 0.110$ ms.
  • WS = 5: $\approx 0.583$ ms.
  • Nota: El suavizado de retardo fijo introduce una latencia algorítmica proporcional al retardo, lo que puede retrasar las estimaciones de estado dependiendo de la implementación de la tubería.

Comportamiento de Convergencia

Bajo grandes errores iniciales de orientación (desalineación de 180 grados en el rollo), los tres estimadores convergieron a la orientación correcta. Sin embargo, MUSE convergió más rápido que IEKF e IS. Esto se atribuye al diseño del observador de actitud globalmente estable de MUSE, mientras que IEKF e IS dependen de la linealización local, la cual puede ser violada por grandes errores iniciales, lo que lleva a una convergencia más lenta.

Significado y Contribuciones

El artículo proporciona una instantánea concisa y reproducible de las compensaciones entre precisión, latencia y costo computacional para sistemas de cuadrúpedos desplegable. Sus contribuciones principales son:

1. Comparación Directa: Una evaluación "manzana con manzana" de tres paradigmas de estimación distintos y de alto rendimiento (MUSE, IEKF, IS) sobre un conjunto de datos real compartido.
2. Orientación para Practicantes: Datos claros sobre cómo diferentes métricas (ATE vs. RPE a diferentes escalas) y restricciones computacionales (latencia vs. precisión) influyen en la selección del estimador.
3. Reproducibilidad de Código Abierto: La liberación de una tubería de benchmarking completa, incluyendo código, documentación y herramientas de procesamiento de datos, para facilitar futuros benchmarks estandarizados.

Los autores concluyen que, aunque el suavizado (IS) ofrece una superior precisión a largo plazo, los filtros (MUSE, IEKF) ofrecen menor latencia y potencialmente una mejor supresión de ruido a corto plazo. La elección del estimador debe estar dictada por los requisitos específicos de la aplicación en cuanto a consistencia global, frecuencia del bucle de control y recursos de computación disponibles. El estudio no afirma resolver todos los desafíos de estimación de estado, sino que busca aclarar el panorama actual para los practicantes.