💻 computer science

Learning Contact Representation for Leg Odometry

Cet article propose un cadre d'apprentissage de représentations auto-supervisé qui utilise des données d'encodeurs joints standards pour détecter avec précision les phases de contact des jambes pour l'estimation de l'odométrie, surpassant à la fois les méthodes supervisées nécessitant des capteurs de force et les approches probabilistes de référence sans nécessiter de matériel supplémentaire ou d'étiquetage manuel.

Auteurs originaux : Emre Girgin, Cagri Kilic

Publié 2026-06-05

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Emre Girgin, Cagri Kilic

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 essayant de marcher sur un terrain accidenté composé de rochers, d'herbe et de béton. Pour savoir où il se trouve, le robot doit répondre à une question très spécifique : « Mon pied est-il fermement posé au sol en ce moment, ou est-il en train de balancer dans les airs ? »

Si le pied est posé, le robot sait qu'une partie de son corps ne bouge pas par rapport au sol. Il peut utiliser ce moment pour « réinitialiser » sa carte interne et corriger toute dérive ou confusion. Si le pied balance, cette information est inutile pour corriger sa position.

Le problème est que les robots ne possèdent souvent pas de capteurs de pression sophistiqués et coûteux dans leurs pieds pour indiquer s'ils touchent le sol. Ils ne disposent que de capteurs dans leurs articulations (comme savoir à quel point un genou est plié ou à quelle vitesse il se déplace).

Cet article présente une nouvelle méthode ingénieuse permettant au robot d'apprendre cette compétence de « contact du pied » par lui-même, sans avoir besoin qu'un humain lui enseigne ou de capteurs supplémentaires.

L'ancienne méthode : Deviner avec une règle rigide

Traditionnellement, les robots essayaient de deviner si un pied touchait le sol en observant les mouvements des articulations et en traçant une ligne droite : « Si le pied est assez bas, il touche le sol. S'il est haut, il balance. »

C'est comme essayer d'identifier un chat en regardant seulement sa queue. Parfois la queue d'un chat est basse (il est assis), et parfois elle est haute (il marche). Mais si vous ne regardez que la hauteur de la queue, vous pourriez confondre un chat endormi avec un chat en train de marcher, ou vice versa. Cette méthode est trop rigide et se laisse facilement troubler, surtout si le robot glisse ou si le sol est meuble.

La nouvelle méthode : Apprendre la « vibration » du pied

Les auteurs proposent un système qui agit comme une oreille musicale plutôt que comme une règle. Au lieu de chercher une hauteur spécifique, le robot apprend la « forme » ou la « vibration » des données lorsque le pied touche le sol par rapport à lorsqu'il balance.

Voici comment leur système fonctionne, étape par étape :

1. L'oreille « à réduction de bruit » (L'auto-encodeur débruiteur)
Imaginez que vous essayez d'apprendre une chanson, mais que quelqu'un joue un bruit statique par-dessus la musique. Un auto-encodeur débruiteur est comme un étudiant intelligent qui écoute la chanson bruyante et tente de reconstruire la mélodie originale et propre de mémoire.

Le robot lui soumet des données d'articulation désordonnées (la chanson bruyante).
Le robot tente de recréer le mouvement propre (la mélodie).
Pour y parvenir, le robot doit apprendre les règles sous-jacentes du mouvement de la jambe. Il sépare naturellement les mouvements de « pose » des mouvements de « balancement » dans sa mémoire interne, même si personne ne lui a dit lesquels étaient lesquels.

2. La carte à « deux nuages » (Le modèle de mélange gaussien)
Une fois que le robot a appris ces motifs propres, il observe sa mémoire interne. Il voit que les données forment naturellement deux nuages distincts :

Nuage A : Le nuage de « Pose » (pied au sol).
Nuage B : Le nuage de « Balancement » (pied en l'air).
Au lieu de tracer une ligne dure entre eux, le robot calcule une probabilité. Il dit : « Je suis sûr à 90 % qu'il s'agit du Nuage A (Pose), mais c'est peut-être à 10 % le Nuage B. »

3. Le filtre intelligent (L'ESEKF)
Cette probabilité est transmise au cerveau de navigation du robot (un filtre de Kalman).

Si le robot est sûr à 90 % que le pied est posé : Le cerveau dit : « D'accord, je fais confiance à cette donnée ! Utilisons-la pour corriger ma carte. »
Si le robot n'est sûr qu'à 40 % (peut-être que le pied glisse ou est sur le point de toucher le sol) : Le cerveau dit : « Je ne suis pas sûr. Je vais écouter cette donnée, mais je ne vais pas la laisser modifier ma carte de manière trop importante. »
Si le robot est sûr à 0 % (le pied balance) : Le cerveau ignore complètement la donnée.

Pourquoi est-ce meilleur ?

Les auteurs ont testé cela dans une simulation et sur un robot réel marchant sur du béton, de l'herbe et des rochers.

Le problème de l'« Enseignant » : D'autres méthodes tentaient d'enseigner au robot en lui montant la « Vérité Terrain » (en utilisant des capteurs de force pour dire « Oui, touche » ou « Non, ne touche pas »). Mais ces capteurs sont bruyants et peuvent être trompés par des glissades. Le robot apprenait à mémoriser les erreurs de l'enseignant.
L'avantage de l'« Auto-apprentissage » : Cette nouvelle méthode n'avait pas besoin d'enseignant. Elle a simplement appris la physique du mouvement.
- Résultat : Lorsque le robot a glissé, les robots « entraînés par l'enseignant » ont été confus et ont cru qu'ils étaient toujours en appui, ce qui a entraîné de grosses erreurs de navigation. Le robot « auto-apprenant », lui, a réalisé : « Attendez, le motif de mouvement ne ressemble pas à une pose solide », et a ignoré les mauvaises données.

Ce qu'il faut retenir

Les auteurs ont découvert qu'il n'est pas nécessaire de forcer le robot à prendre une décision binaire « Oui/Non » concernant le sol. Au lieu de cela, en laissant le robot apprendre la forme des données de mouvement par lui-même, il peut faire une estimation fluide et confiante sur la fiabilité de ses appuis. Cela rend le robot beaucoup plus stable et précis, même sur des terrains accidentés, sans avoir besoin de capteurs supplémentaires coûteux.

En bref : Ne demandez pas au robot « Est-ce que le pied est posé ? » (Oui/Non). Demandez-lui « À quel point ce mouvement ressemble-t-il à un pied posé ? » (0 % à 100 %). Le robot a trouvé la réponse tout seul.

Résumé Technique : Apprentissage de la Représentation du Contact pour l'Odométrie de Jambes

Énoncé du Problème

L'odométrie des robots à pattes repose fondamentalement sur l'hypothèse que la vitesse du pied par rapport au monde est nulle pendant la phase d'appui, une contrainte connue sous le nom de mise à jour de vitesse nulle (ZUPT - Zero-Velocity Update). Cette hypothure permet aux chaînes cinématiques de corriger la dérive de la vitesse du corps principal. Cependant, la précision de l'ensemble du pipeline d'estimation d'état est limitée par la précision de l'algorithme de détection de contact.

Les approches actuelles font face à des défis importants :

Limitations des Capteurs : De nombreuses méthodes reposent sur des capteurs de force de réaction au sol (GRF) à l'extrémité du pied. Ces capteurs sont sujets aux défaillances mécaniques, au bruit induit par les chocs, et sont souvent absents des plateformes déployées avec un minimum de capteurs.
Glissement et Perturbations : Même lorsque des capteurs GRF sont présents, ils peuvent rester insensibles aux perturbations non modélisées comme le glissement alors que le pied est en contact avec le sol.
Failles de la Classification Binaire : Traiter le contact comme un état binaire (appui vs oscillation) simplifie excessivement les interactions complexes entre le pied et le terrain. Les seuils rigides ne parviennent souvent pas à rendre compte des phases transitoires (décollage/atterrissage) ou du bruit des capteurs, entraînant des mises à jour de mesure incorrectes dans les estimateurs d'état.
Dépendance aux Étiquettes : Les approches d'apprentissage supervisé nécessitent des étiquettes pseudo-générées à partir de données GRF, qui héritent du bruit et des limitations des propres capteurs de force eux-mêmes.

Méthodologie

Les auteurs proposent un cadre d'apprentissage de représentation auto-supervisé qui utilise uniquement les capteurs proprioceptifs standards (encodeurs de joints) pour détecter le contact, éliminant ainsi le besoin d'un ajout de capteurs de force ou d'étiquetage humain.

1. Cadre d'Estimation d'État

Le système emploie un Filtre de Kalman Étendu à l'État d'Erreur (ESEKF). Au lieu de filtrer directement les états nominaux, il découple le système en un état nominal non linéaire et un état d'erreur linéaire. Le filtre utilise une fonction de mesure basée sur la vitesse prédite du pied d'appui dans le référentiel du monde. Crucialement, la matrice de covariance de la mesure est mise à l'échelle dynamiquement en fonction de la probabilité continue de l'état d'appui, plutôt que d'utiliser une covariance constante ou un seuil rigide.

2. Architectures de Détection de Contact

L'étude compare trois approches distinctes de détection de contact :

Référence Non Supervisée (HMM-GMM) : Un modèle de Markov caché (HMM) où les probabilités d'émission sont modélisées par un modèle de mélange gaussien (GMM) ajusté directement aux données cinématiques brutes (position verticale du pied, vitesse 3D du pied, et couple du mollet). Cette approche est limitée par l'hypothèse que les données cinématiques brutes suivent une distribution gaussienne bimodale, ce que les auteurs démontrent être souvent faux en raison des intersections non linéaires entre les variétés d'appui et d'oscillation.
Références Supervisées (CNN/GRU) : Réseaux de neurones profonds (CNN 1D et Unité Récurrente à Portes - GRU) entraînés via une perte de l'entropie croisée binaire. Ces modèles utilisent des étiquettes pseudo-générées par GRF comme vérité de terrain pour mapper la cinématique vers des états de contact binaires.
Cadre Auto-supervisé Proposé (DAE-GMM) :
- Auto-encodeur de Débruitage (DAE) : Un réseau de neurones (basé sur CNN ou GRU) est entraîné pour reconstruire la séquence cinématique originale à partir d'une version bruitée et augmentée de l'entrée. L'objectif est d'apprendre une représentation latente ( $Z$ ) où les états physiques sous-jacents (appui vs oscillation) sont naturellement désenchevêtrés.
- Modélisation de l'Espace Latent : Les codes latents produits par l'encodeur sont ajustés avec un GMM à 2 composantes non supervisé. Cela isole les modes de contact physique en des variétés probabilistes distinctes.
- Croyance Continue : Contrairement aux classificateurs binaires, ce cadre produit une probabilité postérieure continue de l'état d'appui. Cette probabilité est utilisée pour mettre à l'échelle la covariance de la mesure dans l'ESEKF, permettant au filtre de rejeter dynamiquement les données cinématiques peu fiables (ex: lors d'un glissement ou d'une oscillation) sans seuils rigides.

3. Caractéristiques d'Entrée

Pour éviter la "malédiction de la dimensionnalité" et les matrices de covariance mal conditionnées, les modèles utilisent un sous-ensemble spécifique de 5 caractéristiques :

Position verticale du pied par rapport à la base ( $p^B_{foot,z}$ ).
Vitesse 3D du pied estimée par cinématique directe ( $v^B_{rel}$ ).
Couple de mollet estimé ( $\tau_{calf}$ ).

Contributions Clés

Apprentissage de Représentation Sans Étiquette : Un cadre auto-supervisé qui extrait des probabilités de contact continues strictement à partir de la cinématique des articulations, sans dépendre des capteurs GRF ou d'étiquettes pseudo-générées.
Formulation ESEKF Dynamique : Un modèle d'incertitude de mesure piloté par la croyance générative latente, qui met à l'échelle la matrice de covariance de la mesure dynamiquement plutôt que d'utiliser des seuils statiques.
Validation Empirique de l'Estimation de Densité de Probabilité : Preuve suggérant que la détection de contact est mieux formulée comme une tâche d'estimation de densité de probabilité auto-supervisée plutôt que comme une tâche de classification binaire supervisée. L'étude démontre qu'une précision de classification supérieure sur les pseudo-étiquettes ne corrèle pas nécessairement avec de meilleures performances d'odométrie de jambes.

Résultats Expérimentaux

Le cadre a été évalué sur le jeu de données de simulation TartanGround et sur un jeu de données réel impliquant des terrains de béton, d'herbe et de roche.

Classification vs Odométrie : Bien que les modèles supervisés (CNN/GRU) aient obtenu des métriques de classification plus élevées (Précision/Rappel/F1) par rapport aux pseudo-étiquettes basées sur GRF, ils ont été moins performants dans les tâches d'odométrie de jambes en aval par rapport aux méthodes auto-supervisées proposées.
Robustesse au Glissement : Dans les scénarios impliquant un glissement, les modèles supervisés avaient tendance à surestimer la durée de l'appui car ils reposaient sur des signaux GRF bruités. Les méthodes DAE auto-supervisées ont correctement identifié l'absence d'un appui fiable, produisant des probabilités d'appui proches de zéro lors de contacts instables, empêant ainsi des corrections d'état erronées.
Précision de l'Odométrie : Les méthodes DAE (CNN) et DAE (GRU) proposées ont obtenu les erreurs les plus faibles pour l'erreur de trajectoire absolue (ATE), l'erreur de cap absolu (AHE) et d'autres métriques d'erreur, tant en simulation qu'en conditions réelles.
- Dans les tests réels, le DAE (CNN) a réduit l'ATE à 17,20 m contre 21,95 m pour le meilleur CNN supervisé et 25,36 m pour le seuillage GRF.
Contexte Temporel : Les études d'ablation ont révélé qu'augmenter la taille de la fenêtre d'entrée provoquait la formation d'une variété en anneau non linéaire dans l'espace latent en raison de la dynamique de marche périodique, ce qui dégradait la performance du GMM. Par conséquent, une taille de fenêtre de $W=1$ a été jugée optimale pour préserver un espace latent linéairement séparable.

Signification et Revendications

L'article soutient que formuler la détection de contact comme une tâche d'estimation de densité de probabilité continue et auto-supervisée est une approche plus robuste que la classification binaire supervisée pour l'odométrie de jambes.

Indépendance Matérielle : La méthode permet une estimation d'état robuste sur des robots dépourvus de capteurs de force, en se basant uniquement sur les encodeurs de joints standards.
Gestion de l'Incertitude : En produisant une croyance continue plutôt qu'un état binaire, le système peut mieux gérer l'ambiguïté inhérente aux interactions pied-terrain, telles que le glissement et la compliance, que les classificateurs binaires interprètent souvent de manière erronée.
Généralisation : L'approche auto-supervisée évite les problèmes de décalage de domaine associés à l'entraînement sur des pseudo-étiquettes GRF bruitées, menant à une meilleure généralisation dans des environnements réels.

Les auteurs concluent que, bien que la classification de contact binaire soit fondamentalement mal posée en raison des dynamiques non modélisées, une approche probabiliste et auto-supervisée fournit une base supérieure pour l'estimation d'état en aval.