TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions

Imagina a un robot intentando encontrar su camino a través de un mundo que no quiere ser mapeado. Durante décadas, los científicos han enseñado a los robots a navegar usando "ojos": cámaras y láseres que escanean el entorno en busca de puntos de referencia. Pero, ¿qué sucede cuando las luces se apagan, la niebla entra en escena o el robot camina por un bosque denso donde el suelo está cubierto de hojas? Los "ojos" se quedan ciegos. Aquí es donde entra en juego el campo de la odometría propioceptiva. Piensa en ello como el "sentido interno" del robot, similar a cómo puedes saber si estás caminando sobre un suelo resbaladizo o un camino irregular simplemente sintiendo el movimiento en tus propios músculos y articulaciones, sin necesidad de ver tus pies. El desafío, sin embargo, es que este sentido interno es fácilmente engañado. Si el pie de un robot resbala en una roca mojada o se hunde en el lodo blando, sus sensores internos se confunden y empieza a pensar que se mueve en línea recta cuando en realidad se está deslizando lateralmente. Con el tiempo, estos pequeños errores se acumulan y el robot se pierde irremediablemente.

Este artículo presenta una nueva solución llamada TRACE, un sistema inteligente diseñado para ayudar a los robots con patas (como perros de cuatro patas o humanoides) a descifrar dónde se encuentran, incluso cuando sus pies están resbalando, hundiéndose o rodando sobre terrenos extraños. En lugar de depender de reglas rígidas o configuraciones manuales para adivinar si un pie está resbalando, TRACE utiliza un modelo de aprendizaje profundo que actúa como un entrenador altamente experimentado. Observa el historial de movimientos y lecturas de sensores del robot, aprendiendo a ignorar el "ruido" de un pie que resbala y a concentrarse en la "señal" de un paso firme. Los investigadores entrenaron este sistema en un mundo virtual lleno de caos aleatorio —suelos resbaladizos, alfombrillas suaves y bultos impredecibles— y luego lo probaron en un robot real en la naturaleza. Descubrieron que TRACE es significativamente mejor manteniendo al robot en el camino correcto que los métodos anteriores, reduciendo su "deriva" (la distancia que cree estar de su posición real) en más de la mitad en algunas situaciones complicadas.

El problema del "oído interno" del robot

Para entender por vez que TRACE es algo importante, tenemos que observar cómo los robots intentan normalmente contar sus pasos. Imagina que estás caminando en una habitación oscura con los ojos cerrados. Intentas contar tus pasos para saber cuánto has avanzado. Si pisas una cáscara de banana y te deslizas, tu cerebro podría pensar que diste dos pasos cuando en realidad solo diste uno. Para un robot, esto es una pesadilla. Si piensa que avanzó 10 metros pero en realidad solo avanzó 5, eventualmente chocará contra una pared que pensaba que estaba lejos.

Los métodos antiguos intentaban resolver esto usando filtros matemáticos. Estos filtros son como maestros estrictos que dicen: "Si tu pie está en el suelo, debe estar quieto". Pero en el mundo real, los pies no siempre están quietos. Rodan, se hunden en la arena o se deslizan sobre el hielo. Cuando el "maestro estricto" asume que el pie está quieto pero en realidad se está deslizando, las matemáticas fallan y el robot se pierde. Otros métodos intentaron usar cámaras, pero como mencionamos, las cámaras fallan en la oscuridad o en mal tiempo.

Entra TRACE: El "Entrenador Inteligente"

Los autores de este artículo crearon TRACE (Tokenized Robust Attention for Contact-Aware Estimation). En lugar de un maestro estricto, piensa en TRACE como un entrenador inteligente que ha observado miles de horas de robots caminando sobre todo tipo de superficies imaginables.

Así es como funciona en términos simples:

1. Las Entradas: El robot envía constantemente un flujo de datos a TRACE: qué tan rápido está girando (giroscopio), qué tan fuerte está acelerando (acelerómetro) y la posición y velocidad de cada articulación de sus patas.

2. El truco de la "Atención": Esta es la parte mágica. TRACE utiliza un mecanismo llamado atención cruzada (cross-attention). Imagina que el robot tiene cuatro patas y cada pata le grita su estado al entrenador.

   • Pata 1 dice: "¡Estoy en suelo sólido! ¡Estoy estable!"
   • Pata 2 dice: "¡Estoy deslizándome en el hielo! ¡Soy inútil en este momento!"
   • Pata 3 dice: "¡Me estoy hundiendo en el lodo!"
   • Pata 4 dice: "¡Estoy en el aire, balanceándome!"

   En el pasado, el robot tenía que adivinar a qué pata escuchar basándose en una regla simple (como "si la fuerza es baja, está en el aire"). TRACE, sin embargo, aprende a escuchar. Asigna un "peso" o "puntuación de atención" a cada pata. Si una pata está resbalando o hundiéndose, TRACE aprende a bajar su volumen. Si una pata es sólida, sube el volumen. Hace esto sin que ningún humano le diga: "¡Oye, eso es un resbalón!". Simplemente descifra el patrón a partir de los datos.

3. La comprobación de la física: Para asegurar que el robot no solo adivine de forma errática, TRACE también tiene una "comprobación de física". Compara la velocidad estimada del robot con la distancia que cree haber recorrido. Si las matemáticas no cuadran (como si el robot dijera que se mueve rápido pero las patas no se mueven mucho), el sistema se corrige a sí mismo. Esto es como un corredor que se da cuenta: "Espera, estoy jadeando como si estuviera esprintando, pero no me he movido ni un centícle; debo de estar corriendo en el sitio".

Entrenamiento en el caos de la simulación

No puedes simplemente enseñar a un robot a caminar en un único suelo liso y esperar que maneje un bosque lodoso. Los investigadores entrenaron a TRACE en un simulador virtual llamado RaiSim. Pero no hicieron un mundo aburrido y plano. Lo hicieron caótico.

• Aleatorizaron el terreno: suelo plano, escaleras, rocas rugosas y colchones de aire blandos.
• Aleatorizaron el deslizamiento: a veces el suelo era súper resbaladizo, otras veces pegajoso.
• Aleatorizaron el movimiento del robot: hicieron que el robot caminara con diferentes estilos y velocidades.

Esto se llama aleatorización de la política (policy randomization). Es como entrenar a un estudiante no solo para un examen específico, sino para todas las variaciones posibles de ese examen. Al ver tantas formas distintas en las que el robot podía moverse y resbalar, TRACE aprendió a ignorar los "trucos" específicos del entrenamiento y a centrarse en la verdad universal de cómo interactúan las patas y el suelo.

La prueba en el mundo real

Después de entrenar en el mundo virtual, el equipo llevó a su robot, llamado Raibo2, al mundo real. Lo probaron en:

• Suelo plano: Lo más fácil.
• Terreno rugoso: Rampas y bloques de madera.
• Superficies resbaladizas: Una tabla cubierta con polvo de ácido bórico (¡muy resbaladiza!).
• Terreno blando: Un colchón de aire que rebota y se hunde.
• Senderos al aire libre: Hierba, tierra dura y escaleras.

Compararon TRACE con otros tres métodos:

1. IEKF-SR: El filtro matemático de la vieja escuela del "maestro estricto".
2. Legolas: Un método puramente basado en el aprendizaje que no utiliza reglas de física.
3. NMN-IEKF: Un método híbrido que intenta mezclar ambos.

Los resultados: Menos deriva, más confianza

Los resultados fueron impresionantes. En el experimento de terreno blando (el colchón de aire), donde el suelo era esponjoso e impredecible, TRACE redujo el error de posición del robot en un 53.8% en comparación con el mejor método anterior. En terreno resbaladizo, redujo el error en un 44.1%.

¿Qué significa esto? Si los otros robots pensaban que estaban a 10 metros del inicio, podrían estar en realidad a 15 metros (un error enorme). TRACE, sin embargo, estaba mucho más cerca de la realidad. No se confundió por el deslizamiento o el hundimiento de las patas porque su mecanismo de "atención" sabía que debía ignorar las patas poco fiables.

Los investigadores también comprobaron si TRACE estaba realmente "prestando atención" a las cosas correctas. Observaron los datos y vieron que cuando un pie resbalaba, la puntuación de atención del sistema para ese pie caía casi a cero. Cuando el pie era sólido, la puntuación subía. Esto demostró que el robot no solo estaba adivinando; estaba aprendiendo a confiar en los sensores adecuados e ignorar los incorrectos.

Por qué esto es importante

El artículo concluye que TRACE es un gran paso adelante porque no necesita una cámara para ver el mundo, y no necesita que un humano programe reglas complejas para cada tipo de resbalón. Aprende a ser robusto por sí mismo.

Sin embargo, los autores son cuidadosos de no afirmar que este es un problema "resuelto". Señalan que, aunque TRACE es excelente, todavía depende de la calidad del entrenamiento en la simulación. También mencionan que el trabajo futuro podría centrarse en predecir exactamente cuánto está resbalando un pie, en lugar de simplemente ignorarlo. Pero por ahora, TRACE demuestra que, al enseñar a los robots a "escuchar" sus cuerpos con un oído inteligente y adaptativo, podemos ayudarlos a navegar por el mundo real, desordenado e impredecible, sin perderse.

En resumen, TRACE es como darle a un robot un superpoder: la capacidad de saber dónde está, incluso cuando el suelo bajo sus pies le está mintiendo.