GAIT: Legged Robot Proprioceptive State Estimation with Attention over Inertial-Leg Tokens

Resumen Técnico: GAIT: Estimación de Estado Propioceptivo para Robots con Piernas mediante Atención sobre Tokens Inerciales-Pierna

Planteamiento del Problema
La estimación precisa y robusta del estado propioceptivo es crítica para la locomoción de robots con piernas, particularmente en entornos donde los sensores exteroceptivos (cámaras, LiDAR) pueden fallar debido a limitaciones de iluminación o de geometría. Si bien los estimadores de estado basados en aprendizaje existentes han mejorado la robustez al deslizamiento en comparación con los métodos heurísticos basados en modelos, a menudo sufren de una pobre generalización cuando se despliegan en terrenos o patrones de marcha no vistos. Esta limitación surge porque las arquitecturas estándar típicamente concatenan todas las mediciones de los sensores en un único vector plano, obligando a la red a aprender implícitamente la fiabilidad variable de las mediciones cinemáticas sin un mecanismo estructural explícito que distinga entre el contacto y el no contacto de las piernas. En consecuencia, estos modelos suelen sobreajustarse a los patrones de contacto específicos observados durante el entrenamiento y se degradan ante cambios en la distribución, como el deslizamiento o terrenos no modelados.

Metodología
El artículo propone GAIT, un marco de estimación de estado propioceptivo basado en atención que incorpora sesgos inductivos en la arquitectura de la red para manejar la fiabilidad de las mediciones dependiente del contacto. El sistema consta de dos componentes primarios:

1. Red de Estimación de Estado Basada en Atención con Tokenización IL (Inercial-Pierna):

   • Tokenización Inercial-Pierna (IL): En lugar de aplanar las entradas, la red representa las mediciones inerciales (IMU) y las mediciones cinemáticas por pierna (posición de la articulación, velocidad y error de seguimiento) como tokens individuales. Específicamente, crea tokens separados para cada pierna y para los sensores inerciales.
   • Arquitectura: La red utiliza un codificador Perceiver IO con atención cruzada. Los tokens latentes consultan (query) a los tokens de entrada (inerciales y por pierna) para aprender la importancia relativa de cada medición basada en el estado actual. Esto permite que la red adapte el peso de las mediciones cinemáticas de las piernas de acuerdo con si un pie está en contacto, sin requerir un estimador de contacto explícito.
   • Modelado Temporal: Las entradas tokenizadas se procesan con incrustaciones posicionales 2D (que cubren el eje "IL" y el eje "historia") y se pasan a través de Unidades Recurrentes Gated (GRUs) para capturar dependencias temporales.
   • Salida: La red predice la velocidad lineal en el marco del cuerpo ($\bar{v}_B$) y su incertidumbre asociada ($\bar{u}$), la cual se parametriza como una matriz de covarianza diagonal.
   • Estrategia de Entrenamiento: Se emplea una función de pérdida de dos etapas. Inicialmente, se utiliza el Error Absoluto Medio (MAE) para la estabilidad, seguido de una pérdida de Máxima Verosimilitud Gaussiana para entrenar conjuntamente la predicción de velocidad y su incertidumbre. Los datos de entrenamiento se generan en simulación (RaiSim) utilizando un robot Unitree Go1, exclusivamente con datos de marcha de trote (trot). Notablemente, se añade ruido Gaussiano solo a las mediciones de la IMU durante el entrenamiento para prevenir problemas de correlación entre la propagación del filtro y las actualizaciones.

2. Filtro de Kalman Extendido Invariante (IEKF):

   • La velocidad lineal predicha del cuerpo y su incertidumbre se integran en un IEKF como una pseudo-medición.
   • A diferencia de los IEKFs tradicionales asistidos por contacto, este enfoque no depende de la estimación de contacto explícita ni de actualizaciones de velocidad cero basadas en supuestos de contacto estacionario. En su lugar, trata la predicción de velocidad de la red como una observación invariante por la derecha, lo que permite que el filtro funcione de manera robusta incluso cuando los supuestos de contacto se violan (por ejemplo, durante un deslizamiento).

Contribuciones Clave

• Tokenización IL: La introducción de una arquitectura tokenizada que separa las mediciones inerciales y por pierna, proporcionando un sesgo inductivo para representar las variaciones de la fiabilidad de la medición dependientes del contacto.
• Aprendizaje Agnóstico al Contacto: El método aprende a reponderar las mediciones basándose en las condiciones de contacto sin depender de estimadores de contacto explícitos o mecanismos heurísticos de rechazo de deslizamiento.
• Integración Consciente de la Incertidumbre: La red predice conjuntamente la velocidad y la incertidumbre, permitiendo una integración más fiable de las pseudo-mediciones aprendidas dentro del marco del filtrado de Kalman.
• Generalización: El marco demuestra robustez ante patrones de marcha no vistos (bound, pace, pronk) y terrenos no modelados (escombros) a pesar de haber sido entrenado exclusivamente con datos de marcha de trote simulados.

Resultados Experimentales
Los experimentos se realizaron en un robot Unitree Go1 a través de varios terrenos, incluyendo caucho, superficies resbaladizas (polvo de ácido bórico) y terreno de escombros no modelado. El sistema fue probado tanto en la marcha de entrenamiento (trot) como en marchas no vistas (bound, pace, pronk).

• Predicción de Velocidad: El método propuesto logró un Error Cuadrático Medio (RMSE) más bajo en la predicción de la velocidad lineal en el marco del cuerpo en comparación con los métodos de aprendizaje de base (NMN) y los IEKF basados en modelos en la mayoría de los terrenos. Notablemente, en el terreno de escombros no modelado, el método propuesto superó a la variante "sin token IL", indicando que la tokenización ayuda a manejar geometrías de contacto no modeladas.
• Estimación de Estado: Al integrarse con el IEKF, este marco propuesto redujo el Error de Trayectoria Absoluto (ATE) y el Error Relativo (RE) en posición y velocidad en comparación con los IEKF asistidos por contacto y otros baselines de aprendizaje. La variante "sin token IL" mostró un error de posición significativamente mayor (un 73.6% más de REpos en promedio), resaltando la importancia del esquema de tokenización.
• Generalización a Marchas No Vistas: Aunque fue entrenado solo en trote, la red propuesta mantuvo errores de predicción más bajos que los baselines cuando se probó en las marchas bound, pace y pronk. En contraste, otros baselines de aprendizaje mostraron errores mayores que el IEKF basado en modelos bajo estas condiciones de marcha no vistas.
• Análisis de Atención: La visualización de los pesos de atención reveló que la red ajusta dinámicamente el enfoque. Durante las fases de vuelo (por ejemplo, en la marcha pronk), la atención se desplaza hacia los tokens inerciales (especialmente acelerómetros), y la incertidumbre predicha aumenta, reflejando correctamente la pérdida de observabilidad de la cinemática de las piernas. Durante las fases de contacto, la atención pondera adecuadamente los tokens de las piernas.

Significancia y Reivindicaciones
El artículo sostiene que incorporar sesgos estructurales (sesgos inductivos) en las arquitecturas de redes neuronales es una estrategia efectiva para mejorar la generalización de los estimadores de estado basados en aprendizaje. Al modelar explícitamente la relación estructural entre las condiciones de contacto y la fiabilidad de la medición mediante la tokenización y la atención, el método propuesto logra una robustez comparable o superior a los enfoques basados en modelos sin requerir la estimación de contacto explícita o el ajuste heurístico. Los resultados sugieren que este marco puede manejar eficazmente los cambios de distribución causados por terrenos y patrones de marcha no vistos, convirtiéndose en una solución viable para la retroalimentación propioceptiva de alta frecuencia y fiable para robots con piernas que operan en entornos complejos del mundo real.