Sintesi Tecnica: Apprendimento Online di Odometria per Robot Legati Robusta con Supervisione Esterocettiva Minima

Definizione del Problema

La navigazione robusta per i robot legati (legged robots) si basa su un'odometria accurata, tipicamente ottenuta tramite la fusione multi-sensore. Tuttavia, gli approcci tradizionali affrontano ostacoli significativi durante la distribuzione:

1. Complessità di Calibrazione e Modellazione: Fondere i dati propriocettivi (sensori articolari, IMU) ed esterocettivi (telecamere, LiDAR) richiede una meticolosa calibrazione inter-sensore e una modellazione cinematica specifica della piattaforma. Questi parametri sono sensibili ai cambiamenti nella configurazione del robot o nel montaggio dei sensori.
2. Vulnerabilità al Degradamento Ambientale: Sebbene i sensori esterocettivi confezionati industrialmente forniscano un tracciamento accurato, essi falliscono in condizioni avverse (ad esempio, scarsa illuminazione per le telecamere, ambienti privi di caratteristiche per il LiDAR).
3. Limitazioni della Propriocezione: I metodi puramente propriocettivi si affidano a modelli cinematici e di contatto progettati a mano, che degradano in presenza di scivolamenti, impatti, conformità del terreno o cambiamenti del carico utile.
4. Vincoli dell'Apprendimento Offline: Gli esistenti metodi basati sull'apprendimento richiedono spesso un addestramento offline su dataset rappresentativi, limitando la loro adattabilità a nuovi hardware o ambienti dinamici senza pre-addestramento.

Il paper affronta la necessità di un sistema di odometria plug-and-play e agnostico rispetto alla piattaforma che possa apprendere le mappature propriocezione-velocità online con una supervisione minima, eliminando la necessità di calibrazione o pre-addestramento espliciti, e passando fluidamente alla propriocezione appresa quando i sensori esterocettivi falliscono.

Metodologia

Il sistema proposto consiste in due componenti primarie: un Modulo Propriocettivo Appreso Online e un framework Robust Invariant Extended Kalman Filter (InEKF).

1. Propriocezione Efficace basata su ESN tramite Low-Rank EKF

L'innovazione principale è un modulo propriocettivo che impara a stimare la velocità della base direttamente da sensori a livello di giunto rumorosi (posizioni, velocità, coppie) senza modelli progettati a mano.

• Backbone Echo State Network (ESN): Per evitare il costo computazionale dell'addestramento dei pesi ricorrenti online, il sistema utilizza un ESN. La storia dei segnali dei giunti viene compressa in uno stato di riserva ($x_t$) tramite dinamiche ricorrenti fisse e inizializzate casualmente. Questo funge da embedding ritardato della storia propriocettiva.
• MLP Readout: Un Multi-Layer Perceptron (MLP) con pesi $\hat{\theta}_t$ mappa lo stato di riserva alla velocità della base ($v^{esn}_t$).
• Addestramento Online con Low-Rank EKF (LOFI): Invece di utilizzare la Discesa del Gradiente Stocastico (SGD), che fatica con la quantificazione dell'incertezza e la ponderazione dei campioni in dati in streaming, gli autori impiegano un approccio di filtraggio.
  • I parametri ottimali di readout $\theta^*_t$ sono trattati come uno stato latente che evolve tramite un random walk.
  • Un Low-Rank EKF aggiorna i pesi dell'MLP in tempo reale utilizzando una supervisione di velocità esterocettiva sparsa ($v^{sup}_t$) ogni volta che disponibile.
  • Questo metodo tiene conto dell'incertezza sia nell'input propriocettivo (covarianza dello stato di riserva) sia nel segnale di supervisione.
  • L'uso di un'approssimazione low-rank (LOFI) consente al sistema di gestire l'alta dimensionalità dei pesi dell'MLP ($D \approx 8000+$) in tempo reale, mantenendo una complessità di memoria $O(D(L+C))$ e una complessità computazionale $O(D(L+C)^2)$.

2. Odometria per Robot Legati basata su InEKF Robusto

La velocità propriocettiva appresa viene fusa con i dati IMU e l'eventuale velocità esterocettiva all'interno di un framework InEKF.

• Rappresentazione dello Stato: Lo stato di navigazione include orientamento, velocità, posizione e bias IMU, propagati tramite un modello strapdown IMU.
• Selezione Adattiva della Misurazione: Uno Switching Manager seleziona dinamicamente la sorgente della misurazione della velocità:
  • Esterocettiva (VINS): Utilizzata quando il sistema visual-inertial è affidabile. Serve anche come segnale di supervisione per l'aggiornamento dell'MLP propriocettivo.
  • Propriocettiva (ESN): Utilizzata quando il VINS degrada (ad esempio, scene prive di texture, cambiamenti di luce). Il sistema si affida al modello appreso, che è stato aggiornato durante i periodi di supervisione affidabile.
• Gestione dell'Incertezza: La logica di commutazione monitora la salute del VINS (qualità del tracciamento delle feature e covarianza) e la covarianza dell'ESN. Se il VINS è contrassegnato come "inutilizzabile" e la covarianza dell'ESN è bassa, il sistema passa alla velocità propriocettiva appresa sia per la stima dello stato che per interrompere l'aggiornamento dell'MLP, evitando la corruzione da parte di una supervisione errata.

Contributi Chiave

1. Apprendimento Propriocettivo Online: Il paper presenta il primo metodo per modellare la propriocezione di un robot legato come un readout MLP su un ESN, addestrato online durante la distribuzione. Non richiede pre-addestramento, non richiede modelli cinematici/di contatto progettati a mano e si trasferisce a qualsiasi robot legato dotato di sensori propriocettivi.
2. Low-Rank EKF per l'Addestramento Neurale: Gli autori utilizzano un low-rank EKF per addestrare i pesi del readout MLP online. Questo approccio quantifica in modo unico l'incertezza nei pesi e nell'input, permettendo tassi di apprendimento adattivi basati sulla qualità del segnale di supervisione, superando i limiti della standard SGD in contesti di streaming.
3. Framework InEKF Robusto: Un framework di odometria unificato che fonde in modo ottimale i dati IMU con le velocità sia propriocettive apprese che esterocettive. Presenta una strategia di commutazione adattiva che garantisce la resilienza quando i sensori esotereccettivi degradano, passando fluidamente al modello propriocettivo appreso online.

Risultati Sperimentali

Il metodo è stato validato su due piattaforme quadrupede: Boston Dynamics Spot e Ghost Robotics Vision 60.

• Valutazione del Dataset di Spot:

  • Il sistema è stato testato su varie sequenze (ad esempio, ATRIUM, BICORRIDOR, DOWNSTAIR) con finestre di supervisione di 10s, 30s e 60s.
  • Performance: Con soli 30 secondi di supervisione, il metodo ha appreso una mappa di velocità affidabile. In molte sequenze, ha ottenuto prestazioni competitive o superiori a GaRLILEO (baseline estero-propriocettiva) e Leg-InEKF (baseline calibrata offline), nonostante non utilizzi alcuna calibrazione offline.
  • Osservazione: L'accuratezza migliora con finestre di supervisione più lunghe. Si sono verificate eccezioni (ad esempio, la sequenza OVERPASS) dove la distribuzione del moto non supervisionato (discesa scale) differiva significativamente dalla distribuzione supervisionata (piano piatto/salita scale), portando a drift. Ciò evidenzia il limite secondo cui il modello non generalizza oltre la distribuzione della sua supervisione.

• Deployment Real-World su Vision 60:

  • Testato in un edificio con un Intel RealSense D435i, senza calibrazione estrinseca tra la telecamera e i sensori del robot.
  • Scenari: Il robot ha attraversato zone visivamente degradate, inclusi un corridoio con luci spente e un bagno dove le luci sono state spente a metà rotazione.
  • Risultato: Quando il VINS è fallito a causa della mancanza di feature visive o cambiamenti di luce, lo switching manager ha rilevato con successo il degradamento e ha commutato sul modulo propriocettivo appreso. Il sistema ha mantenuto traiettorie accurate, mentre la baseline basata solo su VINS ha subito un severo drift e overshoot.

Significato e Rivendicazioni

Il paper sostiene di aver dimostrato un sistema di odometria resiliente e agnostico rispetto alla piattaforma che:

• Elimina la Calibrazione: Rimuove la necessità di una calibrazione esplicita tra esterocezione e propriocezione o di una modellazione cinematica del sistema, consentendo il deployment "plug-and-play" su hardware diversi.
• Si Adatta alle Condizioni Avverse: Mantiene una stima del moto robusta passando fluidamente a un modello propriocettivo appreso online quando i sensori esterocettivi degradano.
• Apprendimento Online Efficiente: Dimostra che complessi readout di reti neurali possono essere addestrati online in tempo reale utilizzando un low-rank EKF, tenendo conto delle incertezze sia sull'input del sensore che sul segnale di supervisione.

Limitazioni Riconosciute:
Gli autori notano con modestia che il framework assume che l'esterocezione e la propriocezione non si degradino simultaneamente. Inoltre, non ci si aspetta che il readout MLP appreso generalizzi a distribuzioni di moto significativamente diverse da quelle coperte dalla supervisione della velocità; prevedere la velocità per tipi di moto non visti risulterà in stime errate.