기술 요약: 다리 오도메트리를 위한 접촉 표현 학습

문제 정의

다리 보행 로봇의 오도메트리는 지지 단계(stance phase) 동안 발의 속도가 세계 좌표계에 대해 0이라는 가정, 즉 제로 벨로시티 업데이트(Zero-Velocity Update, ZUPT)라는 제약 조건에 근본적으로 의존합니다. 이 가정을 통해 운동학적 사슬(kinematic chains)은 본체의 속도 드리프트를 보정할 수 있습니다. 그러나 전체 상태 추정 파이프라인의 정확도는 접촉 감지 알고리즘의 정밀도에 의해 제한됩니다.

현재의 접근 방식들은 다음과 같은 중대한 과제에 직면해 있습니다:

• 센서 한계: 많은 방법론이 발 끝의 지면 반력(GRF) 센서에 의존합니다. 이러한 센서는 기계적 고장, 충격 유발 노이즈에 취약하며, 최소한의 센서만 탑재된 배포 플랫폼에서는 아예 존재하지 않는 경우가 많습니다.
• 미끄러짐 및 외란: GRF 센서가 존재하더라도, 발이 지면과 접촉 중인 상태에서 모델링되지 않은 미끄러짐과 같은 외란에 반응하지 못할 수 있습니다.
• 이진 분류의 결함: 접촉을 이진 상태(지지 vs 스윙)로 취급하는 것은 복잡한 발-지형 상호작용을 지나치게 단순화합니다. 엄격한 임계값 설정은 과도기적 단계(이륙/착지)나 센서 노이즈를 반영하지 못하여, 상태 추정기에 잘못된 측정 업데이트를 초래할 수 있습니다.
• 레이블 의존성: 지도 학습 기반 접근 방식은 GRF 데이터로부터 유도된 의사 레이블(pseudo-labels)을 필요로 하며, 이는 힘 센서 자체의 노이즈와 한계를 그대로 물려받게 됩니다.

방법론

저자들은 힘 센서의 보강이나 인간의 레이블링 없이 오직 표준적인 고유 수용성 센서(관절 인코더)만을 사용하여 접촉을 감지하는 자기 지도 학습 기반의 표현 학습 프레임워크를 제안합니다.

1. 상태 추정 프레임워크

시스템은 **오차 상태 확장 칼만 필터(ESEKF)**를 채택합니다. 시스템을 비선형 명목 상태(nominal state)와 선형 오차 상태(error state)로 분리하여 처리합니다. 필터는 지지 중인 발의 예측된 세계 좌표계 속도를 기반으로 하는 측정 함수를 사용합니다. 결정적으로, 측정 공분산 행렬은 고정된 공분산이나 엄격한 임계값을 사용하는 대신, 지지 상태의 연속적인 확률에 따라 동적으로 스케일링됩니다.

2. 접촉 감지 구조

본 연구는 세 가지 뚜렷한 접근 방식을 비교합니다:

• 비지도 학습 베이스라인 (HMM-GMM): 로우(raw) 운동학 데이터(수직 발 위치, 3D 발 속도, 종아리 토크)에 직접 피팅된 가우시안 혼합 모델(GMM)에 의해 방출 확률이 모델링되는 은닉 마르코프 모델(HMM)입니다. 이 방식은 로우 운동학 데이터가 이봉 가우시안 분포를 따른다는 가정에 국한되는데, 저자들은 지지 매니폴드와 스윙 매니폴드 사이의 비선형적 교차로 인해 실제로는 그렇지 않음을 입증했습니다.
• 지도 학습 베이스라인 (CNN/GRU): 이진 교차 엔트로피 손실을 통해 훈련된 딥 뉴럴 네트워크(1D CNN 및 Gated Recurrent Unit)입니다. 이 모델들은 운동학 데이터를 이진 접촉 상태로 매핑하기 위해 GRF에서 유도된 의사 레이블을 정답(ground truth)으로 사용합니다.
• 제안된 자기 지도 학습 프레임워크 (DAE-GMM):
  • 노이즈 제거 오토인코더 (DAE): 입력의 노이즈가 추가되고 증강된 버전으로부터 원래의 운동학 시퀀스를 재구성하도록 훈련되는 신경망(CNN 또는 GRU 기반)입니다. 목적은 물리적 상태(지지 vs 스윙)가 자연스럽게 분리되는 잠재 표현($Z$)을 학습하는 것입니다.
  • 잠재 공간 모델링: 인코더에 의해 생성된 잠재 코드(latent codes)는 비지도 2-컴포넌트 GMM에 적합됩니다. 이를 통해 물리적 접촉 모드를 별개의 확률적 매니폴드로 격리합니다.
  • 연속적 믿음(Continuous Belief): 이진 분류기와 달리, 이 프레임워크는 지지 상태에 대한 연속적인 사후 확률을 출력합니다. 이 확률은 ESEKF의 측정 공분산을 스케일링하는 데 사용되어, 필터가 엄격한 임계값 없이도 신뢰할 수 없는 운동학 데이터(예: 스윙 또는 미끄러짐 중)를 동적으로 거부할 수 있게 합니다.

3. 입력 특징

"차원의 저주"와 불량한 조건의 공분산 행렬을 피하기 위해, 모델은 특정 5D 부분 집합의 특징을 활용합니다:

• 베이스 대비 수직 발 위치($p^B_{foot,z}$).
• 순운동학(forward kinematics)에 의해 추정된 3D 발 속도($v^B_{rel}$).
• 추정된 종아리 토크($\tau_{calf}$).

주요 기여

1. 레이블 프리 표현 학습: GRF 센서나 의사 레이블에 의존하지 않고 오직 관절 운동학으로부터 연속적인 접촉 확률을 추출하는 자기 지도 학습 프레임워크를 구축했습니다.
2. 동적 ESEKF 정식화: 잠재 생성적 믿음(latent generative belief)에 의해 구동되는 측정 불확실성 모델을 통해, 정적 임계값이 아닌 동적 스케일링을 구현했습니다.
3. 확률 밀도 추정의 경험적 검증: 접촉 감지가 지도 학습 기반의 이진 분류 작업보다 자기 지도 학습 기반의 확률 밀도 추정 작업으로서 더 적합하다는 증거를 제시했습니다. 연구 결과, 의사 레이벨에 대한 우수한 분류 정확도가 반드시 더 나은 다운스트림 오도메트리 성능으로 이어지지는 않는다는 점을 보여주었습니다.

실험 결과

프레임워크는 TartanGround 시뮬레이션 데이터셋과 콘크리트, 잔디, 바위 지형을 포함한 실제 데이터셋에서 평가되었습니다.

• 분류 vs 오도메트리: 지도 학습 모델(CNN/GRU)이 GRF 기반 의사 레이벨에 대해 더 높은 분류 지표(정밀도/재현율/F1)를 달로 기록했음에도 불구하고, 제안된 자기 지도 학습 방식에 비해 다운스트림 다리 오도메트리 작업에서는 성능이 떨어졌습니다.
• 미끄러짐 강건성: 미끄러짐이 발생하는 시나리오에서, 지도 학습 모델은 노이즈가 많은 GRF 신호에 의존하여 지지 시간을 과대평가하는 경 경향이 있었습니다. 반면, 자기 지도 학습 DAE 방식은 신뢰할 수 있는 지지의 부재를 정확히 식별하여, 불안정한 접촉 중에 거의 0에 가까운 지지 확률을 생성함으로써 잘못된 상태 보정을 방지했습니다.
• 오도메트리 정확도: 제안된 DAE (CNN) 및 DAE (GRU) 방식은 시뮬레이션과 실제 환경 테스트 모두에서 가장 낮은 절대 궤적 오차(ATE), 절대 헤딩 오차(AHE) 및 기타 오차 지표를 달성했습니다.
  • 실제 테스트에서 DAE (CNN)는 최상의 지도 학습 CNN(21.95m) 및 GRF 임계값 방식(25.36m)과 비교하여 ATE를 17.20m까지 감소시켰습니다.
• 시간적 맥락: 절제 연구(Ablation studies) 결과, 입력 윈도우 크기를 늘리면 주기적인 보행 역학으로 인해 잠재 공간이 비선형 링 매니폴드를 형성하여 GMM 성능을 저하시키는 것으로 나타났습니다. 결과적으로, 선형적으로 분리 가능한 잠재 공간을 유지하기 위해 윈도우 크기 $W=1$이 최적임이 밝혀졌습니다.

의의 및 주장

본 논문은 접촉 감지를 자기 지도 학습 기반의 연속적 확률 밀도 추정 작업으로 정식화하는 것이 지도 학습 기반의 이진 분류보다 더 견고한 접근 방식이라고 주장합니다.

• 하드웨어 불가지론(Hardware Agonosticism): 이 방법은 힘 센서가 없는 로봇에서도 표준 관절 인코더만을 사용하여 견고한 상태 추정을 가능하게 합니다.
• 불확실성 처리: 이진 상태가 아닌 연속적 믿음을 출력함으로써, 시스템은 이진 분류기가 흔히 오해하는 미끄러짐 own 및 컴플라이언스(compliance)와 같은 발-지형 상호작용의 내재적 모호성을 더 잘 처리할 수 있습니다.
• 일반화: 자기 지도 학습 방식은 노이즈가 많은 GRF 의사 레이벨과 관련된 도메인 시프트 문제를 피함으로써 실제 환경에서의 일반화 성능을 높입니다.

저자들은 이진 접촉 분류가 모델링되지 않은 역학으로 인해 근본적으로 문제가 있는 문제(ill-posed)인 반면, 확률적이고 자기 지도 학습적인 접근 방식이 다운스트림 상태 추정을 위한 더 우수한 토대를 제공한다고 결론짓습니다.