💻 computer science

OCELOT: Odometry and Contact Estimation for Legged Robots

यह शोध पत्र OCELOT को प्रस्तुत करता है, जो एक पूर्ण लेग ओडोमेट्री पाइपलाइन है जो बाहरी सेंसरों पर निर्भर हुए बिना विविध भूभागों में सटीक और सुदृढ़ स्थानीयकरण प्राप्त करने के लिए प्रोप्रियोसेप्टिव सेंसरों के साथ एक एरर-स्टेट EKF और फिसलन को स्पष्ट रूप से पहचानने और अस्वीकार करने के लिए एक नवीन डुअल-डिटेक्टर कॉन्टैक्ट एस्टिमेशन मॉड्यूल का उपयोग करता है।

मूल लेखक: Emre Girgin, Cagri Kilic

प्रकाशित 2026-05-22

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Emre Girgin, Cagri Kilic

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक चार पैरों वाला रोबोट जंगल, पथरीले समुद्र तट, या ऊबड़-खाबड़ पिछवाड़े में चलने की कोशिश कर रहा है। पहियों वाली कार के विपरीत, जो सुचारू रूप से चलती है, पैरों वाले रोबोट को लगातार अपने पैरों को उठाना, उन्हें रखना और धक्का देना पड़ता है। सबसे बड़ी चुनौती? दुनिया को कैमरों या जीपीएस के साथ देखे बिना यह जानना कि वह वास्तव में कहाँ है। उसे पूरी तरह से "प्रोपियोसेप्शन" (proprioception) पर निर्भर रहना होगा—यानी शरीर की स्थिति का उसका आंतरिक बोध, जैसे कि आप अंधेरे में बिना किसी चीज़ से टकराए चल सकते हैं क्योंकि आपको पता है कि आपके अंग कहाँ हैं।

यह शोध पत्र, जिसका शीर्षक OCELOT है, इन रोबोटों के लिए एक नया "मस्तिष्क" प्रस्तुत करता है जो उन्हें यह समझने में मदद करता है कि वे कहाँ हैं, भले ही उनके पैर फिसलन भरे पत्थरों पर फिसल रहे हों या नरम घास में धंस रहे हों।

यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. समस्या: "नशेड़ी चाल" (The "Drunk Walk")

जब एक रोबोट चलता है, तो वह अपनी गति का अनुमान लगाने के लिए एक आंतरिक जाइरोस्कोप (IMU) का उपयोग करता है। लेकिन बिल्कुल वैसे ही जैसे अंधेरे में चलता हुआ कोई व्यक्ति, छोटी गलतियाँ जुड़ती जाती हैं। यदि रोबोट सोचता है कि उसने एक कदम आगे लिया है लेकिन वास्तव में वह बगल में फिसल गया, तो वह त्रुटि बढ़ती जाती है। समय के साथ, रोबोट सोचता है कि वह वास्तव में जहाँ है, उससे अलग स्थान पर है। इसे "ड्रिफ्ट" (drift) कहा जाता है।

इसे ठीक करने के लिए, रोबोट को यह जानने की आवश्यकता है कि कब एक पैर मजबूती से जमीन पर टिका है और हिल नहीं रहा है। जब एक पैर जमीन से चिपका होता है, तो रोबोट कह सकता है, "ठीक है, मैं जानता हूँ कि मेरा यह पैर ठीक कहाँ है; मुझे अपने मानचित्र (map) को सुधारने के लिए इसका उपयोग करने दें।"

चुनौती: यह बताना कठिन है कि क्या पैर वास्तव में स्थिर है।

यदि रोबोट एक पत्थर पर कदम रखता है, तो पैर भारी महसूस हो सकता है (उच्च बल), लेकिन वह बगल में फिसल भी सकता है।
यदि रोबोट नरम घास पर कदम रखता है, तो पैर ज्यादा हिलेगा नहीं, लेकिन जमीन दब रही होगी, जिससे यह बताना मुश्किल हो जाता है कि क्या वह वास्तव में स्थिर है।

2. समाधान: एक "डबल-चेक" प्रणाली

लेखकों ने एक ऐसी प्रणाली बनाई है जो एक क्लब के बहुत सख्त बाउंसर की तरह काम करती है। रोबोट को किसी कदम पर भरोसा करने देने के लिए, पैर को एक साथ दो अलग-अलग परीक्षणों को पास करना होगा। यदि वह दोनों में से किसी एक में भी विफल रहता है, तो रोबोट उस कदम को अनदेखा कर देता है ताकि वह रास्ता न भटक जाए।

परीक्षण A: "भारी हाथ" (बल डिटेक्टर - Force Detector)

रोबक चेक करता है कि पैर कितनी जोर से नीचे की ओर दबाव डाल रहा है।

उपमा: कल्पना कीजिए कि आप एक तराजू (scale) पर खड़े हैं। यदि तराजू शून्य दिखाता है, तो आप उस पर खड़े नहीं हैं। यदि यह आपका वजन दिखाता है, तो आप उस पर खड़े हैं।
नवाचार: एक साधारण "ऑन/ऑफ" स्विच (जैसे, "यदि वजन > 10 किलो, तो खड़ा है") का उपयोग करने के बजाय, OCELOT सिस्टम एक स्मार्ट सांख्यिकीय मॉडल (Gaussian Mixture Model) का उपयोग करता है जो वास्तविक समय में सीखता है कि "खड़े होना" और "झूलना" कैसा महसूस होता है। यह इलाके (terrain) के अनुसार खुद को ढाल लेता है। यदि जमीन नरम है, तो यह अपनी अपेक्षाओं को समायोजित करता है।

परीक्षण B: "स्थिरता की जाँच" (काइनेमैटिक डिटेक्टर - Kinesthetic Detector)

रोबोट यह जांचता है कि पैर वास्तव में हवा में हिल रहा है या स्थिर है।

उपमा: कल्पना कीजिए कि आपने कॉफी का कप पकड़ा हुआ है। यदि आप चल रहे हैं, तो कप हिलता है। यदि आप रुकते हैं, तो कप भी रुक जाता है। रोबोट गणना करता है कि उसके पैरों के जोड़ों के आधार पर पैर को कहाँ होना चाहिए। यदि गणित कहता है कि पैर हिल रहा है, लेकिन रोबोट सोचता है कि वह स्थिर है, तो कुछ गलत है (शायद वह फिसल रहा है)।
नवाचार: यह यह देखने के लिए एक सांख्यिकीय परीक्षण (GLRT) का उपयोग करता है कि पैर की गति वास्तव में शून्य है या केवल "शोर" (noise) है।

3. "फ्यूजन" (बाउंसर का निर्णय)

असली जादू तब होता है जब इन दोनों परीक्षणों को मिलाया जाता है।

परिदृश्य 1 (बर्फ पर फिसलना): पैर भारी महसूस होता है (परीक्षण A पास), लेकिन वह बगल में फिसल रहा है (परीक्षण B विफल)। परिणाम: रोबोट कहता है, "मैं फिसल रहा हूँ! इस कदम पर भरोसा न करें।"
परिदृश्य 2 (कीचड़ में धंसना): पैर ज्यादा हिल नहीं रहा है (परीक्षण B पास), लेकिन जमीन दब रही है इसलिए बल की रीडिंग अजीब है (परीक्षण A विफल)। परिणाम: रोबोट कहता है, "जमीन अस्थिर है! इस कदम पर भरोसा न करें।"
परिदृश्य 3 (परफेक्ट स्टेप): पैर भारी भी है और स्थिर भी है। परिणाम: रोबोट कहता है, "बहुत बढ़िया! मुझे पता है कि मैं वास्तव में कहाँ हूँ।"

4. "ट्रस्ट स्कोर" (विश्वास स्कोर)

सिर्फ "हाँ" या "ना" कहने के बजाय, सिस्टम एक ट्रस्ट स्कोर (0 से 1 तक) देता है।

यदि स्कोर अधिक है (परफेक्ट स्टेप), तो रोबोट अपने मानचित्र में एक बड़ा सुधार करता है।
यदि स्कोर कम है (शायद थोड़ा सा फिसलना), तो रोबोट एक छोटा सा सुधार करता है या उसे पूरी तरह से अनदेखा कर देता है।
यह गलत डेटा के आधार पर बड़ी गलतियाँ करने से रोकता है।

5. प्रमाण: "2.4 किमी की यात्रा"

यह साबित करने के लिए कि यह काम करता है, शोधकर्ताओं ने केवल एक साफ लैब में परीक्षण नहीं किया। उन्होंने एक विशाल डेटासेट बनाया:

रोबोट: एक Unitree Go2 क्वाड्रुपेड (कुत्ते जैसा दिखने वाला रोबट)।
यात्रा: इसने 29 अलग-अलग रास्तों पर 2.4 किलोमीटर (लगभग 1.5 मील) की दूरी तय की।
इलाका (Terrain): कंक्रीट, टाइल्स, घास, कंकड़ और नुकीले पत्थर।
परिणाम: उनकी विधि पिछले तरीकों की तुलना में काफी अधिक सटीक थी। जबकि अन्य रोबोट भटक गए या अपने रास्ते से हट गए (विशेष रूप से चट्टानों और कंकड़ों पर), OCELOT रोबोट ट्रैक पर बना रहा। इसने उन प्रणालियों से भी बेहतर प्रदर्शन किया जो कैमरों का उपयोग करती हैं (जो आमतौर पर चट्टानों या अंधेरे में विफल हो जाती हैं)।

सारांश

OCELOT एक रोबोट को स्पर्श और संतुलन की एक सुपर-सेंसिटिव समझ देने जैसा है। यह कैसे पैर द्वारा जमीन पर डाले जाने वाले दबाव और पैर की वास्तविक स्थिरता के बीच संबंध स्थापित करता है, इसे क्रॉस-रेफरेंस करके, रोबोट यह बता सकता है कि एक ठोस कदम और एक खतरनाक फिसलन के बीच क्या अंतर है। यह इसे बिना दुनिया को देखे या जीपीएस का उपयोग किए, ऊबड़-खाबड़ और अप्रत्याशित इलाकों में रास्ता खोजने में सक्षम बनाता है।

तकनीकी सारांश: OCELOT – लेग्ड रोबोट्स के लिए ओडोमेट्री और कॉन्टैक्ट एस्टिमेशन

समस्या विवरण

असमान और ऊबड़-खाबड़ भूभागों में लेग्ड रोबोट्स के लिए सटीक ओडोमेट्री एक महत्वपूर्ण चुनौती बनी हुई है, विशेष रूप से जब केवल ऑनबोर्ड प्रोप्रियोसेप्टिव सेंसर्स (IMU, जॉइंट एनकोडर और फोर्स सेंसर्स) पर निर्भरता हो। व्हील्ड रोबोट्स के विपरीत, लेग्ड सिस्टम में संपर्क की रुक-रुक कर होने वाली गतिशीलता (intermittent contact dynamics) होती है जहाँ पैर चक्रीय रूप से जमीन के संपर्क में आते हैं और टूटते हैं। प्रोप्रियोसेप्टिव ले ओडोमेट्री की मौलिक सीमा यह है कि जब केवल बॉडी-फिक्स्ड सेंसर्स पर निर्भरता होती है, तो पूर्ण स्थिति (absolute position) और हेडिंग का अवलोकन (unobservability) संभव नहीं होता। जबकि एरर-स्टेट एक्सटेंडेड कलमन फिल्टर्स (ESEKF) इनर्शियल नेविगेशन सिस्टम (INS) के माध्यम से स्टेट को प्रोपेगेट करने और ज़ीरो वेलोसिटी अपडेट्स (ZUPTs) का उपयोग करके ड्रिफ्ट को ठीक करने के लिए प्रमुख ढांचा हैं, उनकी प्रभावकारिता इस बात पर निर्भर करती है कि पैर के स्थिर "स्टेंस" (stance) चरण में होने की पहचान कितनी सटीक है। मौजूदा कॉन्टैक्ट एस्टिमेशन विधियाँ अक्सर पैर के फिसलने (slippage) को पहचानने में संघर्ष करती हैं, विभिन्न स्थलाकृतिक विशेषताओं के अनुकूल होने में विफल रहती हैं, या पूरक हार्डवेयर (जैसे फुट-माउंटेड IMUs) या लर्निंग-आधारित क्लासिफायर पर निर्भर करती हैं जिनमें कैलिब्रेटेड अनिश्चितता (calibrated uncertainty) का अभाव होता है।

कार्यप्रणाली (Methodology)

यह शोध पत्र OCELOT का प्रस्ताव करता है, जो एक ESEKF पर आधारित एक पूर्ण ले ओडोमेट्री पाइपलाइन है जो विशेष रूप से मानक प्रोप्रियोसेप्टिव डेटा: एक बॉडी-फिक्स्ड IMU, जॉइंट एनकोडर और फुट फोर्स सेंसर्स पर निर्भर करती है। मुख्य नवाचार एक फ्यूज्ड कॉन्टैक्ट डिटेक्शन और अनसर्टेन्टी क्वांटिफिकेशन मॉड्यूल है जिसे विशेष रूप से फिसलन (slippage) को पहचानने और खारिज करने के लिए डिज़ाइन किया गया है।

1. स्टेट एस्टिमेशन फ्रेमवर्क

सिस्टम एक ESEKF का उपयोग करता है जहाँ स्टेट को एक नॉन-लीनियर नोमिनल स्टेट (पोजीशन, वेलोसिटी, ओरिएंटेशन, IMU बायस) और एक लीनियर एरर स्टेट में विभाजित किया गया है।

प्रोपेगेशन (Propagation): नोमिनल स्टेट को बायस-करेक्टेड IMU मेजरमेंट्स के माध्यम से यूलर इंटीग्रेशन द्वारा प्रोपेगेट किया जाता है।
करेक्शन (Correction): फिल्टर तब ड्रिफ्ट को ठीक करता है जब यह निर्धारित किया जाता है कि एक पैर स्टेंस में है, यह मानते हुए कि पैर का वर्ल्ड फ्रेम के सापेक्ष वेग शून्य है ( $v^W_{foot} = 0$ )।

2. फ्यूज्ड कॉन्टैक्ट डिटेक्शन

स्टेंस चरणों को मजबूती से निर्धारित करने के लिए, सिस्टम प्रत्येक पैर के लिए दो समानांतर डिटेक्टर चलाता है और उनके आउटपुट को फ्यूज करता है:

डिटेक्टर 1: फोर्स-बेस्ड GMM-गाइडेड FSM
- भौतिक संपर्क (physical contact) निर्धारित करने के लिए ग्राउंड रिएक्शन फोर्स (GRF) डेटा का उपयोग करता है।
- फिक्स्ड थ्रेशोल्ड के बजाय, यह ऐतिहासिक फोर्स डेटा के स्लाइडिंग विंडो पर फिट किए गए एक गौसियन मिक्सचर मॉडल (GMM) का उपयोग करता है ताकि स्वायत्त रूप से बाइमोडल डिस्ट्रीब्यूशन (स्विंग बनाम स्टेंस) की पहचान की जा सके।
- एक फाइनाइट स्टेट मशीन (FSM) डायनामिकली जेनरेटेड थ्रेशोल्ड्स ( $F_{on}$ , $F_{off}$ ) का उपयोग करती है ताकि मैन्युअल ट्यूनिंग के बिना विभिन्न सतहों की विशेषताओं के अनुकूल होकर स्टेट ट्रांजिशन को प्रबंधित किया जा सके।
- यह एक निरंतर क्वालिटी स्कोर ( $q_{FSM}$ ) आउटपुट करता है जो भौतिक लोडिंग की संभावना को दर्शाता है।
डटेक्टर 2: किनेमैटिक-बेस्ड GLRT
- बॉडी IMU और जॉइंट किनेमैटिक्स से प्राप्त अनुमानित फुट वेलोसिटी का उपयोग करता है।
- यह मूल्यांकन करने के लिए एक जनरलाइज्ड लाइकलीहुड रेशियो टेस्ट (GLRT) लागू करता है कि पैर स्थिर ( $H_0$ ) है या गतिशील ( $H_1$ )।
- पिछले कार्यों के विपरीत, जिन्हें फुट-माउंटेड IMU की आवश्यकता होती थी, यह तरीका केवल मुख्य बॉडी IMU और किनेमैटिक मॉडल्स पर निर्भर करता है।
- यह किनेमैटिक स्टेशनैरिटी को दर्शाने वाला एक निरंतर क्वालिटी स्कोर ( $q_{GLRT}$ ) आउटपुट करता है।

3. एडेप्टिव अनसर्टेन्टी क्वांटिफिकेशन

इन दोनों स्कोर्स को एक मल्टीप्लिकेटिव "सॉफ्ट AND-गेट" ( $q_{final} = q_{FSM} \times q_{GLRT}$ ) का उपयोग करके फ्यूज किया जाता है। यह सुनिश्चित करता है कि उच्च कॉन्फिडेंस स्कोर केवल तभी मिले जब पैर भौतिक रूप से लोड भी हो और किनेमैटिक रूप से स्थिर भी हो।

डायनेमिक कोवेरिएंस (Dynamic Covariance): फ्यूज्ड स्कोर का उपयोग ESEKF के लिए एक एडेप्टिव मेजरमेंट नॉइज़ कोवेरिएंस मैट्रिक्स ( $R_i$ $R_{i}$ ) की गणना करने के लिए किया जाता है।
- हाई कॉन्फिडेंस (नॉन-स्लिप) $\rightarrow$ लो कोवेरिएंस (स्ट्रॉन्ग करेक्शन)।
- लो कॉन्फिडेंस (स्लिप या नॉइज़) $\rightarrow$ हाई कोवेरिएंस (फिल्टर मेजरमेंट को कम महत्व देता है)।
गेटिंग (Gating): अंतिम करेक्शन से पहले सांख्यिकीय आउटलेर्स को खारिज करने के लिए एक इनोवेशन-बेस्ड गेटिंग स्टेप ( $\chi^2$ टेस्ट) का उपयोग किया जाता है।

मुख्य योगदान

नवल कॉन्टैक्ट डिटेक्शन फ्रेमवर्क: एक फोर्स-बेस्ड GMM-FSM और एक किनेमैटिक GLRT डिटेक्टर का फ्यूजन, जो पूरक फुट-माउंटेड सेंसर्स की आवश्यकता को समाप्त करता है और एक निरंतर कॉन्टैक्ट क्वालिटी स्कोर उत्पन्न करता है।
एडेप्टिव अनसर्टेन्टी एस्टिमेशन: एक विधि जो फ्यूज्ड कॉन्टैक्ट क्वालिटी स्कोर को डायनेमिक मेजरमेंट कोवेरिएंस ( $R_i$ ) में बदलने का काम करती है, जिससे ESEKF विश्वसनीयता के आधार पर मेजरमेंट्स को बुद्धिमानी से वेट दे सकता है और स्लिप इवेंट्स को मजबूती से खारिज कर सकता है।
ओपन-सोर्स ESEKF पाइपलाइन: केवल ऑनबोर्ड प्रोप्रियोसेप्टिव सेंसर्स का उपयोग करके क्वाड्रुपेड ले ओडोमेट्री के लिए एक पूर्ण स्टेट एस्टिमेटर।
मल्टी-टेरेन डेटासेट: विविध टेरेन (कंक्रीट, टाइल, घास, पेबल, रॉक) में 29 सीक्वेंस (कुल 2.4 किमी) वाला एक सार्वजनिक रूप से उपलब्ध डेटासेट, जिसमें सिंक्रोनाइज्ड प्रोप्रियोसेप्टिव डेटा, RGB वीडियो और पॉइंट क्लाउड्स शामिल हैं।

प्रयोगात्मक परिणाम

लेखकों ने अपने कस्टम डेटासेट पर सेमिनल प्रोप्रियोसेप्टिव बेसलाइन्स (Bloesch et al., Hartley et al.) और स्टेट-ऑफ-द-आर्ट विजुअल-इनर्शियल ओडोमेट्री (VIO) सिस्टम्स (OpenVINS, VINS-Fusion) के विरुद्ध OCELOT का मूल्यांकन किया।

प्रोप्रियोसेप्टिव तुलना: OCELOT ने सभी टेरेन प्रकारों और मेट्रिक्स (ATE, AHE, RPE, Drift) में मौजूदा प्रोप्रियोसेप्टिव विधियों को काफी बेहतर प्रदर्शन किया।
- रॉक (Rock) टेरेन पर, OCELOT ने 6.857 मीटर का एब्सोल्यूट ट्रजेक्टरी एरर (ATE) प्राप्त किया, जबकि Hartley et al. का 15.028 मीटर और Bloesch et al. का 30.876 मीटर था।
- कंक्रीट (Concrete) पर, OCELOT ने ATE को घटाकर 12.019 मीटर कर दिया, जो बेसलाइन्स की तुलना में एक बड़ा सुधार है।
एक्सटेरोसेप्टिव तुलना: केवल प्रोप्रियोसेप्टिव सेंसर्स का उपयोग करने के बावजूद, OCELOT ने चुनौतीपूर्ण ग्रेनुलर टेरेन (पेबल, रॉक) और डिफॉर्मेबल सतहों (घास) पर VIO सिस्टम्स से बेहतर प्रदर्शन किया।
- रॉक पर, VIO सिस्टम्स काफी विफल रहे (OpenVINS ATE: 27.279 मीटर; VINS-Fusion: 15.719 मीटर), जबकि OCELOT ने 6.857 मीटर का ATE बनाए रखा।
- लेखकों ने उल्लेख किया कि VIO सिस्टम्स अत्यधिक डायनेमिक और फीचर-पुअर सतहों (कंक्रीट, टाइल) पर संघर्ष करते हैं, जिससे वे डायवर्ज हो जाते हैं, जबकि OCELOT मजबूत बना रहा।
एब्लेशन स्टडीज (Ablation Studies):
- फ्यूजन की आवश्यकता: एब्लेशन स्टडी ने दिखाया कि दोनों में से कोई भी डिटेक्टर अकेले पर्याप्त नहीं है। GLRT-ओनली डिटेक्टर लंबे ट्रजेक्टरीज पर संचित किनेमैटिक नॉइज़ के कारण संघर्ष करता है (जैसे, कंक्रीट पर 23.161 मीटर ATE), जबकि FSM-ओनली डिटेक्टर उन विशिष्ट सीक्वेंस (जैसे, टाइल पर 9.577 मीटर ATE) में विफल रहा जहाँ केवल फोर्स डेटा ने कॉन्टैक्ट को गलत वर्गीकृत किया। फ्यूज्ड मॉडल ने लगातार सभी टेरेन में सबसे कम या सबसे कम एरर हासिल किया।
- कोवेरिएंस का प्रभाव: सेंसिटिविटी एनालिसिस ने पुष्टि की कि सटीक कोवेरिएंस क्वांटिफिकेशन महत्वपूर्ण है; कोवेरिएंस को कम आंकना (नॉइजी डेटा में उच्च विश्वास डालना) गंभीर लेटरल ड्रिफ्ट और यॉ डायवर्जेंस की ओर ले जाता है, जो कि उन बेसलाइन मेथड्स में देखा गया फेल्योर मोड है जो स्टैटिक या खराब तरीके से स्केल किए गए कोवेरिएंस का उपयोग करते हैं।

महत्व और दावे

शोध पत्र का दावा है कि OCELOT उन वातावरणों में लेग्ड ओडोमेट्री के लिए एक मजबूत समाधान प्रदान करता है जहाँ फिसलन (slippage) प्रचलित है और बाहरी सेंसर्स (जैसे कैमरा) फीचर्स की कमी या डायनेमिक लाइटिंग के कारण विफल हो सकते हैं। कॉन्टैक्ट अनसर्टेन्टी को स्पष्ट रूप से मॉडल करके और फोर्स एवं किनेमैटिक डेटा को फ्यूज करके, यह विधि विजुअल प्रोसेसिंग के कम्प्यूटेशनल ओवरहेड या फुट-माउंटेड सेंसर्स की हार्डवेयर जटिलता के बिना सटीक स्टेट एस्टिमेशन प्राप्त करती है। लेखक जोर देते हैं कि उनका दृष्टिकोण प्रोप्रियोसेप्टिव सिस्टम्स में एब्सोल्यूट हेडिंग की "अनऑब्जर्वेबिलिटी" समस्या को प्रभावी ढंग से संभालता है, यह सुनिश्चित करके कि केवल उच्च-गुणवत्ता वाले, नॉन-स्लिप मेजरमेंट्स का ही उपयोग फिल्टर को सुधारने के लिए किया जाए, जिससे अन्य विधियों में देखी जाने वाली यॉ डायवर्जेंस को रोका जा सके। डेटासेट और कोड का रिलीज लेग्ड रोबोटिक्स और मल्टी-मोडल ओडोमेट्री में आगे के अनुसंधान को सुगम बनाने के उद्देश्य से किया गया है।