⚡ electrical engineering

Proprioceptive Invariant State Estimation for Humanoid Robots on Non-Inertial Ground

Cet article présente un filtre de Kalman étendu invariant à droite qui permet une estimation d'état proprioceptive uniquement et en temps réel pour les robots humanoïdes sur un sol non inertiel, atteignant une convergence nettement plus rapide et des erreurs de position réduites par rapport aux méthodes existantes.

Auteurs originaux : Falak Mandali, Zijian He, Yan Gu

Publié 2026-06-19

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Falak Mandali, Zijian He, Yan Gu

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 humanoïde nommé « Digit » essayant de marcher, de s'accroupir ou de rester immobile. Maintenant, imaginez que le sol sur lequel il se tient n'est pas une dalle de béton solide et stationnaire, mais une surface mouvante, oscillante et cabaleuse — comme un navire en mer agitée ou un wagon de train qui accélère et ralentit.

Pour qu'un robot puisse rester debout et se déplacer correctement, il doit savoir exactement où il se trouve et à quelle vitesse il se déplace. C'est ce qu'on appelle l'estimation d'état.

Le Problème : Le Robot « Aveugle » dans un Bus en Mouvement

La plupart des robots d'aujourd'hui sont comme des passagers dans un bus qui supposent que le bus est garé. Ils utilisent leurs capteurs internes (comme un sens de l'équilibre et des angles d'articulation) pour deviner leur position, en supposant que le sol sous eux est parfaitement immobile.

Mais si le bus (le sol) commence à bouger, l'hypothèse du « sol immobile » du robot se brise. Il s'embrouille. Il pense qu'il tombe alors qu'en réalité, c'est simplement le sol qui bouge sous lui.

Pour corriger cela, les scientifiques essaient généralement de placer une caméra sur le bus ou un capteur sur le sol pour dire au robot : « Hé, le sol bouge ! ». Mais dans le monde réel, on ne peut pas toujours attacher une caméra à un navire ou à un train en mouvement. Vous avez besoin que le robot comprenne cela en utilisant uniquement ses propres capteurs internes (sa « proprioception »).

La Solution : Le Filtre « Invariant »

Ce document présente un nouveau cerveau mathématique (un algorithnement appelé Filtre de Kalman Étendu Invariant, ou InEKF) qui permet au robot de comprendre son mouvement par rapport au sol mobile sans avoir besoin d'aide extérieure.

Voici comment cela fonctionne, en utilisant une analogie simple :

1. L'astuce des « Pieds comme Ancres »
Imaginez que vous êtes debout sur un tapis roulant dans un aéroport. Vous ne voyez pas le sol bouger, mais vous sentez vos pieds. Si vos pieds sont fermement plantés et ne glissent pas, vous savez que n'importe quel mouvement que vos pieds ressentent est en réalité le mouvement du tapis roulant.

L'innovation du papier : Le robot possède des capteurs spéciaux (IMU) sur ses pieds. Le nouvel algorithme utilise le fait que lorsqu'un pied est posé, il agit comme une ancre temporaire. En ressentant l'accélération et la rotation de ce pied posé, le robot peut calculer mathématiquement comment tout le sol se déplace, même s'il n'a aucun capteur sur le sol lui-même.

2. Les Mathématiques « Droites à Droite » (Filtrage Invariant)
Les mathématiques standards pour les robots deviennent souvent désordonnées et imprécises si le robot commence avec une grande erreur sur sa position (par exemple : « Je pense être à 1 mètre à gauche, mais je suis en fait à 1 mètre à droite »).

L'innovation du papier : Les auteurs ont utilisé un type spécial de mathématiques appelé filtrage « Invariant ». Considérez cela comme une boussole qui pointe toujours vers le Nord, peu importe comment vous tournez votre corps. Cette méthode garantit que même si le robot commence avec une erreur massive dans sa supposition, il peut se corriger très rapidement et de manière fluide, sans être perturbé par la physique complexe du sol en mouvement.

Ce qu'ils ont testé

Les chercheurs ont testé cela sur le robot Digit dans un laboratoire. Ils ont placé le robot sur un tapis roulant capable de balancer de gauche à droite et de s'incliner d'avant en arrière (simulant un navire en mouvement).

Ils ont testé cinq scénarios :

Rester immobile.
S'accroupir.
Marcher.
Faire ces actions pendant que le tapis roulant se déplaçait de différentes manières.

Les Résultats : Plus Rapides et Plus Intelligents

Le papier revendique trois victoires principales :

Vitesse : La nouvelle méthode a corrigé la position du robot 96 % plus vite que les anciennes méthodes. Si le robot commençait avec une grosse erreur (pensant être à 1 mètre de distance alors qu'il ne l'était pas), il corrigeait cette erreur en une fraction de seconde.
Précision : La supposition du robot sur sa position était 80 % plus précise que les anciennes méthodes. Lors des tests de marche, l'erreur était inférieure à 9 centimètres, même lorsque le sol bougeait sauvagement.
Pas d'équipement supplémentaire : Il a accompli tout cela en utilisant uniquement les capteurs déjà présents sur le robot (capteurs d'articulations et capteurs sur le torse et les pieds). Il n'a pas eu besoin de caméras ou de capteurs fixés au sol.

Un Truc de Plus : Corriger la « Rotation »

Le papier a également noté une petite limitation : bien que le robot puisse parfaitement déterminer où il se trouvait et à quelle vitesse il se déplaçait, il avait parfois du mal à savoir exactement vers quelle direction il faisait face (son orientation) si le sol bougeait d'une manière très spécifique et simple.

Pour corriger cela, ils ont essayé une astuce simple : ajouter plus de capteurs sur le torse du robot. En plaçant trois capteurs en triangle sur le torse du robot, celui-ci pouvait construire une « carte mentale » de son propre corps et déterminer parfaitement sa direction, tout comme on peut savoir vers où une table est orientée si l'on peut voir trois points distincts sur elle.

Résumé

En bref, ce papier apprend à un robot comment marcher sur un navire en mouvement en utilisant uniquement son sens de l'équilibre et du toucher. Il y parvient en traitant son pied posé comme un point de référence pour « ressentir » le mouvement du sol, en utilisant des mathématiques spéciales pour corriger les erreurs instantanément, et en prouvant que cela fonctionne mieux et plus rapidement que les méthodes précédentes qui reposaient sur l'hypothèse d'un sol immobile ou sur l'ajout de capteurs supplémentaires sur le sol.

Résumé Technique : Estimation d'État Invariante Proprioceptive pour les Robots Humanoïdes sur Sol Non-Inertiel

Énoncé du Problème
Une estimation d'état précise et en temps réel est fondamentale pour la planification et le contrôle basés sur des modèles des robots à pattes. Bien que les estimateurs existants, tels que les Filtres de Kalman Étendus Invariants (InEKF), aient atteint des performances élevées sur des terrains statiques en exploitant la dynamique affine de groupe et les conditions d'observation invariantes, ils reposent sur l'hypothèse que le sol de support est stationnaire. Cette hypothèse échoue dans les environnements non inertiels (par exemple, trains, navires ou avions en mouvement), où les mouvements de translation et de rotation induits par le sol introduisent des non-linéarités significatives dans la dynamique du système et les modèles de mesure. Ignorer ces mouvements entraîne des erreurs de modélisation qui dégradent la précision de l'estimation.

Les approches actuelles d'estimation d'état non inertielle font face à des limitations pratiques :

Estimation d'État Absolu : Les méthodes qui estiment l'état absolu du robot dans un référentiel inertiel nécessitent souvent une connaissance directe et précise de la pose et de la vitesse absolues du sol, ce qui est rarement disponible sans instrumentation externe.
Estimation d'État Relatif : Les méthodes récentes qui estiment l'état du robot par rapport à un référentiel de sol mobile nécessitent généralement un IMU externe physiquement monté sur le sol pour mesurer son mouvement. Cela est souvent peu pratique pour les déploiements réels en raison des contraintes d'instrumentation, des délais de communication et de la perte de signal dans les environnements non structurés.
Méthodes Basées sur l'Apprentissage : Bien que prometteuses, les estimateurs basés sur l'apprentissage nécessitent souvent des données d'entraînement substantielles et leur capacité de généralisation aux environnements non inertiels reste incertaine.

Il existe un besoin pour un estimateur entièrement proprioceptif capable de suivre avec précision le mouvement d'un robot par rapport à un sol mobile sans dépendre de capteurs externes ou de mesures explicites du mouvement du sol.

Méthodologie
Le document propose un Filtre de Kalman Étendu Invariant (InEKF) Proprioceptif conçu pour estimer la position et la vitesse relatives de la base du robot par rapport à un référentiel de sol dynamique en utilisant uniquement des capteurs embarqués (encodeurs de joints et IMU montés sur le torse et les pieds).

Représentation de l'État : Le filtre estime l'orientation ( $R_B^D$ ), la position ( $p_t^D$ ) et la vitesse ( $v_t^D$ ) relatives de la base par rapport au référentiel de sol dynamique $\{D\}$ . L'état est plongé dans un groupe de Lie matriciel $G$ , composé d'une isométrie spatiale double $SE_3(3)$ et du groupe orthogonal spécial $SO(3)$.
Modélisation du Processus :
- Le filtre dérive les dynamiques en temps continu pour l'orientation, la vitesse et la position relatives de la base.
- Crucialement, il élimine la dépendance aux mesures directes du mouvement du sol (qui sont indisponibles) en exploitant les contraintes cinématiques au pied en appui. En utilisant les mesures d'un IMU monté sur le pied, le filtre calcule explicitement les accélérations et les vitesses angulaires induites par le sol nécessaires au modèle de processus.
- Le modèle prend en compte les effets non linéaires induits par le mouvement du sol et traite le glissement du pied comme un bruit blanc gaussien.
- Les événements discrets, tels que l'atterrissage du pied et le changement d'appui, sont gérés via une étape de propagation discrète qui met à jour la pose du pied en appui via la cinématique directe tout en maintenant la continuité de l'état de la base.
Modélisation de la Mesure :
- Le filtre utilise l'odométrie de jambe dérivée des encodeurs de joints comme source de mesure.
- Le modèle de mesure est formulé pour satisfaire une condition d'observation invariante à droite. Cette structure garantit que la dynamique de l'erreur est linéaire et indépendante de la trajectoire dans le cas déterministe, favorisant une convergence robuste même sous de grandes incertitudes initiales.
Analyse de l'Observabilité :
- Une analyse locale de l'observabilité de la dynamique de l'erreur logarithmique linéarisée révèle que la vitesse relative de la base est toujours observable.
- La position relative de la base est observable sous des mouvements de sol généraux, à condition que l'IMU du pied en appui détecte un mouvement angulaire sur au moins deux axes.
- L'analyse indique que l'orientation de la base est inobservable sous une configuration de détection nominale (un seul IMU sur le torse et un IMU sur le pied). Cependant, elle démontre qu'augmenter la configuration de détection avec plusieurs IMU non colinéaires sur le torse permet la reconstruction de l'orientation de la base, atteignant ainsi l'observabilité de l'état complet.

Contributions Clés

Formulation InEKF Entièrement Proprioceptive : Un nouvel InEKF qui estime la pose et la vitesse de la base d'un robot humanoïde par rapport à un référentiel de sol non inertiel en utilisant uniquement des encodeurs de joints et des IMU montés sur le torse et les pieds, éliminant ainsi le besoin de capteurs de sol externes.
Modélisation Non Linéaire Explicite : Les modèles de processus et de mesure tiennent explicitement compte des non-linéarités induites par le sol. Le modèle de mesure satisfait la condition d'observation invariante à droite, permettant des dynamiques d'erreur favorables sous de grandes erreurs initiales.
Caractérisation de l'Observabilité : Une analyse établissant les conditions sous lesquelles la position et la vitesse relatives de la base sont observables. Elle propose également une stratégie simple d'augmentation de capteurs (plusieurs IMU sur le torse) pour récupérer l'observabilité de l'orientation de la base.
Validation Expérimentale : Expériences matérielles sur le robot humanoïde Digit effectuant des tâches de station debout, de squat et de marche sur un tapis roulant oscillant et basculant.

Résultats Expérimentaux
Les expériences ont été menées sur le robot Digit à travers cinq cas de test impliquant diverses motions du robot (station debout, squat, marche) et du sol (oscillation, basculement). Le filtre proposé (nommé FRS) a été comparé à deux lignes de base : SRS (un InEKF standard pour sol statique) et DRS (un InEKF pour sol dynamique nécessitant un IMU externe monté sur le sol).

Vitesse de Convergence : Le FRS a atteint une accélération de la vitesse de convergence de 96 % par rapport aux InEKF existants. Plus précisément, le FRS a convergé vers la vérité terrain en moins de 0,1 seconde pour l'estimation de la position, alors que la ligne de base DRS nécessitait 3 à 5 secondes.
Précision :
- Le FRS a démontré une réduction de 80 % des erreurs d'estimation de position par rapport aux InEKF existants.
- En régime permanent, le FRS a atteint des erreurs de position inférieures à 4 cm pour les tâches de station debout et de squat (Cas T1–T4), contre environ 10 cm pour la ligne de base DRS.
- Lors de la marche sur un sol basculant (Cas T5), le FRS a maintenu une erreur d'estimation moyenne de moins de 9 cm malgré des erreurs initiales allant jusqu'à 1 mètre.
Récupération de l'Orientation : Les expériences avec trois IMU montés sur le torse ont permis de reconstruire l'orientation de la base avec des erreurs absolues moyennes inférieures à 0,4° en roulis, tangage et lacet, validant ainsi la stratégie d'augmentation proposée.
Performance en Temps Réel : Tous les filtres, y compris la méthode proposée, ont supporté une implémentation en temps réel avec des temps de calcul de moins de 3 ms par cycle sur un ordinateur portable standard.

Signification et Revendications
Le document affirme que l'approche proposée permet une estimation d'état précise et en temps réel pour les robots humanoïdes dans des environnements non inertiels sans détection explicite du mouvement du sol. En exploitant les IMU montés sur les pieds pour inférer la dynamique du sol, la méthode surmonte les limitations pratiques liées à l'utilisation d'une instrumentation externe. Les auteurs soutiennent que le filtre offre une solution robuste pour les tâches de planification et de contrôle définies par rapport à un environnement mobile, atteignant une convergence et une précision supérieures aux meilleures méthodes de référence, même sous des incertitudes initiales importantes et des mouvements de sol importants. Le travail valide que l'observabilité de l'état complet peut être obtenue grâce à une simple augmentation de capteurs, rendant l'approche viable pour le déploiement dans des environnements dynamiques et non structurés.