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

기술 요약: 보행 로봇 상태 추정을 위한 어텐션 기반 신경 증강 칼만 필터

문제 제기
보행 로봇은 다양한 지형에서 민첩한 보행을 달성하기 위해 정확한 실시간 상태 추정 (자세, 속도, 접촉 상태) 이 필요합니다. 외감 센서 (LiDAR, 카메라) 에 비해 고유감 센서 (IMU, 관절 엔코더) 는 악천후에 강건하지만, 발 미끄러짐이 발생할 경우 상당한 추정 오차를 겪습니다. InEKF(Invariant Extended Kalman Filter) 와 같은 표준 운동학 기반 추정기는 접촉점을 준정적 고정점으로 모델링하는 미끄러짐이 없다는 가정에 의존합니다. 미끄러짐이 발생하면 이 가정이 위반되어 상태 업데이트 단계에 편향이 주입됩니다. 기존 방법들은 주로 측정 공분산을 과대평가하거나 업데이트를 폐기하거나 미끄러짐을 과정 잡음으로 간주함으로써 미끄러짐을 간접적으로 처리합니다. 이러한 접근법들은 미끄러짐으로 인한 편향을 명시적으로 추정하고 직접 보상하는 데 실패하여, 특히 수직 ($z$) 방향에서 누적 드리프트를 초래합니다. furthermore, 이전의 신경 증강 필터들은 종종 이질적인 신호 (미끄러짐, 상태, 측정값) 를 명시적으로 미끄러짐을 조건부 컨텍스트로 모델링하지 않고 연결하는 방식으로 처리하여, 다양한 미끄러짐 환경에서 해석과 튜닝이 어려운 보상기를 초래합니다.

방법론
저자들은 미끄러짐으로 인한 오차를 명시적으로 해결하도록 설계된 신경 보상기를 표준 InEKF 에 증강한 어텐션 기반 신경 증강 칼만 필터 (AttenNKF) 를 제안합니다.

1. 연속적인 발 미끄러짐 수준 정의:
   이 방법은 지지기 동안 세계 좌표계에서 전진 운동학 기반 발 속도의 크기에 기반하여 각 발에 대한 연속적인 미끄러짐 심각도 지표 ($lv_i$) 를 정의합니다. 이 값은 시그모이드 함수를 통해 매핑되어 $[0, 1]$ 범위의 연속 점수를 생성합니다. 이 미끄러짐 수준은 직접적인 측정값이 아닌 컨텍스트 변수로 작용하며, 제로 속도 접촉 가정의 위반을 반영합니다.

2. 신경 보상기 아키텍처 (AttenNC):
   미끄러짐을 단순한 입력 특징으로 취급하는 이전 연구들과 달리, AttenNKF 는 미끄러짐을 InEKF 히스토리가 보상에 활용되는 방식을 조절하는 컨텍스트로 취급합니다.

   • 잠재 인코딩: InEKF 사후 히스토리 (상태 및 내부 보정) 와 미끄러짐 히스토리는 게이트 순환 유닛 (GRU) 을 사용하여 별도로 잠재 표현으로 인코딩됩니다.
   • 크로스 어텐션 메커니즘: 핵심 혁신은 미끄러짐 잠재가 쿼리로 작용하고 InEKF 잠재가 키와 값으로 작용하는 크로스 어텐션 모듈입니다. 이를 통해 네트워크는 현재 미끄러짐 환경에 따라 InEKF 잠재 특징을 동적으로 재가중할 수 있습니다. 예를 들어, 높은 미끄러짐 하에서 어텐션 메커니즘은 더 적절한 보상을 생성하기 위해 InEKF 히스토리의 특정 요소를 선택적으로 강조하거나 억제할 수 있습니다.
   • 학습 전략: 보상기는 두 단계로 학습됩니다:
     • 단계 1: 원시 입력 스케일에 대한 민감도를 완화하기 위해 입력을 잠재 공간으로 매핑하는 GRU 기반 오토인코더가 학습됩니다.
     • 단계 2: 어텐션 메커니즘은 "교사 - 학생" 프레임워크를 사용하여 잠재 공간에서 학습됩니다. 오차 인코더 (교사) 가 정답 오차로부터 목표 잠재 벡터를 생성하는 반면, InEKF 및 미끄러짐 인코더 (학생) 가 크로스 어텐션을 통해 보상 잠재 벡터를 생성합니다. 학생은 교사의 잠재 표현과 최종 상태 오차에 맞추도록 지도 학습됩니다.

3. InEKF 와의 통합:
   AttenNKF 는 후처리 단계로 작동합니다. InEKF 는 리 군 $SEN+2(3)$에서 표준 예측 및 업데이트 단계를 수행합니다. 그런 다음 신경 보상기는 InEKF 사후 상태와 미끄러짐 컨텍스트를 받아 잔여 보상 ($\bar{e}_t$) 을 예측합니다. 이 잔여값은 $SO(3)$의 지수 매핑을 통해 방향에, 그리고 가법 보정을 통해 속도/위치에 적용되어 최종 추정 상태를 생성합니다. 보상기는 InEKF 공분산 행렬을 수정하거나 필터 재귀에 피드백하지 않습니다.

주요 기여

• 미끄러짐 조건부 보상: 이 논문은 연속적인 발 미끄러짐 수준을 정의하고 미끄러짐 심각도와 상태 추정 오차 사이의 중간에서 강한 양의 상관관계를 입증하여, 미끄러짐을 명시적인 컨텍스트 변수로 정당화합니다.
• 어텐션 기반 아키텍처: 저자들은 미끄러짐을 연결된 특징이 아닌 조절 컨텍스트로 취급하기 위해 크로스 어텐션을 사용하는 신경 보상기를 제안합니다. 이는 보상기가 오차 감소를 위한 미끄러짐 환경 의존적 구조를 학습할 수 있게 합니다.
• 포괄적인 평가: 이 방법은 다양한 실내 지형 (평지, 자갈, 저마찰 테플론, 계단) 과 야외 경로 (변형 가능한 잔디 위 약 100m) 에 걸쳐 Unitree Go1 로봇에서 평가되었습니다.

실험 결과
실험은 AttenNKF 를 미끄러짐 제거 (SR), 학습된 접촉 (LC), 불변 신경 증강 칼만 필터 (InNKF) 라는 세 가지 기준선과 비교합니다.

• 실내 성능: 미끄러짐이 적은 지형에서는 모든 방법이 유사하게 작동합니다. 그러나 자갈과 테플론과 같은 미끄러짐이 많은 지형에서는 AttenNKF 가 기준선보다 현저히 우수합니다. 구체적으로 자갈에서 AttenNKF 는 가장 강력한 기준선 대비 상대 위치 오차 (REpos) 를 93.1% 감소시켰습니다. 테플론 시트에서는 REpos 를 48.6% 감소시켰습니다.
• 야외 성능: 부드러운 잔디 위의 약 100m 야외 경로에서 AttenNKF 는 SR, LC, InNKF 대비 REpos 를 약 55~73% 감소시켰습니다. 다른 방법들은 최대 10 미터의 수직 드리프트를 누적한 반면, AttenNKF 는 드리프트를 $\pm 2\text{--}3$ 미터 이내로 유지했습니다.
• 절대성 연구:
  • 크로스 어텐션 메커니즘을 제거하고 연결로 대체한 결과 위치 오차가 현저히 증가하여 미끄러짐 조건부 재가중의 이점을 확인했습니다.
  • 미끄러짐 조건 없이 자기 어텐션을 사용한 경우에도 성능이 저하되어 명시적인 미끄러짐 컨텍스트의 필요성을 강조했습니다.
  • 제안된 2 단계 학습 파이프라인 (오토인코더 사전 학습 followed by 어텐션 학습) 은 종단간 학습보다 우수한 결과를 산출했습니다.
  • 제안된 암시적 미끄러짐 인코딩 (원시 속도에서 학습) 은 원시 발 속도나 수동으로 설계된 명시적 미끄러짐 수준을 사용하는 것보다 분포 외 지형에서 더 강건함이 입증되었습니다.

의의 및 주장
이 논문은 AttenNKF 가 미끄러짐 심각도와 추정 오차 간의 관계를 명시적으로 모델링함으로써 미끄러짐이 빈번한 환경에서 보행 로봇 상태 추정을 위한 강건한 솔루션을 제공한다고 주장합니다. 어텐션 메커니즘을 활용하여 신경 보상기를 미끄러짐에 조건부로 설정함으로써, 이 방법은 외감 센서 없이도 다양한 지형에서 상대 오차에 대한 일관된 개선을 달성합니다. 저자들은 시스템이 580Hz 로 작동하여 실시간 제어에 적합함을 확인했다고 지적합니다. 이 연구는 미끄러짐을 특징이 아닌 컨텍스트 변수로 취급함으로써 전통적인 공분산 튜닝이나 이상치 제거가 편향을 수정하지 못하는 시나리오에서 더 해석 가능하고 효과적인 보상을 가능하게 함을 시사합니다. 향후 연구는 이러한 상태를 자율 제어에 적용하고, 프레임워크를 다른 로봇 플랫폼 (비행, 바퀴) 으로 확장하며, 공분산 추정 및 긴밀하게 결합된 공식을 조사하는 것을 제안합니다.