⚡ electrical engineering

Proprioceptive Invariant State Estimation for Humanoid Robots on Non-Inertial Ground

Dit artikel presenteert een recht-invariante uitgebreide Kalmanfilter die real-time, louter proprioceptieve staatsschatting voor humanoïde robots op niet-inertiele grond mogelijk maakt, waarbij aanzienlijk snellere convergentie en verminderde positiefouten worden bereikt in vergelijking met bestaande methoden.

Oorspronkelijke auteurs: Falak Mandali, Zijian He, Yan Gu

Gepubliceerd 2026-06-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Falak Mandali, Zijian He, Yan Gu

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 humanoïde robot genaamd "Digit" voor die probeert te lopen, te hurken of stil te staan. Stel je nu voor dat de vloer waarop hij staat geen massieve, stationaire betonnen plaat is, maar een bewegend, wiegend en stampend oppervlak — zoals een schip in een ruwe zee of een treinwagon die optrekt en afremt.

Voor een robot om rechtop te blijven staan en correct te bewegen, moet hij precies weten waar hij is en hoe snel hij beweegt. Dit wordt state estimation (toestandschatting) genoemd.

Het Probleem: De "Blinde" Robot op een Bewegende Bus

De meeste robots van vandaag zijn als passagiers op een bus die ervan uitgaan dat de bus geparkeerd staat. Ze gebruiken hun interne sensoren (zoals een gevoel voor evenwicht en gewrichtshoeken) om hun positie te raden, uitgaande van het feit dat de grond onder hen perfect stilstaat.

Maar als de bus (de grond) begint te bewegen, breekt de aanname van de robot over de "stilstaande grond". De robot raakt in de war. Hij denkt dat hij valt, terwijl de vloer eigenlijk gewoon onder hem door beweegt.

Om dit op te lossen, proberen wetenschappers meestal een camera op de bus te plaatsen of een sensor op de vloer om de robot te vertellen: "Hé, de vloer beweegt!" Maar in de echte wereld kun je niet altijd een camera aan een bewegend schip of een trein vastmaken. Je hebt een robot nodig die dit kan uitzoeken met alleen zijn eigen interne sensoren (zijn "proprioceptie").

De Oplossing: De "Invariante" Filter

Dit paper introduceert een nieuw wiskundig brein (een algoritme genaamd een Invariant Extended Kalman Filter, of InEKF) waarmee de robot zijn beweging ten opzichte van de bewegende vloer kan begrijpen zonder hulp van buitenaf.

Zo werkt het, met behulp van een eenvoudige analogie:

1. De "Voeten als Ankers" Truc
Stel je voor dat je op een bewegende roltrap op een vliegveld staat. Je kunt de vloer niet zien bewegen, maar je voelt je voeten. Als je voeten stevig op de grond staan en niet glijden, weet je dat de beweging die je voeten voelen, de beweging van de roltrap is.

De Innovatie van het Paper: De robot heeft speciale sensoren (IMU's) op zijn voeten. Het nieuwe algoritme maakt gebruik van het feit dat wanneer een voet stevig neergezet is, deze fungeert als een tijdelijk anker. Door de versnelling en rotatie van die geplaatste voet te voelen, kan de robot wiskundig berekenen hoe de gehele grond beweegt, zelfs zonder sensoren op de grond zelf.

2. De "Rechtshandige" Wiskunde (Invariante Filtering)
Standaard wiskunde voor robots wordt vaak rommelig en onnauwkeurig als een robot begint met een grote gok over waar hij zich bevindt (bijv. "Ik denk dat ik 1 meter naar links sta, maar ik sta eigenlijk 1 meter naar rechts").

De Innovatie van het Paper: De auteurs gebruikten een speciaal type wiskunde genaamd "Invariante" filtering. Denk hierbij aan een kompas dat altijd naar het Noorden wijst, ongeacht hoe jij je lichaam draait. Deze methode zorgt ervoor dat zelfs als de robot begint met een grote fout in zijn schatting, hij zichzelf zeer snel en vloeiend kan corrigeren, zonder in de war te raken door de complexe fysica van de bewegende grond.

Wat ze hebben getest

De onderzoekers hebben dit getest op de Digit-robot in een laboratorium. Ze plaatsten de robot op een loopband die zijwaarts kon wiegen en op en neer kon stampen (om een bewegend schip te simuleren).

Ze testten vijf scenario's:

Stilstaan.
Hurken.
Lopen.
Dit doen terwijl de loopband op verschillende manieren bewoog.

De Resultaten: Sneller en Slimmer

Het paper claimt drie belangrijke overwinningen:

Snelheid: De nieuwe methode corrigeerde de positie van de robot 96% sneller dan oudere methoden. Als de robot begon met een grote fout (denkend dat hij 1 meter verwijderd was terwijl dat niet zo was), herstelde hij die fout in een fractie van een seconde.
Nauwkeurigheid: De schatting van de positie van de robot was 80% nauwkeuriger dan de oude methoden. In de looptests was de fout minder dan 9 centimeter, zelfs toen de grond wild bewoog.
Geen Extra Apparatuur: Het bereikte dit alles met alleen de sensoren die al op de robot aanwezig zijn (gewrichtssensoren en sensoren op de romp en de voeten). Er waren geen camera's of sensoren op de vloer nodig.

Eén Extra Truc: Het Fixen van de "Spin"

Het paper merkte ook een kleine beperking op: hoewel de robot perfect kon begrijpen waar hij was en hoe snel hij bewoog, had hij het soms moeilijk om precies te weten welke kant hij op keek (zijn oriëntatie) als de grond op een heel specifieke, eenvoudige manier bewoog.

Om dit op te lossen, probeerden ze een simpele truc: meer sensoren aan de robot te bevestigen. Door drie sensoren in een driehoek op de romp van de robot te plaatsen, kon de robot een "mentale kaart" van zijn eigen lichaam opbouwen en perfect zijn richting bepalen, net zoals je kunt zien welke kant een tafel op wijst als je drie duidelijke punten ervan kunt zien.

Samenvatting

Kortom, dit paper leert een robot hoe hij op een bewegend schip kan lopen met alleen zijn eigen gevoel voor evenwicht en tastzin. Dit doet hij door zijn geplaatste voet te behandelen als een referentiepunt om de beweging van de grond te "voelen", gebruikmakend van speciale wiskunde om fouten direct te corrigeren, en bewijst dat dit beter en sneller werkt dan vorige methoden die vertrouwden op een stilstaande grond of extra sensoren die aan de vloer bevestigd waren.

Technische Samenvatting: Proprioceptieve Invariante Toestandschatting voor Humanoid Robots op Niet-Inertieel Ondergrond

Probleemstelling
Nauwkeurige, real-time toestandschatting is fundamenteel voor de modelgebaseerde planning en regeling van legged robots. Hoewel bestaande schatters, zoals Invariant Extended Kalman Filters (InEKFs), hoge prestaties hebben geleverd op statische terreinen door gebruik te maken van groep-affiene dynamica en invariante observatiecondities, vertrouwen zij op de aanname dat de ondersteunende ondergrond stationair is. Deze aanname faalt in niet-inertiële omgevingen (bijv. bewegende treinen, schepen of vliegtuigen), waar door de grond geïnduceerde translationele en rotationele bewegingen significante nonlineariteiten introduceren in de systeemdynamica en meetmodellen. Het negeren van deze bewegingen leidt tot modelleringsfouten die de nauwkeurigheid van de schatting degraderen.

Huidige benaderingen voor niet-inertiële toestandschatting kampen met praktische beperkingen:

Absolute Toestandschatting: Methoden die de absolute toestand van de robot in een inertieel wereldframe schatten, vereisen vaak directe, nauwkeurige kennis van de absolute pose en snelheid van de grond, wat zonder externe instrumentatie zelden beschikbaar is.
Relatieve Toestandschatting: Recente methoden die de toestand van de robot relatief aan een bewegend grondframe schatten, vereisen doorgaans een externe IMU die fysiek op de grond is gemonteerd om de beweging ervan te meten. Dit is vaak onpraktisch voor real-world implementaties vanwege instrumentatiebeperkingen, communicatievertragingen en signaalverlies in ongestructureerde omgevingen.
Learning-Based Methoden: Hoewel veelbelovend, vereisen learning-based schatters substantiële trainingsdata en blijft hun generalisatie naar niet-inertiële omgevingen onduidelijk.

Er is behoefte aan een volledig proprioceptieve schatter die de beweging van een robot relatief aan een bewegende grond accuraat kan volgen zonder afhankelijk te zijn van externe sensoren of expliciete metingen van de grondbeweging.

Methodologie
Het artikel stelt een Proprioceptive Invariant Extended Kalman Filter (InEKF) voor, ontworpen om de relatieve basispositie en -snelheid van een humanoid robot ten opzichte van een dynamisch grondframe te schatten met behulp van uitsluitend onboard sensoren (gewrichtsencoders en IMU's gemonteerd op de romp en de voeten).

Toerstandsrepresentatie: De filter schat de relatieve basisoriëntatie ( $R_B^D$ ), positie ( $p_t^D$ ) en snelheid ( $v_t^D$ ) ten opzichte van het dynamische grondframe $\{D\}$ . De toestand is ingebed in een matrix Lie-groep $G$ , bestaande uit een dubbele ruimtelijke isometrie $SE_3(3)$ en de speciale orthogonale groep $SO(3)$.
Procesmodellering:
- De filter leidt continu-tijd dynamica af voor de relatieve basisoriëntatie, snelheid en positie.
- Cruciaal is dat het de afhankelijkheid van directe grondbewegingsmetingen (die niet beschikbaar zijn) elimineert door gebruik te maken van kinematische restricties bij de standvoet. Door gebruik te maken van metingen van een voet-gemonteerde IMU, berekent de filter expliciet de door de grond geïnduceerde versnellingen en hoeksnelheden die vereist zijn voor het procesmodel.
- Het model houdt rekening met nietlineaire effecten geïnduceerd door grondbeweging en behandelt voetslip als witte Gaussische ruis.
- Discrete gebeurtenissen, zoals voetlanding en stand-switching, worden afgehandeld via een discrete propagatiestap die de pose van de standvoet bijwerkt via forward kinematica, terwijl de continuïteit in de basis-toestand behouden blijft.
Meetmodel:
- De filter gebruikt leg-odometrie afgeleid van gewrichtsencoders als de meetbron.
- Het meetmodel is geformuleerd om te voldoen aan een rechts-invariante observatieconditie. Deze structuur zorgt ervoor dat de foutendynamica lineair en trajectonafhankelijk is in het deterministische geval, wat robuuste convergentie bevordert, zelfs onder grote initiële onzekerheden.
Observabiliteitsanalyse:
- Een lokale observabiliteitsanalyse van de geliniariseerde log-foutdynamica onthult dat de relatieve basissnelheid altijd observeerbaar is.
- De relatieve basispositie is observeerbaar onder algemene grondbewegingen, mits de standvoet-IMU rotatie detecteert op ten minste twee assen.
- De analyse geeft aan dat de basisoriëntatie onobserveerbaar is onder een nominale sensorconfiguratie (één torso-IMU en één voet-IMU). Het demonstreert echter dat het verrijken van de sensorconfiguratie met meerdere niet-collineaire IMU's op de romp de reconstructie van de basisoriëntatie mogelijk maakt, waardoor volledige toestandsobservabiliteit wordt bereikt.

Belangrijkste Bijdragen

Volledig Proprioceptieve InEKF Formulering: Een nieuwe InEKF die de pose en snelheid van de basis van een humanoid robot relatief aan een niet-inertieel grondframe schat met uitsluitend gewrichtsencoders en torso-/voet-gemonteerde IMU's, waardoor de noodzaak voor externe grondsensoren wordt geëlimineerd.
Expliciete Nietlineaire Modellering: Proces- en meetmodellen die expliciet rekening houden met door de grond geïnduceerde nonlineariteiten. Het meetmodel voldoet aan de rechts-invariante observatieconditie, wat gunstige foutendynamica mogelijk maakt onder grote initiële fouten.
Observabiliteitskarakterisering: Een analyse die de voorwaarden vaststelt waaronder relatieve basispositie en -snelheid observeerbaar zijn. Het stelt verder een eenvoudige strategie voor sensoraugmentatie voor (meerdere torso-IMU's) om de observabiliteit van de basisoriëntatie te herstellen.
Experimentele Validatie: Hardware-experimenten op de Digit humanoid robot tijdens het uitvoeren van staande, hurkende en wandelende taken op een wiegende en hellende loopband.

Experimentele Resultaten
Experimenten werden uitgevoerd op de Digit robot onder vijf testgevallen met diverse robotbewegingen (staan, hurken, lopen) en grondbewegingen (zwaaien, hellen). De voorgestelde filter (genoemd FRS) werd vergeleken met twee baselines: SRS (een standaard InEKF voor statische grond) en DRS (een InEKF voor dynamische grond die een externe grond-gemonteerde IMU vereist).

Convergentiesnelheid: De voorgestelde FRS bereikte een versnelling van 96% in convergentiesnelheid vergeleken met bestaande InEKFs. Specifiek convergeerde FRS binnen 0,1 seconde naar de grondwaarheid voor positie-estimatie, terwijl de DRS-baseline 3–5 seconden nodig had.
Nauwkeurigheid:
- FRS vertoonde een reductie van 80% in positie-estimatiefouten vergeleken met bestaande InEKFs.
- In de steady-state bereikte FRS positiefoutwaarden onder de 4 cm voor staande en hurkende taken (Gevallen T1–T4), vergeleken met ongeveer 10 cm voor de DRS-baseline.
- Tijdens het wandelen op een hellende grond (Geval T5) behield FRS een gemiddelde schattingsfout van minder dan 9 cm, ondanks initiële fouten van wel 1 meter.
Oriëntatieherstel: Experimenten met drie op de torso gemonteerde IMU's slaagden erin de basisoriëntatie te reconstrueren met gemiddelde absolute fouten onder de 0,4° in roll, pitch en yaw, wat de voorgestelde augmentatiestrategie valideert.
Real-time Prestaties: Alle filters, inclus inclusief de voorgestelde methode, ondersteunden real-time implementatie met rekentijden van minder dan 3 ms per cyclus op een standaard laptop.

Betekenis en Claims
Het artikel claimt dat de voorgestelde aanpak nauwkeurige, real-time toestandschatting mogelijk maakt voor humanoid robots in niet-inertiële omgevingen zonder expliciete grondbewegingsdetectie. Door gebruik te maken van voet-gemonteerde IMU's om gronddynamica af te leiden, overwint de methode de praktische beperkingen van de noodzaak voor externe instrumentatie. De auteurs stellen dat de filter een robuuste oplossing biedt voor planning- en regelingstaken gedefinieerd relatief aan een bewegende omgeving, waarbij superieure convergentie en nauwkeurigheid wordt bereikt vergeleken met state-of-the-art baselines, zelfs onder aanzienlijke initiële onzekerheden en grote grondbewegingen. Het werk valideert dat volledige toestandsobservabiliteit kan worden bereikt door eenvoudige sensoraugmentatie, wat de aanpak levensvatbaar maakt voor inzet in ongestructureerde, dynamische omgevingen.