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

Technische Samenvatting: Op Aandacht Gebaseerde Neuraal-Augmenteerde Kalman-filter voor Toestandsbepaling van Lopende Robots

Probleemstelling
Lopende robots vereisen nauwkeurige real-time toestandsbepaling (pose, snelheid, contacttoestand) om wendbare locomotie over diverse terreinen te bereiken. Hoewel proprioceptieve sensoren (IMU, gewencoder) bestand zijn tegen ongunstige weersomstandigheden in vergelijking met exteroceptieve sensoren (LiDAR, camera's), lijden ze onder significante schattingsfouten wanneer voetglijding optreedt. Standaard kinematica-gebaseerde schatters, zoals het Invariante Uitgebreide Kalman-filter (InEKF), vertrouwen op een aanname van niet-glijden waarbij contactpunten worden gemodelleerd als quasi-statische vaste punten. Wanneer glijden optreedt, wordt deze aanname geschonden, wat een bias injecteert in de toestandsupdate-stap. Bestaande methoden behandelen glijden doorgaans indirect door de meetcovariantie op te blazen, updates te verwerpen of glijden te behandelen als procesruis. Deze benaderingen falen om de door glijden veroorzaakte bias expliciet te schatten en direct te compenseren, wat leidt tot opgebouwde drift, met name in de verticale ($z$)-richting. Bovendien concateneren eerdere neuraal-augmenteerde filters vaak heterogene signalen (glijden, toestand, metingen) zonder glijden expliciet te modelleren als een conditionerende context, wat resulteert in compensatoren die moeilijk te interpreteren en af te stemmen zijn over variërende glijdregimes.

Methodologie
De auteurs stellen de Op Aandacht Gebaseerde Neuraal-Augmenteerde Kalman-filter (AttenNKF) voor, een hybride schatter die een standaard InEKF aanvult met een neurale compensator die is ontworpen om expliciet glijden-geïnduceerde fouten aan te pakken.

1. Definitie van Continu Voetglijdniveau:
   De methode definieert een continu glijdheidsindicatie ($lv_i$) voor elke voet op basis van de grootte van de voet-snelheid op basis van voorwaartse kinematica in het wereldframe tijdens de standfase. Deze waarde wordt via een sigmoid-functie gemapt om een continue score in $[0, 1]$ te produceren. Dit glijdniveau dient als contextvariabele in plaats van een directe meting, en weerspiegelt de schending van de aanname van nul-snelheid contact.

2. Architectuur van Neuraal Compensator (AttenNC):
   In tegenstelling tot eerdere werken die glijden behandelen als een eenvoudige invoerfeature, behandelt AttenNKF glijden als een context die modulerend werkt op hoe de InEKF-historie wordt benut voor compensatie.

   • Latente Encodering: De InEKF-posterior-historie (toestand en interne correcties) en de glijd-historie worden afzonderlijk gecodeerd in latente representaties met behulp van Gated Recurrent Units (GRU's).
   • Cross-Attention Mechanisme: De kerninnovatie is een cross-attention-module waarbij de glijd-latente werkt als query, en de InEKF-latente werkt als key en value. Dit stelt het netwerk in staat om de InEKF-latente features dynamisch te herwegen op basis van het huidige glijdregime. Bijvoorbeeld, bij hoge glijding kan het attention-mechanisme selectief specifieke elementen van de InEKF-historie benadrukken of onderdrukken om een meer geschikte compensatie te genereren.
   • Trainingsstrategie: De compensator wordt in twee stappen getraind:
     • Stap 1: Een GRU-gebaseerde autoencoder wordt getraind om invoer af te beelden op een latente ruimte, wat de gevoeligheid voor ruwe invoerschalen vermindert.
     • Stap 2: Het attention-mechanisme wordt getraind in de latente ruimte met behulp van een "teacher-student"-kader. Een Error Encoder (teacher) genereert een doellatente vector uit grondwahrheidsfouten, terwijl de InEKF- en Glijd-Encoders (student) de compensatielatente genereren via cross-attention. De student wordt gesuperviseerd om de latente representatie van de teacher en de uiteindelijke toestandsfout te matchen.

3. Integratie met InEKF:
   De AttenNKF werkt als een nabewerkingsstap. Het InEKF voert zijn standaard voorspelling- en update-stappen uit op de Lie-groep $SEN+2(3)$. De neurale compensator neemt vervolgens de InEKF-posteriortoestand en de glijd-context om een residuale compensatie ($\bar{e}_t$) te voorspellen. Dit residu wordt toegepast op de oriëntatie (via de exponentiële afbeelding op $SO(3)$) en de snelheid/positie (via additieve correctie) om de geschatte eindtoestand te produceren. De compensator wijzigt niet de InEKF-covariantiematrix en voert geen terugkoppeling uit in de filterrecursie.

Belangrijkste Bijdragen

• Glijd-Geconditioneerde Compensatie: Het paper definieert een continu voetglijdniveau en demonstreert een matige tot sterke positieve correlatie tussen glijdheidszwaarte en toestandsbepalingsfout, wat glijden rechtvaardigt als een expliciete contextvariabele.
• Op Aandacht Gebaseerde Architectuur: De auteurs stellen een Neuraal Compensator voor die cross-attention gebruikt om glijden te behandelen als een modulerende context in plaats van een geconcateneerde feature. Dit stelt de compensator in staat om glijdregime-afhankelijke structuren voor foutreductie te leren.
• Uitgebreide Evaluatie: De methode wordt geëvalueerd op een Unitree Go1-robot over diverse binnenlandse terreinen (vlak, grind, laag-frictie Teflon, trappen) en een buitentraject (~100m op vervormbaar gras).

Experimentele Resultaten
Experimenten vergelijken AttenNKF met drie baselines: Slip Rejection (SR), Learned Contact (LC) en het Invariante Neuraal-Augmenteerde Kalman-filter (InNKF).

• Binnenlandse Prestaties: Op terreinen met weinig glijding presteren alle methoden vergelijkbaar. Echter, op terreinen met hoge glijding (grind en Teflon) presteert AttenNKF aanzienlijk beter dan de baselines. Specifiek verlaagde AttenNKF op grind de relatieve positiefout (REpos) met 93,1% ten opzichte van de sterkste baseline. Op het Teflon-vel verlaagde het REpos met 48,6%.
• Buitenlandse Prestaties: Op een ~100m buitentraject over zacht gras verlaagde AttenNKF REpos met ongeveer 55–73% ten opzichte van SR, LC en InNKF. Terwijl andere methoden tot 10 meter verticale drift opbouwden, hield AttenNKF de drift binnen $\pm 2\text{--}3$ meter.
• Ablatiestudies:
  • Het verwijderen van het cross-attention-mechanisme (vervangen door concatenatie) resulteerde in aanzienlijk hogere positiefouten, wat het voordeel van glijd-geconditioneerde herweging bevestigt.
  • Het gebruik van self-attention zonder glijd-conditionering degradeerde ook de prestaties, wat de noodzaak van expliciete glijd-context benadrukt.
  • De voorgestelde twee-staps trainingspijplijn (autoencoder voortraining gevolgd door attention-training) leverde superieure resultaten op ten opzichte van end-to-end training.
  • Het gebruik van de voorgestelde impliciete glijdencodering (geleerd uit ruwe snelheid) bleek robuuster op terreinen buiten de verdeling dan het gebruik van ruwe voetsnelheid of handgemaakte expliciete glijdniveaus.

Betekenis en Claims
Het paper beweert dat AttenNKF een robuuste oplossing biedt voor toestandsbepaling van lopende robots in omgevingen die vatbaar zijn voor glijding door expliciet de relatie tussen glijdheidszwaarte en schattingsfout te modelleren. Door een attention-mechanisme te gebruiken om de neurale compensator te conditioneren op glijding, bereikt de methode consistente verbeteringen in relatieve fout over diverse terreinen zonder exteroceptieve sensoren te vereisen. De auteurs merken op dat het systeem opereert op 580 Hz, wat de geschiktheid voor real-time besturing bevestigt. Het werk suggereert dat het behandelen van glijding als een contextvariabele in plaats van een feature toelaat tot meer interpreteerbare en effectieve compensatie, met name in scenario's waar traditionele covariantie-aanpassing of uitschieterverwijdering faalt om bias te corrigeren. Voor toekomstig werk wordt voorgesteld deze toestanden toe te passen op autonome besturing, het kader uit te breiden naar andere robotplatforms (lucht, wielen), en covariantieschatting en strak gekoppelde formuleringen te onderzoeken.