💻 computer science

Proprioceptive-only State Estimation for Legged Robots with Set-Coverage Measurements of Learned Dynamics

Cet article propose un cadre d'estimation d'état pour robots quadrupèdes basé uniquement sur la proprioception, qui utilise des mesures de couverture d'ensemble pour caractériser le bruit sans hypothèse de distribution, garantissant ainsi une cohérence et une stabilité supérieures aux méthodes gaussiennes traditionnelles dans des conditions réelles.

Auteurs originaux : Abhijeet M. Kulkarni, Ioannis Poulakakis, Guoquan Huang

Publié 2026-03-20

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Abhijeet M. Kulkarni, Ioannis Poulakakis, Guoquan Huang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un robot quadrupède (un chien-robot) qui doit se déplacer dans un monde chaotique : des tunnels sombres, des zones pleines de poussière, ou des endroits sans GPS. Comment sait-il où il est ?

Habituellement, les robots utilisent des "yeux" (caméras, lidars) pour voir le monde. Mais si c'est trop sombre ou trop poussiéreux, ces yeux deviennent aveugles. C'est là que le proprioception intervient : c'est le sens de la position de son propre corps, comme quand vous fermez les yeux et que vous savez encore où sont vos jambes.

Ce papier propose une nouvelle façon de faire confiance à ce "sens interne" du robot, même quand les prédictions de son cerveau artificiel (son apprentissage) ne sont pas parfaites.

Voici l'explication simple, avec quelques images pour mieux comprendre :

1. Le Problème : Le Robot qui a trop confiance en lui

Pour se déplacer sans "yeux", le robot utilise un modèle mathématique appris par intelligence artificielle. Il regarde ses moteurs et ses articulations et dit : "D'après ce que je sens, je me déplace à 2 mètres par seconde vers la droite."

Le problème, c'est que les ingénieurs supposent souvent que les erreurs de ce modèle suivent une courbe en cloche parfaite (une distribution "Gaussienne"). C'est comme si le robot pensait : "Si je me trompe, c'est probablement d'un tout petit peu, et très rarement d'une grande quantité."

Mais en réalité, avec peu de données d'entraînement, le robot peut faire des erreurs bizarres, imprévisibles et massives. Si le robot continue de faire confiance à sa "courbe en cloche" parfaite alors qu'il se trompe vraiment, il devient trop confiant. Il pense savoir exactement où il est, alors qu'il est en train de se perdre. C'est comme un conducteur qui regarde sa boussole défectueuse en disant : "Je suis sûr à 100% que je suis à Paris", alors qu'il est en fait à Lyon. Résultat : il dérive et s'écrase.

2. La Solution : Le "Filet de Sécurité" (Set-Coverage)

Au lieu de dire "L'erreur est probablement petite", les auteurs proposent de dire : "Je ne sais pas exactement quelle forme prend l'erreur, mais je suis sûr à 90% qu'elle se trouve quelque part dans cette boîte."

Imaginez que vous lancez une flèche dans le noir.

L'ancienne méthode (Gaussienne) : Vous dessinez une cible précise et vous dites : "La flèche va atterrir ici, avec une petite marge d'erreur." Si vous vous trompez de cible, tout s'effondre.
La nouvelle méthode (Set-Coverage) : Vous ne dessinez pas une cible précise, mais vous tendez un grand filet. Vous dites : "Je ne sais pas exactement où la flèche va atterrir, mais je suis sûr à 90% qu'elle va tomber dans ce filet."

Ce filet (le "set") est une zone de sécurité. Même si la flèche atterrit dans un endroit bizarre du filet, le robot sait qu'elle est dedans. Cela empêche le robot de devenir trop confiant.

3. Comment ça marche dans le cerveau du robot ?

Le robot utilise un filtre mathématique (un peu comme un GPS qui fusionne plusieurs données) pour mettre à jour sa position.

Le Robot fait une prédiction : "Je suis ici."
Il reçoit une mesure de ses jambes : "Selon mes muscles, je suis là-bas."
Le Dilemme : Les deux ne correspondent pas.
- Ancienne méthode : Le robot panique ou ignore l'erreur car il pense que son modèle est parfait.
- Nouvelle méthode : Le robot regarde le "filet". Il se dit : "Ok, la mesure de mes jambes est dans le filet de sécurité. Je ne vais pas la rejeter, mais je ne vais pas non plus croire que c'est parfait. Je vais ajuster ma position en gardant une petite marge de doute."

Les auteurs ont créé une astuce mathématique intelligente pour faire cela très vite (en quelques millisecondes), ce qui permet au robot de le faire en temps réel, comme un réflexe.

4. Les Résultats : Un Robot plus robuste

Ils ont testé cette méthode sur de vrais robots (comme le Spot de Boston Dynamics) et dans des simulations.

Dans des conditions normales : Le robot fonctionne aussi bien que les autres.
Dans des conditions difficiles (bruit, erreurs bizarres, terrains glissants) : Les robots classiques commencent à dériver et à se perdre (ils deviennent "fous"). Le robot avec le "filet de sécurité" reste calme, ne perd pas confiance en lui de manière dangereuse, et continue de se localiser correctement.

En résumé

Ce papier remplace l'idée de "prédire l'erreur exacte" (ce qui est souvent faux) par l'idée de "définir une zone de sécurité" où l'erreur est garantie de se trouver.

C'est la différence entre un pilote qui dit "Je suis sûr à 100% que je suis à l'altitude 1000" (et qui s'écrase si c'est faux) et un pilote prudent qui dit "Je suis sûr à 90% que je suis entre 900 et 1100 mètres". Ce second pilote est beaucoup plus difficile à faire dérailler, même si le temps est mauvais.

C'est une avancée majeure pour permettre aux robots de travailler seuls dans des environnements hostiles, sans avoir besoin de caméras parfaites.

1. Problématique

L'estimation d'état pour les robots quadrupèdes est cruciale pour leur autonomie dans des environnements non structurés. Bien que les capteurs extéroceptifs (LiDAR, caméras) soient informatifs, ils sont vulnérables aux conditions dégradées (poussière, obscurité, textures pauvres). Les approches uniquement proprioceptives (IMU + capteurs articulaires) sont donc préférées pour leur robustesse, mais elles souffrent de deux limites majeures :

Dépendance aux modèles de contact : Les méthodes classiques (cinématique des jambes) échouent lorsque la détection de contact est imparfaite.
Limites des modèles appris : Les approches récentes utilisent des réseaux de neurones pour apprendre les dynamiques et générer des "pseudo-mesures" (ex: vitesse du corps). Cependant, ces méthodes supposent généralement que l'erreur de prédiction suit une distribution gaussienne. Cette hypothèse est souvent fausse, surtout avec des données d'entraînement limitées ou en présence d'incertitude épistémique (modèle hors distribution), ce qui conduit à une surestimation de la confiance du filtre et à une divergence de l'estimation.

2. Méthodologie Proposée

Les auteurs proposent un cadre d'estimation d'état qui remplace l'hypothèse gaussienne par des déclarations de couverture d'ensemble (set-coverage statements) pour modéliser l'incertitude des dynamiques apprises.

A. Modélisation des Dynamiques Apprises

Un observateur dynamique (réseau GRU) est entraîné pour prédire la vitesse du corps ( $v_I$ ) à partir d'une fenêtre historique de mesures proprioceptives (angles, vitesses et couples articulaires).
Au lieu de prédire une covariance gaussienne, l'erreur de prédiction est caractérisée par un ensemble borné $\epsilon$ tel que la probabilité que l'erreur réelle soit contenue dans cet ensemble est supérieure à un niveau de confiance $\gamma$ (ex: 85%).
Cette approche utilise des techniques d'incertitude distribution-free (comme la prédiction conformée) pour calibrer ces bornes $\epsilon$ sans supposer une forme de distribution spécifique.

B. Intégration dans un Filtre Invariant (IEKF)

Le défi principal est d'intégrer ces contraintes d'ensemble (non gaussiennes) dans un filtre de type Extended Kalman Filter (EKF) qui maintient une représentation gaussienne de l'état.

Formulation de la contrainte : L'erreur de pseudo-mesure est projetée dans l'espace des erreurs d'état augmentées ( $\delta X_t$ ), définissant un ensemble faisable $C_t$ (un hyper-rectangle dans l'espace des erreurs).
Mise à jour par minimisation de la divergence KL : Pour intégrer la contrainte $P(\delta X_t \in C_t) \ge \gamma$ $P (δ X_{t} \in C_{t}) \geq γ$ , les auteurs résolvent un problème d'optimisation convexe visant à trouver la distribution a posteriori qui :
- Respecte la contrainte de masse de probabilité sur $C_t$ .
- Minimise la divergence de Kullback-Leibler (KL) par rapport à la distribution a priori (gaussienne).
- La solution théorique (Théorème 1) montre que la distribution optimale est une version redimensionnée par morceaux de la distribution a priori (à l'intérieur et à l'extérieur de l'ensemble).
Appariement de moments (Moment Matching) : Puisque la distribution optimale n'est pas gaussienne, les auteurs appliquent un appariement de moments (calcul des premier et second moments) pour obtenir une approximation gaussienne fermée. Cela permet de maintenir la structure récursive du filtre EKF.
Efficacité computationnelle : Pour éviter l'intégration coûteuse dans un espace de haute dimension (15D), la méthode projette les calculs dans l'espace de sortie (3D pour la vitesse), effectue les intégrations numériques (via Monte Carlo) et remonte les résultats dans l'espace complet de l'état.

3. Contributions Clés

Nouveau cadre d'estimation : Introduction d'une méthode d'estimation d'état proprioceptif qui modélise l'incertitude des dynamiques apprises via des déclarations de couverture calibrées, éliminant l'hypothèse gaussienne erronée.
Algorithme de mise à jour efficace : Développement d'une méthode pratique pour fusionner ces contraintes d'ensemble avec un filtre récursif. L'implémentation est temps réel (environ 0,07 ms par mise à jour sur un CPU portable).
Validation rigoureuse : Comparaison extensive en simulation (Monte-Carlo) et sur deux jeux de données réels de robots quadrupèdes (Vision60 et Boston Dynamics Spot).

4. Résultats Expérimentaux

Simulations (Monte-Carlo) :
- Dans un régime de bruit gaussien bien spécifié, la méthode proposée est légèrement moins précise que l'EKF standard (car elle utilise moins d'information que la forme complète de la gaussienne), mais reste compétitive.
- Dans un régime de bruit non gaussien ou biaisé (cas réel fréquent), l'EKF standard diverge ou devient incohérent (NEES très élevé). En revanche, la méthode à couverture d'ensemble maintient une cohérence quasi-nominale et évite la divergence, grâce à la réinjection d'incertitude dans les directions contraintes.
Expériences Réelles (Vision60 et Spot) :
- Sur le dataset Spot (terrains variés, changements d'altitude, virages serrés), les méthodes baselines (cinématique des jambes ou EKF avec bruit gaussien) accumulent une dérive significative, notamment lors des descentes ou des virages.
- La méthode proposée reste stable et précise, surpassant les méthodes proprioceptives pures et rivalisant avec des méthodes basées sur la perception (radar LiDAR) comme GaRLILEO.
- Sur le dataset Vision60, la méthode réduit la dérive verticale observée avec l'EKF standard et obtient les erreurs de position absolue les plus faibles parmi les méthodes proprioceptives testées.

5. Signification et Impact

Ce travail est significatif car il résout un problème fondamental dans l'estimation d'état par apprentissage : la mauvaise calibration de l'incertitude. En abandonnant l'hypothèse gaussienne pour des garanties de couverture distribution-free, les auteurs rendent les estimateurs d'état beaucoup plus robustes face aux incertitudes épistémiques et aux changements de domaine (sim-to-real).

La méthode permet de déployer des robots autonomes dans des environnements hostiles où les capteurs externes échouent, en garantissant que l'estimation d'état ne devient pas "surexcitée" (overconfident) lorsque le modèle appris rencontre des situations non vues lors de l'entraînement. C'est une avancée majeure vers une navigation autonome robuste et fiable pour les robots à pattes.