Resumen Técnico: OCELOT – Odometría y Estimación de Contacto para Robots Patas

Enunciado del Problema

La odometría precisa para robots patas en terrenos no estructurados y irregulares sigue siendo un desafío significativo, particularmente cuando se depende exclusivamente de sensores propioceptivos a bordo (IMU, codificadores de articulaciones y sensores de fuerza). A diferencia de los robots con ruedas, los sistemas patas experimentan dinámicas de contacto intermitentes donde los pies hacen y rompen el contacto con el suelo de forma cíclica. La limitación fundamental de la odometría patas propioceptiva es la no observabilidad de la posición y la orientación absolutas cuando se depende exclusivamente de sensores fijos al cuerpo. Aunque los Filtros de Kalman de Estado de Error Extendidos (ESEKF) son el marco dominante para propagar el estado mediante Sistemas de Navegación Inercial (INS) y corregir la deriva utilizando Actualizaciones de Velocidad Cero (ZUPTs), su eficacia depende de identificar con precisión cuándo un pie se encuentra en una fase de "apoyo" estacionaria. Los métodos existentes de estimación de contacto a menudo luchan con el deslizamiento de los pies, no logran adaptarse a las características variables del terreno o dependen de hardware suplementario (por ejemplo, IMUs montadas en el pie) y clasificadores basados en aprendizaje que carecen de incertidumbre calibrada.

Metodología

El artículo propone OCELOT, una tubería completa de odometría patas basada en un ESEKF que depende exclusivamente de datos propioceptivos estándar: una IMU fija al cuerpo, codificadores de articulaciones y sensores de fuerza en los pies. La innovación central reside en un módulo fusionado de detección de contacto y cuantificación de incertidumbre diseñado para identificar y rechazar explícitamente el deslizamiento.

1. Marco de Estimación de Estado

El sistema emplea un ESEKF donde el estado se separa en un estado nominal no lineal (posición, velocidad, orientación, sesgos de la IMU) y un estado de error lineal.

• Propagación: El estado nominal se propaga utilizando mediciones de la IMU corregidas por sesgo mediante integración de Euler.
• Corrección: El filtro corrige la deriva cuando se determina que un pie está en apoyo, asumiendo que la velocidad del pie relativa al marco del mundo es cero ($v^W_{foot} = 0$).

2. Detección de Contacto Fusionada

Para determinar robustamente las fases de apoyo, el sistema ejecuta dos detectores paralelos para cada pie y fusiona sus salidas:

• Detector 1: FSM Guiada por GMM Basada en Fuerza

  • Utiliza datos de Fuerza de Reacción del Suelo (GRF) para determinar el contacto físico.
  • En lugar de umbrales fijos, emplea un Modelo de Mezcla Gaussiana (GMM) ajustado a una ventana deslizante de datos históricos de fuerza para identificar autónomamente distribuciones bimodales (balanceo vs. apoyo).
  • Una Máquina de Estados Finitos (FSM) utiliza umbrales generados dinámicamente ($F_{on}$, $F_{off}$) para gestionar las transiciones de estado, adaptándose a diferentes características de la superficie sin ajuste manual.
  • Genera una puntuación de calidad continua ($q_{FSM}$) que representa la probabilidad de carga física.

• Detector 2: GLRT Basada en Cinemática

  • Utiliza la velocidad del pie estimada derivada de la IMU del cuerpo y la cinemática de las articulaciones.
  • Aplica una Prueba de Razón de Verosimilitud Generalizada (GLRT) para evaluar la hipótesis de que el pie está estacionario ($H_0$) frente a que se mueve ($H_1$).
  • A diferencia de trabajos anteriores que requieren IMUs montadas en el pie, este método depende exclusivamente de la IMU del cuerpo principal y modelos cinemáticos.
  • Genera una puntuación de calidad continua ($q_{GLRT}$) que representa la estacionariedad cinemática.

3. Cuantificación Adaptativa de la Incertidumbre

Las dos puntuaciones se fusionan utilizando una "puerta AND suave" multiplicativa ($q_{final} = q_{FSM} \times q_{GLRT}$). Esto asegura una puntuación de alta confianza solo cuando el pie está tanto físicamente cargado como cinemáticamente estacionario.

• Covarianza Dinámica: La puntuación fusionada se utiliza para calcular una matriz de covarianza de ruido de medición adaptativa ($R_i$) para el ESEKF.
  • Alta confianza (sin deslizamiento) $\rightarrow$ Baja covarianza (corrección fuerte).
  • Baja confianza (deslizamiento o ruido) $\rightarrow$ Alta covarianza (el filtro reduce el peso de la medición).
• Filtrado: Un paso de filtrado basado en innovaciones (prueba $\chi^2$) rechaza aún más los valores atípicos estadísticos antes de la corrección final.

Contribuciones Clave

1. Marco Novel de Detección de Contacto: Una fusión de un FSM-GMM basado en fuerza y un detector GLRT basado en cinemática que elimina la necesidad de sensores suplementarios montados en el pie mientras genera una puntuación de calidad de contacto continua.
2. Estimación Adaptativa de la Incertidumbre: Un método para traducir la puntuación de calidad de contacto fusionada en una covarianza de medición dinámica ($R_i$), permitiendo que el ESEKF pese inteligentemente las mediciones basándose en la fiabilidad y rechace robustamente los eventos de deslizamiento.
3. Tubería de Código Abierto ESEKF: Un estimador de estado completo para odometría patas cuadrúpeda utilizando únicamente sensores propioceptivos a bordo.
4. Conjunto de Datos Multi-Terreno: Un conjunto de datos públicamente disponible que comprende 29 secuencias (2.4 km en total) en diversos terrenos (hormigón, baldosa, césped, guijarro, roca), incluyendo datos propioceptivos sincronizados, video RGB y nubes de puntos.

Resultados Experimentales

Los autores evaluaron OCELOT frente a baselines propioceptivos seminales (Bloesch et al., Hartley et al.) y sistemas de Odometría Visual-Inercial (VIO) de última generación (OpenVINS, VINS-Fusion) en su conjunto de datos personalizado.

• Comparación Propioceptiva: OCELOT superó significativamente a los métodos propioceptivos existentes en todos los tipos de terreno y métricas (ATE, AHE, RPE, Deriva).
  • En terreno de Roca, OCELOT logró un Error de Trayectoria Absoluta (ATE) de 6.857 m, en comparación con 15.028 m (Hartley et al.) y 30.876 m (Bloesch et al.).
  • En Hormigón, OCELOT redujo el ATE a 12.019 m, una mejora sustancial sobre las líneas base.
• Comparación Exteroceptiva: A pesar de utilizar únicamente sensores propioceptivos, OCELOT superó a los sistemas VIO en terrenos granulares desafiantes (guijarro, roca) y superficies deformables (césped).
  • En Roca, los sistemas VIO fallaron significativamente (OpenVINS ATE: 27.279 m; VINS-Fusion: 15.719 m), mientras que OCELOT mantuvo un ATE de 6.857 m.
  • Los autores señalan que los sistemas VIO tuvieron dificultades en superficies altamente dinámicas y pobres en características (hormigón, baldosa), lo que llevó a la divergencia, mientras que OCELOT permaneció robusto.
• Estudios de Ablación:
  • Necesidad de Fusión: El estudio de ablación demostró que ningún detector por sí solo es suficiente. El detector solo GLRT sufrió de ruido cinemático acumulado en trayectorias largas (por ejemplo, 23.161 m ATE en hormigón), mientras que el detector solo FSM falló en secuencias específicas (por ejemplo, 9.577 m ATE en Baldosa) donde los datos de fuerza por sí solos mal clasificaron el contacto. El modelo fusionado logró consistentemente el error más bajo o casi el más bajo en todos los terrenos.
  • Impacto de la Covarianza: El análisis de sensibilidad confirmó que la cuantificación precisa de la covarianza es crítica; subestimar la covarianza (forzar una alta confianza en datos ruidosos) condujo a una deriva lateral severa y divergencia de guiñada, un modo de fallo observado en los métodos base que utilizaron covarianzas estáticas o mal escaladas.

Significado y Afirmaciones

El artículo afirma que OCELOT proporciona una solución robusta para la odometría patas en entornos donde el deslizamiento es prevalente y los sensores externos (como cámaras) pueden fallar debido a la falta de características o a la iluminación dinámica. Al modelar explícitamente la incertidumbre del contacto y fusionar datos de fuerza y cinemática, el método logra una estimación de estado precisa sin la sobrecarga computacional del procesamiento visual ni la complejidad de hardware de los sensores montados en el pie. Los autores enfatizan que su enfoque maneja efectivamente el problema de la "no observabilidad" de la orientación absoluta en sistemas propioceptivos asegurando que solo se utilicen mediciones de alta calidad y sin deslizamiento para corregir el filtro, evitando así la divergencia de guiñada común en otros métodos. La publicación del conjunto de datos y el código tiene como objetivo facilitar la investigación futura en robótica patas y odometría multimodal.