Technische Samenvatting: Online Leren van Robuuste Gevoedde Odometrie met Minimale Exteroceptieve Supervisie

Probleemstelling

Robuuste navigatie voor looprobots is afhankelijk van nauwkeurige odometrie, die doorgaans wordt bereikt via multi-sensor fusie. Traditionele benaderingen kampen echter met aanzienlijke implementatiehinderpalen:

1. Complexiteit van Kalibratie en Modellering: Het fuseren van proprioceptieve (gewrichtssensoren, IMU's) en exteroceptieve (camera's, LiDAR) gegevens vereist nauwgezette inter-sensor kalibratie en platformspecifieke kinematische modellering. Deze parameters zijn gevoelig voor veranderingen in de robotconfiguratie of sensorbevestiging.
2. Kwetsbaarheid voor Omgevingsdegradatie: Hoewel industrieel verpakte exteroceptieve sensoren nauwkeurige tracking bieden, falen ze onder adversariële omstandigheden (bijv. weinig licht voor camera's, kenmerkloze omgevingen voor LiDAR).
3. Beperkingen van Proprioceptie: Puur proprioceptieve methoden vertrouwen op handontworpen kinematische en contactmodellen, die degraderen onder invloed van slip, impacten, terreincompliantie of veranderingen in belading.
4. Beperkingen van Offline Training: Bestaande leergestuurde methoden vereisen vaak offline training op representatieve datasets, wat hun aanpassingsvermogen aan nieuwe hardware of dynamische omgevingen beperkt zonder pretraining.

Het artikel adresseert de behoefte aan een plug-and-play, platform-agnostisch odometriesysteem dat in staat is om online proprioceptieve-naar-snelheidsmappings te leren met minimale supervisie, waardoor expliciete kalibratie of pretraining wordt geëlimineerd, en naadloos kan terugvallen op geleerde proprioceptie wanneer exteroceptieve sensoren falen.

Methodologie

Het voorgestelde systeem bestaat uit twee primaire componenten: een Online Learned Proprioceptive Module en een Robust Invariant Extended Kalman Filter (InEKF) framework.

1. Efficiënte ESN-gebaseerde Proprioceptie via Low-Rank EKF

De kerninnovatie is een proprioceptieve module die leert de basissnelheid direct te schatten vanuit ruisige gewrichtsniveau-sensoren (posities, snelheden, momenten) zonder handontworpen modellen.

• Echo State Network (ESN) Ruggengraat: Om de computationele kosten van het online trainen van recurrente gewichten te vermijden, gebruikt het systeem een ESN. De geschiedenis van gewichtssignalen wordt gecomprimeerd in een reservoirtoestand ($x_t$) via vaste, willekeurig geïnitialiseerde recurrente dynamiek. Dit fungeert als een delay-embedding van de proprioceptieve geschiedenis.
• MLP Readout: Een Multi-Layer Perceptron (MLP) met gewichten $\hat{\theta}_t$ brengt de reservoirtoestand in kaart naar de basissnelheid ($v^{esn}_t$).
• Online Training met Low-Rank EKF (LOFI): In plaats van Stochastic Gradient Descent (SGD) te gebruiken, wat moeite heeft met onzekerheidskwantificering en sample-weging in stromende data, gebruiken de auteurs een filteringbenadering.
  • De optimale readout-parameters $\theta^*_t$ worden behandeld als een latente toestand die evolueert via een random walk.
  • Een Low-Rank EKF werkt de MLP-gewichten in real-time bij met behulp van ijle (sparse) exteroceptieve snelheids-supervisie ($v^{sup}_t$) wanneer deze beschikbaar is.
  • Deze methode houdt rekening met de onzekerheid in zowel de proprioceptieve input (reservoirtoestand covariantie) als het supervisiesignaal.
  • Het gebruik van een low-rank benadering (LOFI) stelt het systeem in staat om de hoge dimensionaliteit van de MLP-gewichten ($D \approx 8000+$) in real-time te verwerken, waarbij een geheugencomplexiteit van $O(D(L+C))$ en een computationele complexiteit van $O(D(L+C)^2)$ wordt behouden.

2. Robuuste InEKF-gebaseerde Gevoedde Odometrie

De geleerde proprioceptieve snelheid wordt gefuseerd met IMU-gegevens en optionele exteroceptieve snelheid binnen een InEKF-framework.

• Toerustrepresentatie: De navigatietoestand omvat oriëntatie, snelheid, positie en IMU-biases, gepropageerd via een strapdown IMU-model.
• Adaptieve Meetselectie: Een Switching Manager selecteert dynamisch de bron van de snelheidsmeting:
  • Exteroceptief (VINS): Wordt gebruikt wanneer het visueel-inertieel systeem betrouwbaar is. Het dient ook als het supervisiesignaal voor het updaten van de proprioceptieve MLP.
  • Proprioceptief (ESN): Wordt gebruikt wanneer VINS degradeert (bijv. textureloze scènes, veranderingen in lichtinval). Het systeem vertrouwt dan op het geleerde model, dat is bijgewerkt tijdens perioden van betrouwbare supervisie.
• Onzekerheidshantering: De switching-logica monitort de gezondheid van de VINS (kwaliteit van feature tracking en covariantie) en de ESN-covariantie. Als de VINS als "onbruikbaar" wordt gemarkeerd en de ESN-covariantie laag is, schakelt het systeem over naar de geleerde proprioceptieve snelheid voor zowel de toestandsschatting als het stoppen van de MLP-update om corruptie door slechte supervisie te voorkomen.

Belangrijkste Bijdragen

1. Online Proprioceptieve Leren: Het artikel presenteert de eerste methode die geleerd wordt als een MLP-readout over een ESN, die online tijdens de inzet wordt getraind. Het vereist geen pretraining, geen handontworpen kinematische/contactmodellen, en is overdraagbaar naar elke looprobot met proprioceptieve sensoren.
2. Low-Rank EKF voor Neurale Training: De auteurs maken gebruik van een low-rank EKF om de MLP-readoutgewichten online te trainen. Deze benadering kwantificeert uniek de onzekerheid in de gewichten en de input, wat adaptieve leersnelheden mogelijk maakt op basis van de kwaliteit van het supervisiesignaal, waarmee de beperkingen van standaard SGD in streaming settings worden overwonnen.
3. Robuust InEKF Framework: Een verenigd odometriesysteem dat IMU-gegevens optimaal fuseert met ofwel geleerde proprioceptieve of exteroceptieve snelheden. Het beschikt over een adaptieve schakelstrategie die veerkracht garandeert wanneer exteroceptieve sensoren falen, door naadloos terug te vallen op het online geleerde model.

Experimentele Resultaten

De methode werd gevalideerd op twee quadrupedale platforms: Boston Dynamics Spot en Ghost Robotics Vision 60.

• Evaluatie van de Spot-dataset:

  • Het systeem werd getest op verschillende sequenties (bijv. ATRIUM, BICORRIDOR, DOWNSTAIR) met supervisievensters van 10s, 30s en 60s.
  • Prestaties: Met slechts 30 seconden aan supervisie leerde de methode een betrouwbare snelheidskaart. In veel sequenties presteerde het competitief met of zelfs beter dan GaRLILEO (exteroceptief-proprioceptieve baseline) en de Leg-InEKF (offline gekalibreerde baseline), ondanks het ontbreken van offline kalibratie.
  • Observatie: De nauwkeurigheid verbeterde met langere supervisievensters. Uitzonderingen traden op (bijv. de OVERPASS-sequentie) waar de ongesuperviseerde bewegingsdistributie (trappen afdalen) significant verschilde van de gesuperviseerde distributie (vlakke grond/trappen opgaan), wat leidde tot drift. Dit onderstreept de beperking dat het model niet generaliseert buiten de distributie van zijn supervisie.

• Real-world Deployment op Vision 60:

  • Getest in een gebouw met een Intel RealSense D435i, zonder externe kalibratie tussen de camera en de robotsensoren.
  • Scenario's: De robot bewoog door visueel gedegradeerde zones, waaronder een gang met uitgeschakelde lichten en een toilet waar de lichten midden in een draai werden gedoofd.
  • Resultaat: Wanneer VINS faalde door een gebrek aan visuele kenmerken of veranderingen in de lichtinval, detecteerde de switching manager de degradatie succesvol en schakelde over naar de geleerde proprioceptieve module. Het systeem behield nauwkeurige trajecten, terwijl de VINS-alleen baseline ernstige drift en overshoot vertoonde.

Betekenis en Claims

Het artikel claimt een veerkrachtig, platform-agnostisch odometriesysteem te hebben gedemonstreerd dat:

• Kalibratie Elimineert: Verwijdert de noodzaak voor expliciete exteroceptief-naar-proprioceptief kalibratie of systeemkinematische modellering, wat "plug-and-play" inzet op verschillende hardware mogelijk maakt.
• Aanpasbaar is aan Adversariële Condities: Handhaaft robuuste bewegingsschatting door naadloos terug te vallen op een online geleerd proprioceptief model wanneer exteroceptieve sensoren degraderen.
• Efficiënt Online Leert: Bewijst dat complexe neurale netwerk-readouts in real-time kunnen worden getraind met behulp van low-rank EKF, waarbij rekening wordt gehouden met de onzekerheden van zowel de sensorinput als het supervisiesignaal.

Erkende Beperkingen:
De auteurs merken bescheiden op dat het framework ervan uitgaat dat exteroceptie en proprioceptie niet gelijktijdig degraderen. Verder wordt niet verwacht dat de geleerde readout MLP generaliseert naar bewegingsdistributies die significant verschillen van de door de snelheidssupervisie gedekte distributies; het voorspellen van snelheid voor ongeziene bewegingstypes zal resulteren in incorrecte schattingen.