💻 computer science

A Proprioceptive-Only Benchmark for Quadruped State Estimation: ATE, RPE, and Runtime Trade-offs Between Filters and Smoothers

Cet article présente une évaluation comparative exhaustive de trois estimateurs d'état proprioceptif (MUSE, IEKF et IS) pour robots quadrupèdes sur le jeu de données GrandTour, en évaluant leurs compromis en matière de précision à long terme, de précision à court terme et de temps de calcul afin de guider les praticiens dans le choix de l'approche la plus adaptée à leurs contraintes d'application spécifiques.

Auteurs originaux : Ylenia Nisticò, João Carlos Virgolino Soares, Joan Solà, Claudio Semini

Publié 2026-05-13

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ylenia Nisticò, João Carlos Virgolino Soares, Joan Solà, Claudio Semini

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 que vous marchez dans une forêt épaisse et brumeuse, sans GPS, sans repères et sans carte. Pour savoir où vous vous trouvez, vous devez vous fier entièrement à votre propre corps : la façon dont vos jambes bougent, la sensation de l'inclinaison dans votre oreille interne, et le fait que vos pieds touchent le sol. C'est exactement le défi auquel sont confrontés les robots à quatre pattes (quadrupèdes) lorsqu'ils perdent leurs « yeux » (caméras) ou leur « GPS ».

Ce papier est comme un test de dégustation pour trois « cerveaux » (algorithmes) différents qui aident ces robots à déterminer leur position en utilisant uniquement leurs capteurs corporels. Les auteurs ont soumis ces trois cerveaux à un parcours d'obstacles rigoureux (un jeu de données réel appelé le Grand Tour) pour voir lequel est le plus précis et lequel est le plus rapide.

Voici le détail des trois « cerveaux » qu'ils ont testés :

1. Les Trois Concurrents

MUSE (Le Spécialiste Modulaire) : Imaginez MUSE comme une équipe de spécialistes travaillant en relais. Une personne vérifie votre équilibre, une autre compte vos pas, et une troisième combine ces informations. Il est conçu pour être très rapide et modulaire.
IEKF (Le Navigateur Stable) : Ce cerveau utilise un astuce mathématique spécifique (les groupes de Lie) qui maintient ses calculs stables même lorsque le robot glisse ou trébuche. C'est comme un navigateur qui ne perd jamais le sens de la direction, peu importe à quel point le trajet est cahoteux.
IS - Invariant Smoother (L'Historien) : Ce cerveau ne regarde pas seulement le maintenant ; il regarde un « court métrage » des dernières secondes. En examinant l'histoire récente, il peut corriger les petites erreurs commises il y a un instant. C'est comme un détective qui réexamine la scène du crime pour obtenir la réponse parfaite, mais cela prend un peu plus de temps pour réfléchir.

2. Les Résultats de la Course

Les auteurs ont mesuré deux choses principales : la précision à long terme (Le robot s'est-il retrouvé au bon endroit après une longue marche ?) et la précision à court terme (Le robot savait-il exactement où il se trouvait à cet instant précis ?). Ils ont également mesuré la vitesse (combien de temps le cerveau a mis pour réfléchir).

La Longue Marche (ATE) : Sur l'ensemble du parcours de 300 mètres, l'« Historien » (IS) et le « Navigateur Stable » (IEKF) ont été les plus précis. Ils sont arrivés les plus proches de la destination réelle. Le « Spécialiste » (MUSE) a dérivé un peu plus, se retrouvant environ un mètre plus loin de la cible que les meilleurs performeurs.
La Vérification Instantanée (RPE) :
- Au-delà de 1 mètre : En regardant les courtes distances (comme faire un pas), l'IEKF et l'IS étaient bien meilleurs pour rester sur la bonne voie que le MUSE.
- Cadre par Cadre : En regardant l'instantané entre les mises à jour, le MUSE et l'IEKF étaient en fait plus nets et moins saccadés que l'IS. L'IS, parce qu'il est occupé à revoir son « court métrage », était légèrement plus lent à réagir aux mouvements minuscules et rapides.
Vitesse (Temps d'exécution) :
- MUSE était le sprinter foudroyant, ne prenant que environ 0,012 milliseconde pour réfléchir.
- IEKF était également très rapide, prenant environ 0,02 milliseconde.
- IS était le coureur de marathon réfléchi. Il a pris plus de temps (0,1 à 0,6 milliseconde) car il effectuait plus de calculs pour lisser le chemin. Plus il regardait loin dans le passé, plus il devenait lent.

3. Le Test du « Réveil » (Convergence)

Les chercheurs ont également testé ce qui se passe si le robot commence la course avec la tête qui tourne (une énorme erreur dans son orientation initiale).

MUSE a été le plus rapide à « se réveiller » et à réaliser : « Oh, je suis à l'envers ! » et à se corriger.
IEKF et IS ont été plus lents à corriger cette grande erreur initiale car ils s'appuient sur de petits ajustements locaux qui peuvent se confondre si l'erreur de départ est trop massive.

La Conclusion

Le papier ne déclare pas un seul « gagnant ». Au lieu de cela, il offre un menu clair de compromis :

Choisissez MUSE si vous avez besoin que le robot réagisse instantanément pour contrôler ses jambes (faible latence) et que vous n'avez pas d'inconvénient à une petite dérive à long terme.
Choisissez IEKF si vous voulez un excellent équilibre entre haute précision et vitesse, avec une stabilité exceptionnelle.
Choisissez IS si vous avez besoin de la précision la plus élevée possible pour la cartographie ou la navigation et que vous pouvez vous permettre un tout petit délai (latence) pour laisser l'algorithme « réfléchir » sur une courte fenêtre de temps.

Les auteurs ont publié tout leur code et leurs données afin que n'importe qui puisse organiser cette même course et vérifier les résultats. C'est un guide pour aider les ingénieurs à choisir le bon « cerveau » pour le travail spécifique de leur robot.

Résumé Technique : Une Évaluation de Référence Uniquement Propriocceptive pour l'Estimation d'État des Quadrupèdes

Énoncé du Problème

Une estimation d'état propriocceptive fiable est cruciale pour la locomotion agile des quadrupèdes, en particulier dans des environnements où la détection extéroceptive (par exemple, visuelle, LiDAR, GPS) est peu fiable ou indisponible en raison de poussière, de brouillard, de couloirs sans caractéristiques distinctives ou de coupures de signal. Dans de tels scénarios, les robots doivent se fier exclusivement aux unités de mesure inertielle (IMU), aux encodeurs articulaires et aux informations de contact pour estimer le mouvement du corps. Le défi principal consiste à équilibrer deux exigences concurrentes :

Cohérence à long terme : Maintenir la précision sur des trajectoires étendues malgré la dérive et les erreurs de modélisation.
Fidélité à court terme : Préserver la précision locale essentielle pour le contrôle en boucle fermée et la planification des points d'appui, tout en respectant des contraintes strictes de latence et de budget computationnel sur des plateformes embarquées.

Bien que diverses approches existent, il manque de comparaisons directes, « pomme à pomme », entre différents paradigmes de l'état de l'art (filtrage vs lissage, invariant vs non-invariant) sur un jeu de données réel commun pour guider les praticiens dans le choix de l'estimateur approprié à leurs contraintes d'application spécifiques.

Méthodologie

Les auteurs présentent une évaluation comparative de trois estimateurs d'état open-source représentatifs pour robots quadrupèdes, tous opérant en mode uniquement propriocceptif sur la séquence CYN-1 du jeu de données GrandTour. Toutes les méthodes estiment la pose à base flottante $(R, p) \in SO(3) \times \mathbb{R}^3$ et la vitesse du corps $v \in \mathbb{R}^3$ .

1. MUSE (Estimateur d'État Unifié Multi-capteurs)

Paradigme : Stack de fusion modulaire et temps réel (Filtrage).
Mécanisme : Dans cette étude, MUSE opère de manière purement propriocceptive, désactivant les blocs extéroceptifs. Il utilise un Observateur Non Linéaire (NLO) en cascade et un Filtre de Kalman Exogène (XKF) pour l'estimation de l'attitude, garantissant une stabilité globale. L'odométrie des jambes est dérivée de la cinématique directe des jambes en contact stable. Ces mesures sont fusionnées via un Filtre de Kalman pour produire la pose et le twist.
Caractéristique clé : Conçu pour la robustesse et les performances temps réel, capable de gérer de grandes erreurs d'orientation initiales grâce à son observateur d'attitude globalement stable.

2. Filtre de Kalman Étendu Invariant (IEKF)

Paradigme : Filtrage Invariant.
Mécanisme : Formulé sur un système affine de groupe où les dynamiques d'erreur à droite-invariantes sont indépendantes de l'état. Cette structure améliore la convergence et la cohérence, en particulier lors des événements de contact.
Détails du mécanisme : La propagation intègre les données de l'IMU, tandis que les mises à jour supposent un contact stable (vitesse du pied nulle). Il exploite les structures de groupes de Lie pour linéariser les dynamiques d'erreur, incorporant des coûts de mesure robustes et une conscience du glissement.

3. Lisseur Invariant (IS)

Paradigme : Lissage à fenêtre fixe (Maximum A Posteriori).
Mécanisme : Contrairement à l'IEKF, qui met à jour uniquement l'état le plus récent, l'IS optimise sur une fenêtre fixe d'états ( $n$ ) et de mesures. Il formule le problème comme un problème de moindres carrés non linéaires utilisant des résidus conscients de la structure, adaptés des propriétés affines de groupe de l'IEKF.
Caractéristique clé : En optimisant sur une fenêtre, il atteint une tolérance améliorée aux contacts dynamiques (par exemple, glissements) et une précision supérieure, mais au prix d'une charge computationnelle accrue et d'une latence algorithmique proportionnelle à la taille de la fenêtre.

Métriques d'Évaluation

L'étude emploie des métriques standard calculées via le package Python evo :

Erreur de Trajectoire Absolue (ATE) : Mesure la précision globale de la pose et la dérive accumulée en alignant la trajectoire estimée sur la vérité terrain via un alignement Umeyama SE(3).
Erreur de Pose Relative (RPE) : Mesure la précision à court terme. Évaluée selon deux schémas :
- Fenêtre spatiale ( $\Delta = 1$ m) : Sonde la dérive à l'échelle du mètre.
- Fenêtre temporelle ( $\Delta = 1$ image) : Sonde la cohérence image-à-image et la sensibilité aux tremblements de mesure.
RMSE de Vitesse : Évalue la précision des profils de vitesse estimés.
Temps d'exécution : Temps de calcul par mise à jour mesuré sur une pile matérielle/logicielle fixe.

Résultats Clés

Précision

Long terme (ATE) : L'IEKF et le Lisseur Invariant (IS) ont tous deux obtenu un ATE inférieur à celui de MUSE. La différence entre le meilleur (IS) et le pire (MUSE) était d'environ 0,91 m sur une trajectoire de 300 m (environ 0,3 %). Cela suggère que la modélisation affine de groupe et la régularisation par lissage aident à réduire la dérive accumulée.
Court terme (RPE) :
- À $\Delta = 1$ m : L'IEKF et l'IS ont nettement surpassé MUSE (réduction d'environ 40 % de la RPE translationnelle), indiquant une meilleure gestion des erreurs systématiques s'accumulant sur plusieurs mises à jour.
- À $\Delta = 1$ image : L'IEKF et MUSE ont présenté une RPE inférieure à celle de l'IS (réduction d'environ 72 % et 66 %, respectivement). Cela suggère que la fusion à plus haut taux dans les filtres supprime mieux le bruit haute fréquence par rapport à l'approche de lissage dans cette métrique spécifique.
- RPE Rotationnelle : Les résultats étaient globalement similaires pour toutes les méthodes.
Vitesse : Les trois méthodes ont fourni des profils de vitesse précis avec de faibles différences de RMSE.

Temps d'exécution et Latence

MUSE : Le plus rapide, avec un temps d'exécution moyen d'environ 0,012 ms par itération.
IEKF : Légèrement plus lent, environ 0,02 ms par itération.
Lisseur Invariant : Démontre un compromis clair précision-latence dépendant de la taille de la fenêtre (WS).
- WS = 1 : environ 0,110 ms.
- WS = 5 : environ 0,583 ms.
- Note : Le lissage à fenêtre fixe introduit une latence algorithmique proportionnelle au retard, ce qui peut retarder les estimations d'état selon l'implémentation du pipeline.

Comportement de Convergence

Sous de grandes erreurs d'orientation initiales (désalignement de roulis de 180 degrés), les trois estimateurs ont convergé vers l'orientation correcte. Cependant, MUSE a convergé plus rapidement que l'IEKF et l'IS. Cela est attribué à la conception de l'observateur d'attitude globalement stable de MUSE, tandis que l'IEKF et l'IS reposent sur une linéarisation locale qui peut être violée par de grandes erreurs initiales, conduisant à une convergence plus lente.

Importance et Contributions

L'article fournit un aperçu concis et reproductible des compromis entre précision, latence et coût computationnel pour les systèmes quadrupèdes déployables. Ses contributions principales sont :

Comparaison Directe : Une évaluation « pomme à pomme » de trois paradigmes d'estimation distincts et performants (MUSE, IEKF, IS) sur un jeu de données réel partagé.
Guidage des Praticiens : Des données claires sur la manière dont différentes métriques (ATE vs RPE à différentes échelles) et contraintes computationnelles (latence vs précision) influencent le choix de l'estimateur.
Reproductibilité Open-Source : La publication d'un pipeline de benchmarking complet, incluant le code, la documentation et les outils de traitement des données, pour faciliter les futurs benchmarks standardisés.

Les auteurs concluent que si le lissage (IS) offre une précision supérieure à long terme, les filtres (MUSE, IEKF) offrent une latence plus faible et potentiellement une meilleure suppression du bruit à court terme. Le choix de l'estimateur doit être dicté par les exigences spécifiques de l'application concernant la cohérence globale, la fréquence de la boucle de contrôle et les ressources de calcul disponibles. L'étude ne prétend pas résoudre tous les défis de l'estimation d'état mais vise à clarifier le paysage actuel pour les praticiens.