GAIT: Legged Robot Proprioceptive State Estimation with Attention over Inertial-Leg Tokens

技術要約：GAIT: アテンションを用いた慣性・脚トークンによる脚式ロボットの固有受容感覚状態推定

問題提起
正確で堅牢な固有受容感覚の状態推定は、特に照明や幾何学的な制限によって外受容センサ（カメラ、LiDAR）が機能しない可能性がある環境において、脚式ロボットの移動に不可欠である。既存の学習ベースの状態推定器は、ヒューリスティックなモデルベースの手法と比較して滑りに対する堅牢性が向上しているものの、未知の地形や歩様（ゲイト）に展開される際に汎化性能が低下することが多い。この限界は、標準的なアーキテクチャがすべてのセンサ測定値を単一の平坦なベクトルとして結合してしまうことに起因しており、その結果、ネットワークが接触と非接触の脚を区別するための明示的な構造メカニズムなしに、運動学的測定値の変動する信頼性を暗黙的に学習することを強いている。その結果、これらのモデルは訓練中に観察された特定の接触パターンに過学習し、滑りや未モデル化の地形といった分布シフトに直面した際に性能が低下する。

手法
本論文では、接触依存の測定信頼性を扱うために、ネットワークアーキテクチャに誘導バイアスを組み込んだアテンションベースの固有受容感覚状態推定フレームワークであるGAITを提案する。システムは主に2つのコンポーネントで構成される：

1. ILトークン化を用いたアテンションベースの状態推定ネットワーク：

   • 慣性・脚（IL）トークン化： 入力を平坦化する代わりに、ネットワークは慣性測定（IMU）および脚ごとの運動学的測定（関節位置、速度、およびトラッキング誤差）を個別のトークンとして表現する。具体的には、各脚および慣性センサに対して個別のトークンを作成する。
   • アーキテクチャ： ネットワークは、クロスアテンションを備えたPerceiver IOエンコーダを利用する。潜在トークンは入力トークン（慣性および脚ごと）に対してクエリを行い、現在の状態に基づいた各測定値の相対的な重要性を学習する。これにより、ネットワークは明示的な接触推定器を必要とせずに、足が接地しているかどうかに応じて脚の運動学的測定値の重み付けを適応的に調整できる。
   • 時間的モデリング： トークン化された入力は、2D位置エンコーディング（「IL軸」と「履歴軸」をカバー）を用いて処理され、時間的依存関係を捉えるためにGRU（Gated Recurrent Unit）へと渡される。
   • 出力： ネットワークは、身体座標系における線形速度（$\bar{v}_B$）と、対角共分散行列としてパラメータ化された関連する不確かさ（$\bar{u}$）を予測する。
   • 学習戦略： 2段階の損失関数が採用されている。まず安定性のために平均絶対誤差（MAE）が使用され、次に、速度予測とその不確かさを共同で学習するためにガウス最大尤度損失が使用される。訓練データは、Unitree Go1ロボットを用い、トロット（速歩）ゲイトのデータのみを使用してシミュレーション（RaiSim）内で生成される。特筆すべき点として、フィルタの伝播と更新の間の相関問題を防止するため、訓練中のガウスノイズはIMU測定値にのみ追加される。

2. 不変拡張カルマンフィルタ（IEKF）：

   • 予測された身体線形速度とその不確かさは、擬似観測値としてIEKFに統合される。
   • 従来の接触支援型IEKFとは異なり、このアプローチは明示的な接触推定や、静止接触の仮定に基づくゼロ速度更新に依存しない。代わりに、ネットワークの速度予測を右不変観測値として扱うことで、接触の仮定が崩れた場合（滑りなど）でもフィルタが堅牢に機能することを可能にする。

主な貢献

• ILトークン化： 慣性と脚ごとの測定値を分離するトークン化アーキテクチャを導入し、接触依存の測定信頼性の変化を表現するための誘導バイアスを提供した。
• 接触非依存学習： 明示的な接触推定器やヒューリスティックな滑り除去メカニズムに頼ることなく、接触条件に基づいて測定値の重み付けを行う方法を学習した。
• 不確かさを考慮した統合： ネットワークは速度と不確かさを共同で予測し、カルマンフィルタの枠組み内でより信頼性の高い擬似観測値を統合できるようにした。
• 汎化性能： 本フレームワークは、トロットゲイトのみで訓練されているにもかかわらず、未知の歩様（バウンド、ペース、プロンク）や未モデル化の地形（瓦礫）に対して高い堅牢性を示す。

実験結果
実験は、ゴム、滑りやすい表面（ホウ酸粉末）、および未モデル化の瓦礫地形を含む様々な地形において、Unitree Go1ロボットを用いて実施された。システムは、訓練済みのゲイト（トロット）と未知のゲイト（バウンド、ペース、プロンク）の両方でテストされた。

• 速度予測： 提案手法は、ほとんどの地形において、ベースラインとなる学習ベースの手法（NMN）およびモデルベースのIEKFと比較して、身体座標系における線形速度予測の平方根平均二乗誤差（RMSE）が低くなった。特に、未モデル化の瓦礫地形において、提案手法は「w/o IL token（ILトークンなし）」のバリアントよりも優れた性能を示し、トークン化が未モデル化の接触形状を扱うのに役立つことを示した。
• 状態推定： IEKFと統合した際、提案フレームワークは、接触支援型IEKFおよび他の学習ベースのベースラインと比較して、位置および速度における絶対軌跡誤差（ATE）と相対誤差（RE）を減少させた。「w/o IL token」のバリアントは、位置のドリフトが著しく大きく（平均してREposが73.6%大きい）、トークン化スキームの重要性を浮き彫りにした。
• 未知の歩様への汎化： トロットのみで訓練されているが、提案ネットワークはバウンド、ペース、プロンクのゲイトでテストされた際にも、ベースラインよりも低い予測誤差を維持した。対照的に、他の学習ベースのベースラインは、これらの未知のゲイト条件下でモデルベースのIEKFよりも大きな誤差を示した。
• アテンション解析： アテンション重みの可視化により、ネットワークが動的に注目の対象を調整していることが明らかになった。飛行フェーズ（例：プロンクゲイト）では、アテンションは慣性トークン（特に加速度計）へとシフトし、予測される不確かさが増大しており、脚の運動学からの観測可能性の喪失を正しく反映している。接触フェーズでは、アテンションは適切に脚のトークンに重みを置いている。

意義と主張
本論文は、構造的な事前知識（誘導バイアス）をニューラルネットワークのアーキテクチャに組み込むことが、学習ベースの状態推定器の汎化性能を向上させるための効果的な戦略であることを主張している。トークン化を通じて、接触条件と測定の信頼性の間の構造的な関係を明示的にモデル化することにより、提案手法は、明示的な接触推定やヒューリスティックなチューニングを必要とせずに、モデルベースのアプローチと同等かそれ以上の堅牢性を達成している。結果は、このフレームワークが、未知の地形や歩様による分布シフトを効果的に扱うことができ、複雑で現実世界の環境で作動する脚式ロボットのための高頻度で信頼性の高い固有受容感覚フィードバックを実現できることを示唆している。