Attention-Based Neural-Augmented Kalman Filter for Legged Robot State Estimation

Sintesi Tecnica: Filtro di Kalman Potenziato da Reti Neurali Basato su Attenzione per la Stima dello Stato di Robot con Gambe

Enunciato del Problema
I robot con gambe richiedono una stima accurata dello stato in tempo reale (posizione, velocità, stato di contatto) per realizzare una locomozione agile su terreni diversificati. Mentre i sensori propriocettivi (IMU, encoder delle giunzioni) sono più robusti alle condizioni meteorologiche avverse rispetto ai sensori esteroceptivi (LiDAR, telecamere), soffrono di errori di stima significativi quando si verifica lo scivolamento del piede. Gli estimatori basati sulla cinematica standard, come il Filtro di Kalman Esteso Invariante (InEKF), si basano sull'assunzione di assenza di scivolamento, dove i punti di contatto sono modellati come punti fissi quasi-statici. Quando si verifica lo scivolamento, tale assunzione viene violata, introducendo un bias nel passo di aggiornamento dello stato. I metodi esistenti gestiscono tipicamente lo scivolamento in modo indiretto inflando la covarianza delle misurazioni, scartando gli aggiornamenti o trattando lo scivolamento come rumore di processo. Questi approcci non riescono a stimare esplicitamente e compensare direttamente il bias indotto dallo scivolamento, portando a una deriva accumulata, in particolare nella direzione verticale ($z$). Inoltre, i precedenti filtri potenziati da reti neurali concatenano spesso segnali eterogenei (scivolamento, stato, misurazioni) senza modellare esplicitamente lo scivolamento come contesto condizionante, risultando in compensatori difficili da interpretare e sintonizzare attraverso diversi regimi di scivolamento.

Metodologia
Gli autori propongono il Filtro di Kalman Potenziato da Reti Neurali Basato su Attenzione (AttenNKF), un estimatore ibrido che potenzia un InEKF standard con un compensatore neurale progettato per affrontare esplicitamente gli errori indotti dallo scivolamento.

1. Definizione Continua del Livello di Scivolamento del Piede:
   Il metodo definisce un indicatore continuo di gravità dello scivolamento ($lv_i$) per ogni piede basato sulla magnitudine della velocità del piede basata sulla cinematica diretta nel riferimento mondiale durante la fase di appoggio. Questo valore viene mappato attraverso una funzione sigmoide per produrre un punteggio continuo in $[0, 1]$. Questo livello di scivolamento funge da variabile di contesto piuttosto che da misurazione diretta, riflettendo la violazione dell'assunzione di velocità zero al contatto.

2. Architettura del Compensatore Neurale (AttenNC):
   A differenza di lavori precedenti che trattano lo scivolamento come una semplice caratteristica di input, AttenNKF tratta lo scivolamento come un contesto che modula come la storia dell'InEKF viene utilizzata per la compensazione.

   • Codifica Latente: La storia a posteriori dell'InEKF (stato e correzioni interne) e la storia dello scivolamento vengono codificate separatamente in rappresentazioni latenti utilizzando Unità Ricorrenti a Cancello (GRU).
   • Meccanismo di Attenzione Incrociata: L'innovazione principale è un modulo di attenzione incrociata in cui il latente dello scivolamento agisce come query, e il latente dell'InEKF agisce come chiave e valore. Ciò permette alla rete di ripesare dinamicamente le caratteristiche latenti dell'InEKF in base al regime di scivolamento corrente. Ad esempio, in caso di alto scivolamento, il meccanismo di attenzione può enfatizzare o sopprimere selettivamente elementi specifici della storia dell'InEKF per generare una compensazione più appropriata.
   • Strategia di Addestramento: Il compensatore viene addestrato in due fasi:
     • Fase 1: Un autoencoder basato su GRU viene addestrato per mappare gli input in uno spazio latente, mitigando la sensibilità alle scale degli input grezzi.
     • Fase 2: Il meccanismo di attenzione viene addestrato nello spazio latente utilizzando un framework "insegnante-studente". Un Encoder degli Errori (insegnante) genera un vettore latente target dagli errori di verità fondamentale, mentre gli Encoder InEKF e dello Scivolamento (studente) generano il latente di compensazione tramite attenzione incrociata. Lo studente è supervisionato per corrispondere alla rappresentazione latente dell'insegnante e all'errore finale dello stato.

3. Integrazione con InEKF:
   AttenNKF opera come un passo di post-elaborazione. L'InEKF esegue i suoi passi standard di predizione e aggiornamento sul gruppo di Lie $SEN+2(3)$. Il compensatore neurale prende quindi lo stato a posteriori dell'InEKF e il contesto di scivolamento per prevedere una compensazione residua ($\bar{e}_t$). Questo residuo viene applicato all'orientamento (tramite la mappa esponenziale su $SO(3)$) e alla velocità/posizione (tramite correzione additiva) per produrre lo stato stimato finale. Il compensatore non modifica la matrice di covarianza dell'InEKF né retroalimenta la ricorsione del filtro.

Contributi Chiave

• Compensazione Condizionata allo Scivolamento: Il documento definisce un livello continuo di scivolamento del piede e dimostra una correlazione positiva da moderata a forte tra la gravità dello scivolamento e l'errore di stima dello stato, giustificando lo scivolamento come una variabile di contesto esplicita.
• Architettura Basata su Attenzione: Gli autori propongono un Compensatore Neurale che utilizza l'attenzione incrociata per trattare lo scivolamento come un contesto modulante piuttosto che come una caratteristica concatenata. Ciò permette al compensatore di apprendere strutture dipendenti dal regime di scivolamento per la riduzione dell'errore.
• Valutazione Completa: Il metodo viene valutato su un robot Unitree Go1 su terreni interni diversificati (piatto, ghiaia, Teflon a basso attrito, scale) e su una traiettoria esterna (~100m su erba deformabile).

Risultati Sperimentali
Gli esperimenti confrontano AttenNKF con tre baseline: Rifiuto dello Scivolamento (SR), Contatto Appreso (LC) e Filtro di Kalman Invariante Potenziato da Reti Neurali (InNKF).

• Prestazioni Indoor: Su terreni a basso scivolamento, tutti i metodi performano in modo simile. Tuttavia, su terreni ad alto scivolamento (ghiaia e Teflon), AttenNKF supera significativamente le baseline. Nello specifico, sulla ghiaia, AttenNKF ha ridotto l'errore di posizione relativo (REpos) del 93,1% rispetto alla baseline più forte. Sul foglio di Teflon, ha ridotto REpos del 48,6%.
• Prestazioni Outdoor: Su una traiettoria esterna di ~100m su erba morbida, AttenNKF ha ridotto REpos di circa il 55–73% rispetto a SR, LC e InNKF. Mentre altri metodi accumulavano fino a 10 metri di deriva verticale, AttenNKF ha mantenuto la deriva entro $\pm 2\text{--}3$ metri.
• Studi di Ablazione:
  • Rimuovere il meccanismo di attenzione incrociata (sostituendolo con la concatenazione) ha portato a errori di posizione significativamente più alti, confermando il beneficio del ripesamento condizionato allo scivolamento.
  • Utilizzare l'attenzione self senza condizionamento allo scivolamento ha degradato le prestazioni, evidenziando la necessità di un contesto esplicito di scivolamento.
  • La pipeline di addestramento in due fasi proposta (pre-addestramento dell'autoencoder seguito dall'addestramento dell'attenzione) ha prodotto risultati superiori rispetto all'addestramento end-to-end.
  • Utilizzare la codifica implicita dello scivolamento proposta (appresa dalla velocità grezza) si è rivelata più robusta su terreni fuori distribuzione rispetto all'uso della velocità grezza del piede o di livelli espliciti di scivolamento costruiti manualmente.

Significato e Affermazioni
Il documento afferma che AttenNKF offre una soluzione robusta per la stima dello stato dei robot con gambe in ambienti soggetti a scivolamento modellando esplicitamente la relazione tra gravità dello scivolamento ed errore di stima. Utilizzando un meccanismo di attenzione per condizionare il compensatore neurale sullo scivolamento, il metodo ottiene miglioramenti coerenti nell'errore relativo su vari terreni senza richiedere sensori esteroceptivi. Gli autori notano che il sistema opera a 580 Hz, confermandone l'idoneità per il controllo in tempo reale. Il lavoro suggerisce che trattare lo scivolamento come una variabile di contesto piuttosto che come una caratteristica permette una compensazione più interpretabile ed efficace, in particolare in scenari in cui la sintonizzazione tradizionale della covarianza o il rifiuto degli outlier non riescono a correggere il bias. Viene proposto un lavoro futuro per applicare questi stati al controllo autonomo, estendere il framework ad altre piattaforme robotiche (aeree, su ruote) e investigare la stima della covarianza e formulazioni strettamente accoppiate.