Resumen Técnico: Aprendizaje de la Representación de Contacto para la Odometría de Piernas

Planteamiento del Problema

La odometría de robots con patas depende fundamentalmente del supuesto de que la velocidad del pie respecto al mundo es cero durante la fase de apoyo, una restricción conocida como Actualización de Velocidad Cero (ZUPT, por sus siglas en inglés). Este supuesto permite que las cadenas cinemáticas corrijan la deriva de la velocidad del cuerpo principal. Sin embargo, la precisión de todo el flujo de estimación de estado está limitada por la precisión del algoritmo de detección de contacto.

Los enfoques actuales enfrentan desafíos significativos:

• Limitaciones de los Sensores: Muchos métodos dependen de sensores de Fuerza de Reacción del Suelo (GRF) en la punta del pie. Estos sensores son propensos a fallos mecánicos, ruido inducido por impactos y suelen estar ausentes en plataformas desplegadas con sensores mínimos.
• Deslizamiento y Perturbaciones: Incluso cuando los sensores GRF están presentes, pueden no responder a perturbaciones no modeladas como el deslizamiento mientras el pie está en contacto con el suelo.
• Defectos de la Clasificación Binaria: Tratar el contacto como un estado binario (apoyo vs. oscilación) simplifica excesivamente las complejas interacciones entre el pie y el terreno. Los umbrales rígidos suelen fallar al no considerar las fases transitorias (despegue/contacto) o el ruido del sensor, lo que conduce a actualizaciones de medición incorrectas en los estimadores de estado.
• Dependencia de Etiquetas: Los enfoques de aprendizaje supervisado requieren pseudo-etiquetas derivadas de los datos GRF, las cuales heredan el ruido y las limitaciones de los propios sensores de fuerza.

Metodología

Los autores proponen un marco de aprendizaje de representación autosupervisado que utiliza únicamente sensores propioceptivos estándar (codificadores de articulación) para detectar el contacto, eliminando la necesidad de aumentar con sensores de fuerza o de etiquetado humano.

1. Marco de Estimación de Estado

El sistema emplea un Filtro de Kalman Extendido de Estado de Error (ESEKF). En lugar de filtrar estados nominales directamente, descompone el sistema en un estado nominal no lineal y un estado de error lineal. El filtro utiliza una función de medición basada en la velocidad predicha en el marco del mundo del pie en apoyo. Crucialmente, la matriz de covarianza de la medición se escala dinámicamente basándose en la probabilidad continua del estado de apoyo, en lugar de utilizar una covarianza constante o un umbral rígido.

2. Arquitecturas de Detección de Contacto

El estudio compara tres enfoques distintos para la detección de contacto:

• Línea Base No Supervisada (HMM-GMM): Un Modelo Oculto de Márkov (HMM) donde las probabilidades de emisión están modeladas por un Modelo de Mezcla Gaussiana (GMM) ajustado directamente a los datos cinemáticos brutos (posición vertical del pie, velocidad 3D del pie y torque de la pantorrilla). Este enfoque está limitado por el supuesto de que los datos cinemáticos brutos siguen una distribución Gaussiana bimodal, lo cual los autores demuestran que a menudo no es el caso debido a las intersecciones no lineales entre los colectores (manifolds) de apoyo y oscilación.
• Líneas Base Supervisadas (CNN/GRU): Redes neuronales profundas (CNN de 1D y Unidad Recurrente con Puertas - GRU) entrenadas mediante pérdida de Entropía Cruzada Binaria. Estos modelos utilizan pseudo-etiquetas derivadas de GRF como verdad de terreno para mapear la cinemática hacia estados de contacto binarios.
• Marco Autosupervisado Propuesto (DAE-GMM):
  • Autoencoder de Denotación (DAE): Una red neuronal (basada en CNN o GRU) que se entrena para reconstruir la secuencia cinemática original a partir de una versión ruidosa y aumentada de la entrada. El objetivo es aprender una representación latente ($Z$) donde los estados físicos subyacentes (apoyo vs. oscilación) se desentrañan naturalmente.
  • Modelado del Espacio Latente: Los códigos latentes producidos por el codificador se ajustan con un GMM de 2 componentes sin supervisión. Esto aisla los modos de contacto físico en colectores probabilísticos distintos.
  • Creencia Continua: A diferencia de los clasificadores binarios, este marco produce una probabilidad posterior continua del estado de apoyo. Esta probabilidad se utiliza para escalar la covarianza de la medición en el ESEKF, permitiendo que el filtro rechace dinámicamente los datos de medición poco fiables (por ejemplo, durante el deslizamiento o la oscilación) sin umbrales rígidos.

3. Características de Entrada

Para evitar la "maldición de la dimensionalidad" y las matrices de covarianza mal condicionadas, los modelos utilizan un subconjunto específico de 5 dimensiones de características:

• Posición vertical del pie relativa a la base ($p^B_{foot,z}$).
• Velocidad 3D del pie estimada por cinemática directa ($v^B_{rel}$).
• Torque estimado de la pantorrilla ($\tau_{calf}$).

Contribuciones Clave

1. Aprendizaje de Representación Libre de Etiquetas: Un marco autosupervisado que extrae probabilidades de contacto continuas estrictamente de la cinemática de las articulaciones sin depender de sensores GRF o pseudo-etiquetas.
2. Formulación de ESEKF Dinámica: Un modelo de incertidumbre de medición impulsado por la creencia generativa latente, que escala la matriz de covarianza de la medición dinámicamente en lugar de usar umbrales estáticos.
3. Validación Empírica de la Estimación de Densidad de Probabilidad: Evidencia que sugiere que la detección de contacto se formula mejor como una tarea de estimación de densidad de probabilidad autosupervisada en lugar de una tarea de clasificación binaria supervisada. El estudio demuestra que una mayor precisión de clasificación en pseudo-etiquetas no necesariamente se correlaciona con un mejor desempeño de la odometría descendente.

Resultados Experimentales

El marco fue evaluado en el conjunto de datos de simulación TartanGround y en un conjunto de datos del mundo real que involucra terrenos de concreto, hierba y roca.

• Clasificación vs. Odometría: Mientras que los modelos supervisados (CNN/GRU) lograron métricas de clasificación más altas (Precisión/Recall/F1) contra las pseudo-etiquetas basadas en GRF, tuvieron un desempeño inferior en las tareas de odometría de piernas en comparación con los métodos autosupervisados propuestos.
• Robustez al Deslizamiento: En escenarios que involucran deslizamiento, los modelos supervisados tendieron a sobreestimar la duración del apoyo porque dependían de señales GRF ruidosas. Los métodos DAE autosupervisados identificaron correctamente la falta de un apoyo fiable, produciendo probabilidades de apoyo cercanas a cero durante el contacto inestable, evitando así correcciones de estado erróneas.
• Precisión de la Odometría: Los métodos DAE (CNN) y DAE (GRU) propuestos lograron los errores más bajos de Error de Trayectoria Absoluta (ATE), Error de Orientación Absoluta (AHE) y otras métricas de error tanto en simulaciones como en pruebas del mundo real.
  • En pruebas del mundo real, el DAE (CNN) redujo el ATE a 17.20m comparado con 21.95m para el mejor CNN supervisado y 25.36m para el umbral de GRF.
• Contexto Temporal: Los estudios de ablación revelaron que aumentar el tamaño de la ventana de entrada causaba que el espacio latente formara un colector de anillo no lineal debido a la dinámica periódica de la marcha, lo que degradaba el desempeño del GMM. En consecuencia, se encontró que un tamaño de ventana de $W=1$ era óptimo para preservar un espacio latente linealmente separable.

Significado y Reivindicaciones

El artículo afirma que formular la detección de contacto como una tarea de estimación de densidad de probabilidad continua y autosupervisada es un enfoque más robusto que la clasificación binaria supervisada para la odometría de piernas.

• Agnóstico al Hardware: El método permite una estimación de estado robusta en robots que carecen de sensores de fuerza, dependiendo únicamente de los codificadores de articulación estándar.
• Manejo de la Incertidumbre: Al producir una creencia continua en lugar de un estado binario, el sistema puede manejar mejor la ambigüedad inherente de las interacciones entre el pie y el terreno, como el deslizamiento y la compliancia, que los clasificadores binarios suelen malinterpretar.
• Generalización: El enfoque autosupervisado evita los problemas de cambio de dominio asociados con el entrenamiento en pseudo-etiquetas GRF ruidosas, lo que conduce a una mejor generalización en entornos del mundo real.

Los autores concluyen que, si bien la clasificación binaria de contacto es fundamentalmente un problema mal planteado debido a la dinámica no modelada, un enfoque probabilístico y autosupervisado proporciona una base superior para la estimación de estado descendente.