Resumen Técnico: Cuatro Estimadores Propioceptivos Simples para Robots Caminantes

Enunciado del Problema

Los robots caminantes dependen de Unidades de Medición Inercial (IMU) para la estimación de movimiento a alta tasa. Sin embargo, las IMU de grado comercial sufren de ruido que provoca una deriva de integración significativa con el tiempo. Aunque los pies proporcionan restricciones geométricas intermitentes mediante el contacto con el entorno, estas restricciones solo están disponibles durante la fase de apoyo. El desafío central abordado por este artículo es cómo combinar efectivamente los datos inerciales de alta tasa con las restricciones intermitentes de contacto de los pies para mitigar la deriva y lograr una estimación de estado propioceptivo robusta (actitud, posición, velocidad y sesgos de la IMU) sin depender de sensores exteroceptivos como LiDAR o cámaras.

Metodología

Los autores proponen un desarrollo incremental de cuatro estimadores de estado, todos aprovechando un marco de filtrado invariante asistido por contacto en el grupo de Lie $SEK(3)$. El estado de base flotante $X^N_B$ se define como $(R^N_B, p^N_B, v^N_B)$, representando la orientación, la posición y la velocidad en el marco de navegación.

Las cuatro variantes son:

1. Filtro EKF Invariante (Inv. EKF):

   • Fundamento: Basado en el EKF invariante asistido por contacto de Hartley et al. (2020) y el paradigma de filtrado invariante de Barrau y Bonnabel (2017).
   • Representación del Estado: Utiliza un grupo de Lie de producto semidirecto $SE_{k+2}(3)$ donde el estado incluye la pose/velocidad de la base y $k$ apoyos almacenados como puntos en el marco de navegación. Las perturbaciones se definen en el marco del cuerpo.
   • Predicción: Utiliza un modelo de predicción de grupo de Lie lineal izquierdo impulsado por muestras de la IMU, descomponiendo el movimiento en gravedad, deriva autónoma e incrementos de la IMU en el marco del cuerpo.
   • Actualización: Corrección secuencial EKF. Las actualizaciones de contacto son impulsadas por eventos (activadas por el contacto con el suelo o un tiempo de espera periódico) en lugar de ejecutarse a la tasa completa de ángulos articulares.
   • Manejo de Contacto: Trata los pies en apoyo como hitos temporales. Cuando un pie se levanta, su estado se marginaliza fuera del vector de estado de tamaño fijo.

2. Filtro de Actualización Gráfica (Inv. IEKF):

   • Modificación: Mantiene el mismo modelo de predicción y representación de estado invariante que el EKF.
   • Mecanismo de Actualización: Reemplaza la actualización de medición secuencial del EKF con un pequeño grafo de factores no lineal local resuelto mediante optimización Levenberg-Marquardt.
   • Beneficio: Los contactos simultáneos se resuelven conjuntamente en lugar de secuencialmente, permitiendo un manejo simétrico de múltiples pies en apoyo en un solo paso de tiempo.

3. Suavizador de Retardo Fijo con Sesgo Único (FL-Single):

   • Modificación: Extiende el concepto de grafo local a una ventana de tiempo corta (retardo fijo).
   • Representación del Estado: Pasa de un estado de tamaño fijo a variables de hito explícitas en el marco de navegación para "episodios de contacto" (distinguiendo entre diferentes instancias de contacto del mismo pie).
   • Modelado Inercial: Utiliza factores de IMU preintegrados (Forster et al., 2017) para acumular datos de IMU de alta tasa entre eventos de contacto.
   • Sesgo: Asume una única variable de sesgo de IMU persistente compartida en toda la ventana.

4. Suavizador de Retardo Fijo Combinado con Sesgo Evolutivo (FL-Combined):

   • Modificación: Relaja la suposición de sesgo constante.
   • Representación del Estado: Modela el sesgo como una trayectoria evolutiva (cadena de Markov/camino aleatorio) donde cada evento de contacto tiene sus propias variables de pose, velocidad y sesgo.
   • Modelado Inercial: Utiliza factores preintegrados extendidos que conectan estados de base vecinos y estados de sesgo vecinos, modelando la evolución del sesgo.

Detalles de Implementación:

• Los estimadores no utilizan ángulos articulares como mediciones; asumen que un front-end proporciona puntos de pie 3D en el marco del cuerpo.
• Las actualizaciones de contacto se activan por eventos de contacto con el suelo o un intervalo de tiempo máximo ($\Delta t_{max} = 100$ ms).
• Todas las variantes están implementadas en GTSAM y proporcionadas como un paquete compatible con ROS2.

Contribuciones Clave

• Marco Incremental: Una progresión sistemática desde un EKF invariante estándar hasta un suavizador de retardo fijo con sesgo evolutivo, aislando el impacto de las actualizaciones basadas en grafos y la modelación del sesgo.
• Simplicidad y Reproducibilidad: Los autores evitan deliberadamente grafos de factores de cadenas cinemáticas complejas o mediciones de ángulos articulares, centrándose en una implementación limpia y reproducible disponible en GTSAM.
• Actualizaciones Impulsadas por Eventos: Se demuestra que el uso de actualizaciones activadas por contacto con el suelo (en lugar de actualizaciones de articulaciones de alta tasa) es beneficioso para reducir la deriva.
• Código Abierto: Se proporciona la implementación completa de las cuatro variantes para facilitar la investigación futura en odometría propioceptiva de robots caminantes.

Resultados Experimentales

Los estimadores se evaluaron en el conjunto de datos GaRLILEO (utilizando una plataforma Boston Dynamics Spot) a través de secuencias interiores y exteriores, incluyendo bucles planos, escaleras, pendientes y túneles. La evaluación comparó las cuatro variantes de GTSAM contra líneas base existentes: Pronto, MUSE y Holistic Fusion.

Aspectos Destacados del Rendimiento:

• Precisión General: Las variantes de GTSAM lograron generalmente errores acumulados más bajos (Error de Posición Absoluta - APE) que las líneas base, particularmente en los componentes traslacionales y verticales.
• Secuencias 2D (Planas): Las variantes de retardo fijo (FL-Single y FL-Combined) redujeron consistentemente la deriva traslacional y vertical en comparación con las variantes de filtrado y las líneas base.
• Secuencias 3D (Cambio de Elevación):
  • FL-Combined a menudo logró el mejor error de pose relativa (RPE) y error de pose absoluta (APE) en dimensiones horizontales, particularmente en secuencias complejas como "Overpass".
  • Compensación en Precisión Vertical: Aunque FL-Combined mejoró la precisión horizontal, a veces exhibió una mayor deriva vertical (APEz) en secuencias de escaleras y pendientes en comparación con FL-Single o las variantes de filtrado. Los autores sugieren que los grados de libertad adicionales en el modelo de sesgo evolutivo pueden permitir que el optimizador absorba impactos verticales transitorios inducidos por el contacto en la estimación del sesgo, lo cual es subóptimo para la precisión vertical en estos escenarios específicos.
  • FL-Single surgió como un punto medio estable, mejorando los errores acumulados sobre los filtros mientras mantenía una precisión vertical más robusta que FL-Combined en ciertas secuencias de cambio de elevación.

Significado y Afirmaciones

El artículo afirma que estos estimadores "simples" proporcionan una línea base competitiva para la odometría propioceptiva de robots caminantes sin requerir sensores exteroceptivos. El significado radica en demostrar que:

1. Filtrado Invariante: La representación de filtrado invariante basada en $SEK(3)$ proporciona una base sólida con Jacobianos de predicción independientes del estado.
2. Beneficios del Suavizado: El suavizado de retardo fijo suprime efectivamente la deriva traslacional y vertical acumulada al retener episodios de contacto recientes y restricciones inerciales dentro de una ventana deslizante.
3. Compensaciones Prácticas: Existe una distinción clara entre la expresividad del estimador y la precisión vertical. Si bien los modelos de sesgo evolutivo (FL-Combined) mejoran la precisión relativa y horizontal, pueden no ser uniformemente beneficiosos para la deriva vertical en todos los terrenos. Los autores sugieren que una modelación más cuidadosa del sesgo de la IMU podría mitigar este problema.

El trabajo sirve como un punto de referencia reproducible y una base modular para futuras investigaciones en la estimación de estado de robots caminantes.