TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions

Immaginate un robot che cerca di orientarsi in un mondo che non vuole essere mappato. Per decenni, gli scienziati hanno insegnato ai robot a navigare usando degli "occhi": telecamere e laser che scansionano il paesaggio alla ricerca di punti di riferimento. Ma cosa succede quando le luci si spengono, la nebbia avvolge la scena o il robot cammina attraverso una foresta densa dove il terreno è coperto di foglie? Gli "occhi" diventano ciechi. È qui che entra in gioco il campo della odometria propriocettiva. Pensatela come al "senso interiore" del robot, simile a come voi potete capire se state camminando su un pavimento scivoloso o su un sentiero sconnesso semplicemente percependo il movimento nei vostri muscoli e nelle vostre articolazioni, senza bisogno di guardare i vostri piedi. La sfida, tuttavia, è che questo senso interiore è facilmente ingannabile. Se il piede di un robot scivola su una roccia bagnata o affonda nel fango morbido, i suoi sensori interni si confondono, e il robot inizia a pensare di muoversi in linea retta quando in realtà sta scivolando lateralmente. Con il tempo, questi piccoli errori si accumulano e il robot si perde irrimediabilmente.

Questo articolo presenta una nuova soluzione chiamata TRACE, un sistema intelligente progettato per aiutare i robot leggati (come i cani a quattro zampe o gli umanoidi) a capire dove si trovano, anche quando i loro piedi scivolano, affondano o rotolano su terreni strani. Invece di affidarsi a regole rigide o impostazioni manuali per indovinare se un piede sta scivolando, TRACE utilizza un modello di deep learning che agisce come un allenatore altamente esperto. Esso osserva la storia dei movimenti e delle letture dei sensori del robot, imparando a ignorare il "rumore" di un piede che scivola per concentrarsi sul "segnale" di un passo solido. I ricercatori hanno addestrato questo sistema in un mondo virtuale pieno di caos casuale — pavimenti scivolosi, tappetini morbidi e sobbalzi imprevedibili — e poi lo hanno testato su un vero robot nel mondo reale. Hanno scoperto che TRACE è significativamente più bravo a mantenere il robot sulla strada giusta rispetto ai metodi precedenti, riducendo il suo "drift" (la distanza che pensa di trovarsi dal punto reale) di oltre la metà in alcune situazioni difficili.

Il problema dell' "orecchio interno" del robot

Per capire perché TRACE sia una grande novità, dobbiamo guardare a come i robot di solito cercano di contare i loro passi. Immaginate di camminare in una stanza buia con gli occhi chiusi. Cercate di contare i passi per sapere quanto vi siete spostati. Se calpestate una buccia di banana e scivolate, il vostro cervello potrebbe pensare di aver fatto due passi quando ne avete fatto solo uno. Per un robot, questo è un incubo. Se pensa di essersi mosso in avanti di 10 metri ma in realtà si è mosso solo di 5, finirà per scontrarsi con un muro che pensava fosse lontano.

I metodi più vecchi cercavano di risolvere questo problema usando filtri matematici. Questi filtri sono come insegnanti severi che dicono: "Se il tuo piede è a terra, deve essere fermo". Ma nel mondo reale, i piedi non sono sempre fermi. Rotolano, affondano nella sabbia o scivolano sul ghiaccio. Quando l'"insegnante severo" assume che il piede sia fermo ma in realtà sta scivolando, la matematica si rompe e il robot si perde. Altri metodi cercavano di usare telecamere, ma come abbiamo menzionato, le telecamere falliscono al buio o in maltempo.

Entra in gioco TRACE: L' "Allenatore Intelligente"

Gli autori di questo articolo hanno creato TRACE (Tokenized Robust Attention for Contact-Aware Estimation). Inveve di un insegnante severo, pensate a TRACE come a un allenatore intelligente che ha osservato migliaia di ore di robot che camminano su ogni tipo di superficie immaginabile.

Ecco come funziona in termini semplici:

1. Gli Input: Il robot invia costantemente un flusso di dati a TRACE: quanto velocemente sta ruotando (giroscopio), quanto sta accelerando (accelerometro) e la posizione e la velocità di ogni articolazione delle sue gambe.

2. Il Trucco dell' "Attenzione": Questa è la parte magica. TRACE utilizza un meccanismo chiamato cross-attention. Immaginate che il robot abbia quattro gambe, e ogni gamba stia gridando il proprio stato all'allenatore.

   • Gamba 1 dice: "Sono su un terreno solido! Sono stabile!"
   • Gamba 2 dice: "Sto scivolando sul ghiaccio! Sono inutile in questo momento!"
   • Gamba 3 dice: "Sto affondando nel fango!"
   • Gamba 4 dice: "Sono in aria, sto oscillando!"

   In passato, il robot doveva indovinare quale gamba ascoltare basandosi su una regola semplice (come "se la forza è bassa, è in aria"). TRACE, invece, impara ad ascoltare. Assegna un "peso" o un "punteggio di attenzione" a ogni gamba. Se una gamba sta scivolando o affondando, TRACE impara ad abbassare il suo volume. Se una gamba è solida, ne alza il volume. Lo fa senza che un essere umano gli dica: "Ehi, quello è uno scivolamento!". Capisce semplicemente il pattern dai dati.

3. Il Controllo della Fisica: Per assicurarsi che il robot non faccia solo ipotesi selvagge, TRACE ha anche un "controllo della fisica". Confronta la velocità stimata del robot con quanto pensa di essersi mosso. Se la matematica non torna (come se il robot dicesse di muoversi velocemente ma le gambe non si muovessero molto), il sistema si corregge. È come un corridore che si rende conto: "Aspetta, sto ansimando come se stessi facendo uno sprint, ma non mi sono mosso di un centimetro; devo stare correndo sul posto".

Addestramento nel Caos della Simulazione

Non si può insegnare a un robot a camminare su un singolo pavimento liscio e aspettarsi che gestisca una foresta fangosa. I ricercatori hanno addestrato TRACE in un simulatore virtuale chiamato RaiSim. Ma non hanno creato un mondo noioso e piatto. Lo hanno reso caotico.

• Hanno randomizzato il terreno: terreno piatto, scale, rocce irregolari e materassi d'aria morbidi.
• Hanno randomizzato lo scivolamento: a volte il terreno era super scivoloso, a volte appiccicoso.
• Hanno randomizzato il movimento del robot: hanno fatto camminare il robot con stili e velocità diverse.

Questo è chiamato policy randomization. È come addestrare uno studente non solo per un test specifico, ma per ogni possibile variazione di quel test. Vedendo così tanti modi diversi in cui il robot poteva muoversi e scivolare, TRACE ha imparato a ignorare i "trucchi" specifici dell'addestramento per concentrarsi sulla verità universale di come le gambe e il terreno interagiscono.

Il Test nel Mondo Reale

Dopo l'addestramento nel mondo virtuale, il team ha portato il loro robot, chiamato Raibo2, nel mondo reale. Lo hanno testato su:

• Terreno piano: La parte facile.
• Terreno accidentato: Rampe di legno e blocchi.
• Superfici scivolose: Una tavola coperta di polvere di acido borico (molto scivolosa!).
• Terreno morbido: Un tappetino d'aria che rimbalza e affonda.
• Sentieri all'aperto: Erba, terra dura e scale.

Hanno confrontato TRACE con altri tre metodi:

1. IEKF-SR: Il vecchio filtro matematico dell' "insegnante severo".
2. Legolas: Un metodo puramente basato sull'apprendimento che non usa regole fisiche.
3. NMN-IEKF: Un metodo ibrido che cerca di mescolare i due.

I Risultati: Meno Drift, Più Fiducia

I risultati sono stati impressionanti. Nell'esperimento sul terreno morbido (il tappetino d'aria), dove il terreno era spugzoso e imprevedibile, TRACE ha ridotto l'errore di posizione del robot del 53,8% rispetto al miglior metodo precedente. Su terreno scivoloso, ha ridotto l'errore del 44,1%.

Cosa significa questo? Se gli altri robot pensavano di essere a 10 metri dall'inizio, potrebbero in realtà trovarsi a 15 metri (un errore enorme). TRACE, invece, era molto più vicino alla verità. Non si è confuso per lo scivolamento o l'affondamento dei piedi perché il suo meccanismo di "attenzione" sapeva di dover ignorare le gambe inaffidabili.

I ricercatori hanno anche verificato se TRACE stesse effettivamente "prestando attenzione" alle cose giuste. Hanno analizzato i dati e hanno visto che quando un piede scivolava, il punteggio di attenzione del sistema per quel piede scendeva quasi a zero. Quando il piede era solido, il punteggio saliva. Questo ha dimostato che il robot non stava solo tirando a indovinare; aveva imparato a fidarsi dei sensori giusti e a ignorare quelli sbagliati.

Perché questo è importante

L'articolo conclude che TRACE è un passo avanti fondamentale perché non ha bisogno di una telecamera per vedere il mondo e non ha bisogno di un essere umano che programmi regole complesse per ogni tipo di scivolamento. Impara a essere robusto da solo.

Tuttove, gli autori sono cauti nel non affermare che questo sia un problema "risolto". Notano che, sebbene TRACE sia eccellente, dipende ancora dalla qualità dell'addestramento nella simulazione. Menzionano anche che il lavoro futuro potrebbe concentrarsi sulla previsione esatta di quanto un piede stia scivolando, piuttosto che limitarsi a ignorarlo. Ma per ora, TRACE dimostra che insegnando ai robot di "ascoltare" i propri corpi con un orecchio intelligente e adattivo, possiamo aiutarli a navigare nel mondo reale disordinato e imprevedibile senza perdersi.

In breve, TRACE è come dare a un robot un superpotere: la capacità di sapere dove si trova, anche quando il terreno sotto di lui sta mentendo.