💻 computer science

OCELOT: Odometry and Contact Estimation for Legged Robots

Dit artikel introduceert OCELOT, een volledige poot-odometrie-pijplijn die gebruikmaakt van een Error-State EKF met proprioceptieve sensoren en een nieuw module voor contactschatting met twee detectoren om glijden expliciet te identificeren en te verwerpen, waardoor nauwkeurige en robuuste lokalisatie over diverse terreinen wordt bereikt zonder afhankelijkheid van externe sensoren.

Oorspronkelijke auteurs: Emre Girgin, Cagri Kilic

Gepubliceerd 2026-05-22

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Emre Girgin, Cagri Kilic

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een vierpotige robot voor die probeert door een bos, een rotsachtig strand of een hobbelige achtertuin te lopen. In tegenstelling tot een auto met wielen die soepel rollen, moet een robot met poten voortdurend zijn poten optillen, neerzetten en afduwen. De grootste uitdaging? Weten precies waar hij is zonder de wereld te bekijken met camera's of GPS. Hij moet volledig vertrouwen op "proprioceptie" – zijn interne gevoel voor lichaamspositie, net zoals jij in het donker kunt lopen zonder tegen dingen aan te lopen omdat je weet waar je ledematen zijn.

Dit artikel, getiteld OCELOT, presenteert een nieuw "brein" voor deze robots dat hen helpt uit te zoeken waar ze zijn, zelfs als hun poten wegglijden op gladde rotsen of wegzakken in zacht gras.

Hier is hoe het werkt, opgesplitst in eenvoudige concepten:

1. Het Probleem: De "Dronken Gang"

Wanneer een robot loopt, gebruikt hij een interne gyroscoop (IMU) om zijn beweging te raden. Maar net als een persoon die in het donker loopt, stapelen kleine fouten zich op. Als de robot denkt dat hij een stap voorwaarts heeft gezet maar in werkelijkheid zijwaarts is wegglipt, groeit die fout. Na verloop van tijd denkt de robot dat hij op een andere plek is dan hij werkelijk is. Dit heet "drift".

Om dit op te lossen, moet de robot precies weten wanneer een voet stevig op de grond staat en niet beweegt. Wanneer een voet vastzit aan de grond, kan de robot zeggen: "Oké, ik weet precies waar deze voet is; laat me dat gebruiken om mijn kaart te corrigeren."

De Vangst: Het is moeilijk om te zeggen of een voet echt vastzit.

Als de robot op een rots stapt, kan de voet zwaar aanvoelen (hoge kracht), maar kan hij zijwaarts glijden.
Als de robot op zacht gras stapt, kan de voet weinig bewegen, maar de grond zakt in, waardoor het moeilijk is om te zeggen of hij echt stil staat.

2. De Oplossing: Een "Dubbelcheck"-Systeem

De auteurs hebben een systeem ontwikkeld dat fungeert als een zeer strenge doorman bij een club. Om toe te staan dat de robot op een stap vertrouwt, moet de voet twee verschillende tests tegelijkertijd doorstaan. Als hij er één niet haalt, negeert de robot die stap om verdwaald te raken.

Test A: De "Zware Hand" (Krachtdetector)

De robot controleert hoe hard de voet naar beneden duwt.

De Analogie: Stel je voor dat je op een weegschaal staat. Als de weegschaal nul aangeeft, sta je er niet op. Als hij je gewicht aangeeft, sta je erop.
De Innovatie: In plaats van een simpele "aan/uit"-schakelaar te gebruiken (bijvoorbeeld: "als gewicht > 10 kg, dan staan"), maakt het OCELOT-systeem gebruik van een slim statistisch model (een Gaussische mengselmodel) dat in real-time leert hoe "staan" en "zwaaien" aanvoelen. Het past zich aan het terrein aan. Als de grond zacht is, past het zijn verwachtingen aan.

Test B: De "Stiltecheck" (Kinematische Detector)

De robot controleert of de voet zich door de lucht verplaatst of stil blijft.

De Analogie: Stel je voor dat je een kop koffie vasthoudt. Als je loopt, beweegt de kop. Als je stopt, stopt de kop. De robot berekent waar de voet zou moeten zijn op basis van zijn gewrichten. Als de wiskunde aangeeft dat de voet beweegt, maar de robot denkt dat hij staat, is er iets mis (misschien glijdt hij).
De Innovatie: Dit maakt gebruik van een statistische test (GLRT) om te zien of de snelheid van de voet echt nul is of slechts "ruis".

3. De "Fusie" (De Beslissing van de Doorman)

Het magische gebeurt wanneer deze twee tests worden gecombineerd.

Scenario 1 (Glijden op IJs): De voet voelt zwaar aan (Test A slaagt), maar hij glijdt zijwaarts (Test B faalt). Resultaat: De robot zegt: "Ik glijd! Vertrouw deze stap niet."
Scenario 2 (Zakken in Modder): De voet beweegt niet veel (Test B slaagt), maar de grond zakt in waardoor de krachtmeting vreemd is (Test A faalt). Resultaat: De robot zegt: "De grond is onstabiel! Vertrouw deze stap niet."
Scenario 3 (Perfecte Stap): De voet is zwaar én beweegt niet. Resultaat: De robot zegt: "Groot! Ik weet precies waar ik ben."

4. De "Vertrouwensscore"

In plaats van gewoon "Ja" of "Nee" te zeggen, geeft het systeem een Vertrouwensscore (van 0 tot 1).

Als de score hoog is (perfecte stap), maakt de robot een grote correctie in zijn kaart.
Als de score laag is (misschien een kleine slip), maakt de robot een kleine correctie of negeert hij het helemaal.
Dit voorkomt dat de robot grote fouten maakt op basis van slechte data.

5. Het Bewijs: De "2,4 km Wandeltocht"

Om te bewijzen dat dit werkt, hebben de onderzoekers het niet alleen getest in een schoon laboratorium. Ze bouwden een enorme dataset:

De Robot: Een Unitree Go2 viervoeter (een hond-achtige robot).
De Reis: Ze liepen ermee 2,4 kilometer (ongeveer 1,5 mijl) over 29 verschillende paden.
Het Terrein: Beton, tegels, gras, kiezelstenen en scherpe rotsen.
Het Resultaat: Hun methode was aanzienlijk nauwkeuriger dan eerdere methoden. Terwijl andere robots verdwaalden of van koers raakten (vooral op rotsen en kiezelstenen), bleef de OCELOT-robot op koers. Hij presteerde zelfs beter dan sommige systemen die camera's gebruiken (die meestal falen op rotsen of in het donker).

Samenvatting

OCELOT is als het geven van een supergevoelig gevoel voor aanraking en evenwicht aan een robot. Door te cross-referenceren hoe hard de voet tegen de grond duwt met hoe stil de voet eigenlijk is, kan de robot het verschil zien tussen een stevige stap en een gevaarlijke slip. Hierdoor kan hij ruig, onvoorspelbaar terrein navigeren zonder verdwaald te raken, allemaal zonder de wereld te hoeven zien of GPS te hoeven gebruiken.

Technische Samenvatting: OCELOT – Odometrie en Contactestimatie voor Benige Robots

Probleemstelling

Accurate odometrie voor benige robots in ongestructureerd en ongelijk terrein blijft een aanzienlijke uitdaging, vooral bij uitsluitend gebruik van aan boord aanwezige proprioceptieve sensoren (IMU, joint-encoders en krachtsensoren). In tegenstelling tot wielenrobots ervaren benige systemen intermitterende contactdynamiek waarbij de voeten cyclisch contact maken en verbreken met de grond. De fundamentele beperking van proprioceptieve benenodometrie is de niet-observeerbaarheid van absolute positie en koers wanneer uitsluitend wordt vertrouwd op sensoren die aan het lichaam zijn bevestigd. Hoewel Error-State Extended Kalman Filters (ESEKF) het dominante kader vormen voor het propageren van de toestand via Inertiale Navigatiesystemen (INS) en het corrigeren van drift met behulp van Zero Velocity Updates (ZUPTs), hangt hun effectiviteit af van het nauwkeurig identificeren wanneer een voet zich in een stationaire "stance"-fase bevindt. Bestaande methoden voor contactestimatie worstelen vaak met voetglijden, falen bij het aanpassen aan variërende terreinkarakteristieken, of vertrouwen op aanvullende hardware (bijvoorbeeld op de voet gemonteerde IMU's) en leer-gebaseerde classifiers die geen gekalibreerde onzekerheid bieden.

Methodologie

Het artikel stelt OCELOT voor, een volledige pipeline voor benenodometrie gebaseerd op een ESEKF die uitsluitend vertrouwt op standaard proprioceptieve data: een aan het lichaam gemonteerde IMU, joint-encoders en voetsensoren voor kracht. De kerninnovatie ligt in een gefuseerd contactdetectie- en onzekerheidskwalificatiemodule die expliciet glijden identificeert en afwijst.

1. Toestandsestimatiekader

Het systeem maakt gebruik van een ESEKF waarbij de toestand is gescheiden in een niet-lineaire nominale toestand (positie, snelheid, oriëntatie, IMU-bias) en een lineaire fouttoestand.

Propagatie: De nominale toestand wordt gepropageerd met behulp van bias-gecorrigeerde IMU-metingen via Euler-integratie.
Correctie: De filter corrigeert drift wanneer een voet wordt bepaald in stance te zijn, onder de aanname dat de snelheid van de voet ten opzichte van het wereldframe nul is ( $v^W_{foot} = 0$ ).

2. Gefuseerde Contactdetectie

Om robuust stance-fases te bepalen, voert het systeem twee parallelle detectoren uit voor elke voet en fuseert hun output:

Detector 1: Krachtgebaseerde GMM-geleide FSM
- Gebruikt Ground Reaction Force (GRF)-data om fysiek contact te bepalen.
- In plaats van vaste drempelwaarden, maakt het gebruik van een Gaussian Mixture Model (GMM) dat is aangepast aan een schuivend venster van historische krachtdata om autonoom bimodale distributies te identificeren (swing versus stance).
- Een Finite State Machine (FSM) gebruikt dynamisch gegenereerde drempelwaarden ( $F_{on}$ , $F_{off}$ ) om toestandsovergangen te beheren, en past zich aan aan verschillende oppervlaktekarakteristieken zonder handmatige afstelling.
- Outputt een continue kwaliteitscore ( $q_{FSM}$ ) die de waarschijnlijkheid van fysieke belasting weergeeft.
Detector 2: Kinematische GLRT
- Gebruikt de geschatte voetsnelheid afgeleid van de lichaams-IMU en kinematica van de gewrichten.
- Past een Generalized Likelihood Ratio Test (GLRT) toe om de hypothese te evalueren dat de voet stationair is ( $H_0$ ) versus bewegend ( $H_1$ ).
- In tegenstelling tot eerdere werken die voetgemonteerde IMU's vereisen, vertrouwt deze methode uitsluitend op de hoofd-IMU en kinematische modellen.
- Outputt een continue kwaliteitscore ( $q_{GLRT}$ ) die kinematische stationariteit weergeeft.

3. Adaptieve Onzekerheidskwalificatie

De twee scores worden gefuseerd met behulp van een multiplicatieve "soft AND-gate" ( $q_{final} = q_{FSM} \times q_{GLRT}$ ). Dit zorgt voor een hoge betrouwbaarheidsscore alleen wanneer de voet zowel fysiek belast als kinematisch stationair is.

Dynamische Covariantie: De gefuseerde score wordt gebruikt om een adaptieve meetruis-covariantiematrix ( $R_i$ $R_{i}$ ) te berekenen voor de ESEKF.
- Hoge betrouwbaarheid (geen slip) $\rightarrow$ Lage covariantie (sterke correctie).
- Lage betrouwbaarheid (slip of ruis) $\rightarrow$ Hoge covariantie (de filter weegt de meting minder zwaar).
Gating: Een op innovatie gebaseerde gating-stap ( $\chi^2$ -test) verwijdert statistische uitbijters voordat de definitieve correctie plaatsvindt.

Belangrijkste Bijdragen

Nieuw Contactdetectiekader: Een fusie van een krachtgebaseerde GMM-FSM en een kinematische GLRT-detector die de noodzaak van aanvullende op de voet gemonteerde sensoren elimineert, terwijl er een continue contactkwaliteitsscore wordt gegenereerd.
Adaptieve Onzekerheidsschatting: Een methode om de gefuseerde contactkwaliteitsscore om te zetten in een dynamische meetcovariantie ( $R_i$ ), waardoor de ESEKF metingen intelligent kan wegen op basis van betrouwbaarheid en slipgebeurtenissen robuust kan afwijzen.
Open-Source ESEKF-pipeline: Een complete toestands estimator voor benenodometrie van viervoeters met uitsluitend aan boord aanwezige proprioceptieve sensoren.
Multi-terrein Dataset: Een publiek beschikbare dataset bestaande uit 29 sequenties (totaal 2,4 km) over diverse terreinen (beton, tegels, gras, kiezels, rots), inclusief gesynchroniseerde proprioceptieve data, RGB-video en puntwolken.

Experimentele Resultaten

De auteurs hebben OCELOT geëvalueerd tegenover seminale proprioceptieve baselines (Bloesch et al., Hartley et al.) en state-of-the-art Visual-Inertial Odometry (VIO)-systemen (OpenVINS, VINS-Fusion) op hun aangepaste dataset.

Proprioceptieve Vergelijking: OCELOT presteerde aanzienlijk beter dan bestaande proprioceptieve methoden over alle terreintypes en metrieken (ATE, AHE, RPE, Drift).
- Op rots-terrein bereikte OCELOT een Absolute Trajectoirefout (ATE) van 6,857 m, vergeleken met 15,028 m (Hartley et al.) en 30,876 m (Bloesch et al.).
- Op beton verlaagde OCELOT de ATE tot 12,019 m, een aanzienlijke verbetering ten opzichte van de baselines.
Exteroceptieve Vergelijking: Ondanks het gebruik van uitsluitend proprioceptieve sensoren, presteerde OCELOT beter dan VIO-systemen op uitdagende granulaire terreinen (kiezels, rots) en vervormbare oppervlakken (gras).
- Op rots faalden VIO-systemen aanzienlijk (OpenVINS ATE: 27,279 m; VINS-Fusion: 15,719 m), terwijl OCELOT een ATE van 6,857 m handhaafde.
- De auteurs merken op dat VIO-systemen moeite hadden met zeer dynamische, kenmerkarme oppervlakken (beton, tegels), wat leidde tot divergentie, terwijl OCELOT robuust bleef.
Ablatiestudies:
- Noodzaak van Fusie: De ablatiestudie toonde aan dat geen enkele detector alleen voldoende is. De GLRT-only detector leed onder geaccumuleerde kinematische ruis op lange trajecten (bijvoorbeeld 23,161 m ATE op beton), terwijl de FSM-only detector faalde bij specifieke sequenties (bijvoorbeeld 9,577 m ATE op tegels) waar krachtdata alleen contact verkeerd classificeerde. Het gefuseerde model bereikte consequent de laagste of bijna laagste fout over alle terreinen.
- Invloed van Covariantie: Sensitiviteitsanalyse bevestigde dat nauwkeurige covariantiekwalificatie cruciaal is; het onderschatten van covariantie (het opleggen van hoog vertrouwen in ruisdata) leidde tot ernstige laterale drift en yaw-divergentie, een faalmodus die werd waargenomen bij basismethoden die statische of slecht geschaalde covarianties gebruikten.

Betekenis en Claims

Het artikel stelt dat OCELOT een robuuste oplossing biedt voor benenodometrie in omgevingen waar slip prevalent is en externe sensoren (zoals camera's) kunnen falen door gebrek aan kenmerken of dynamische verlichting. Door contactonzekerheid expliciet te modelleren en krachts- en kinematische data te fuseren, bereikt de methode accurate toestandsestimatie zonder de rekenkundige overhead van visuele verwerking of de hardwarecomplexiteit van op de voet gemonteerde sensoren. De auteurs benadrukken dat hun aanpak het probleem van "niet-observeerbaarheid" van absolute koers in proprioceptieve systemen effectief aanpakt door ervoor te zorgen dat alleen hoogwaardige, niet-glijdende metingen worden gebruikt om de filter te corrigeren, waardoor de yaw-divergentie die bij andere methoden voorkomt, wordt voorkomen. De release van de dataset en code beoogt verder onderzoek in benige robotica en multi-modale odometrie te faciliteren.