TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions

Stel je een robot voor die probeert zijn weg te vinden in een wereld die niet gepland is om in kaart gebracht te worden. Decennialang hebben wetenschappers robots geleerd te navigeren met behulp van "ogen"—camera's en lasers die het landschap scannen op zoek naar oriëntatiepunten. Maar wat gebeurt er als het licht uitgaat, de mist opkomt, of de robot door een dicht bos loopt waar de grond bedekt is met bladeren? De "ogen" worden blind. Dit is waar het vakgebied van proprioceptieve odometrie in beeld komt. Beschouw dit als het "innerlijke gevoel" van de robot, vergelijkbaar met hoe jij kunt voelen of je op een gladde vloer of een hobbelig pad loopt door de beweging in je eigen spieren en gewrichten te voelen, zonder dat je naar je voeten hoeft te kijken. De uitdaging is echter dat dit innerlijke gevoel gemakkelijk kan worden misleid. Als de voet van een robot uitglijdt op een natte rots of wegzakt in zachte modder, raken de interne sensoren in de war en begint de robot te denken dat hij in een rechte lijn beweegt terwijl hij eigenlijk zijwaarts glijdt. Na verloop van tijd stapelen deze kleine fouten zich op en raakt de robot hopeloos verdwaald.

Dit artikel introduceert een nieuwe oplossing genaamd TRACE, een slim systeem ontworpen om looprobots (zoals viervoetige honden of humanoïden) te helpen begrijpen waar ze zijn, zelfs wanneer hun voeten uitglijden, wegzakken of rollen op vreemd terrein. In plaats van te vertrouwen op rigide regels of handmatige instellingen om te raden of een voet uitglijdt, gebruikt TRACE een deep learning-model dat fungeert als een zeer ervaren coach. Het observeert de geschiedenis van de bewegingen en sensorgegevens van de robot en leert de "ruis" van een uitglijdende voet te negeren en zich te concentreren op het "signaal" van een stevige stap. De onderzoekers trainden dit systeem in een virtuele wereld vol willekeurige chaos—glijdende vloeren, zachte matten en onvoorspelbare hobbels—en testten het vervolgens op een echte robot in de vrije natuur. Ze ontdekten dat TRACE aanzienlijk beter is in het op koers houden van de robot dan oudere methoden, waarbij de "drift" (de afstand die de robot denkt dat hij van zijn werkelijke positie verwijderd is) in sommige lastige situaties met meer dan de helft is verminderd.

Het probleem met het "innerlijke oor" van de robot

Om te begrijpen waarom TRACE een grote doorbraak is, moeten we kijken naar hoe robots normaal gesproken proberen hun stappen te tellen. Stel je voor dat je in een donkere kamer loopt met je ogen dicht. Je probeert je stappen te tellen om te weten hoe ver je bent gegaan. Als je op een bananenschil stapt en uitglijdt, kan je brein denken dat je twee stappen hebt gezet terwijl je er eigenlijk maar één hebt gezet. Voor een robot is dit een nachtmerrie. Als de robot denkt dat hij 10 meter vooruit is bewogen, maar hij is in werkelijkheid slechts 5 meter bewogen, zal hij uiteindelijk tegen een muur botsen die hij dacht dat nog ver weg was.

Oudere methoden probeerden dit op te lossen met wiskundige filters. Deze filters zijn als strenge leraren die zeggen: "Als je voet op de grond staat, moet deze stil zijn." Maar in de echte wereld zijn voeten niet altijd stil. Ze rollen, ze zakken weg in zand, of ze glijden over ijs. Wanneer de "strenge leraar" ervan uitgaat dat de voet stilstaat terwijl deze eigenlijk aan het glijden is, loopt de wiskunde vast en raakt de robot de weg kwijt. Andere methoden probeerden camera's te gebruiken, maar zoals we al zeiden, falen camera's in het donker of bij slecht weer.

Ontmoet TRACE: De "Slimme Coach"

De auteurs van dit artikel creëerden TRACE (Tokenized Robust Attention for Contact-Aware Estimation). In plaats van een strenge leraar, kun je TRACE zien als een slimme coach die duizenden uren heeft gekeken naar robots die op elk denkbaar oppervlak lopen.

Zo werkt het in eenvoudige termen:

1. De Inputs: De robot stuurt constant een stroom gegevens naar TRACE: hoe snel hij draait (gyroscoop), hoe hard hij versnelt (accelerometer), en de positie en snelheid van elk gewricht in zijn poten.

2. De "Attention"-truc: Dit is het magische deel. TRACE gebruikt een mechanisme genaamd cross-attention. Stel je voor dat de robot vier poten heeft en elke poot zijn status naar de coach schreeuwt:

   • Poot 1 zegt: "Ik sta op stevige grond! Ik ben stabiel!"
   • Poot 2 zegt: "Ik glijd op ijs! Ik ben op dit moment nutteloos!"
   • Poot 3 zegt: "Ik zak weg in de modder!"
   • Poot 4 zegt: "Ik ben in de lucht, aan het zwaaien!"

   In het verleden moest de robot raden welke poot hij moest beluisteren op basis van een simpele regel (zoals "als de kracht laag is, is de poot in de lucht"). TRACE leert echter te luisteren. Het wijst een "gewicht" of "aandachtsscore" toe aan elke poot. Als een poot uitglijdt of wegzakt, leert TRACE het volume van die poot omlaag te draaien. Als een poot stevig staat, draait het volume omhoog. Dit doet het zonder dat een mens het systeem vertelt: "Hé, dat is een slip!" Het ontcijfert simpelweg het patroon uit de data.

3. De Fysica-check: Om ervoor te zorgen dat de robot niet zomaar wat gokt, heeft TRACE ook een "fysica-check". Het vergelijkt de geschatte snelheid van de robot met de afstand die hij denkt af te hebben gelegd. Als de wiskunde niet klopt (bijvoorbeeld als de robot zegt dat hij snel beweegt, maar de poten bewegen nauwelijks), corrigeert het systeem zichzelf. Dit is als een hardloper die beseft: "Wacht eens even, ik hijg alsof ik aan het sprinten ben, maar ik heb nog geen centimeter afgelegd; ik moet wel stil aan het rennen zijn."

Trainen in de chaos van de simulatie

Je kunt een robot niet alleen leren lopen op een enkele gladde vloer en verwachten dat hij een modderig bos aankan. De onderzoekers trainden TRACE in een virtuele simulator genaamd RaiSim. Maar ze maakten er geen saaie, vlakke wereld van. Ze maakten het chaotisch.

• Ze randomiseerden het terrein: vlakke grond, trappen, ruwe rotsen en zachte luchtbedden.
• Ze randomiseerden de slip: soms was de grond superglad, soms plakkerig.
• Ze randomiseerden de beweging van de robot: ze lieten de robot lopen met verschillende stijlen en snelheden.

Dit wordt policy randomization genoemd. Het is alsof je een student traint, niet alleen voor één specifieke toets, maar voor elke mogelijke variatie van die toets. Door zoveel verschillende manieren te zien waarop de robot kon bewegen en uitglijden, leerde TRACE om de specifieke "trucs" van de training te negeren en zich te concentreren op de universele waarheid van hoe poten en de grond met elkaar interageren.

De test in de echte wereld

Na de training in de virtuele wereld namen het team hun robot, genaamd Raibo2, mee naar de echte wereld. Ze testten hem op:

• Vlakke grond: Het makkelijke werk.
• Ruig terrein: Houten hellingen en blokken.
• Glijdende oppervlakken: Een plank bedekt met boorzuurpoeder (zeer glad!).
• Zacht terrein: Een luchtmatras die veert en inzakt.
• Buitenpaden: Gras, harde aarde en trappen.

Ze vergeleken TRACE met drie andere methoden:

1. IEKF-SR: De ouderwetse "strenge leraar" wiskundige filter.
2. Legolas: Een puur op leren gebaseerde methode die geen fysica-regels gebruikt.
3. NMN-IEKF: Een hybride methode die probeert de twee te combineren.

De resultaten: Minder drift, meer vertrouwen

De resultaten waren indrukwekkend. In het experiment met zacht terrein (het luchtbed), waar de grond verend en onvoorspelbaar was, verminderde TRACE de positiefout van de robot met 53,8% vergeleken met de beste vorige methode. Op glijdende grond verminderde het de fout met 44,1%.

Wat betekent dit? Als de andere robots dachten dat ze 10 meter van het startpunt af waren, waren ze in werkelijkheid misschien wel 15 meter verwijderd (een enorme fout). TRACE was echter veel dichter bij de waarheid. Het liet zich niet in de war brengen door de uitglijdende of wegzakkende poten, omdat het "aandachtsmechanisme" wist dat het de onbetrouwbare poten moest negeren.

De onderzoekers controleerden ook of TRACE daadwerkelijk "aandacht besteedde" aan de juiste zaken. Ze bekeken de data en zagen dat wanneer een voet gleed, de aandachtsscore voor die voet bijna naar nul daalde. Wanneer de voet stevig stond, ging de score omhoog. Dit bewees dat de robot niet zomaar gokte; het leerde de juiste sensoren te vertrouwen en de verkeerde te negeren.

Waarom dit ertoe doet

De conclusie van het artikel is dat TRACE een grote stap voorwaarts is omdat het geen camera nodig heeft om de wereld te zien, en geen mens nodig heeft om complexe regels voor elk type slip te programmeren. Het leert op eigen kracht robuust te zijn.

De auteurs zijn echter voorzichtig met de claim dat dit een "opgelost" probleem is. Ze merken op dat hoewel TRACE uitstekend is, het nog steeds afhankelijk is van de kwaliteit van de simulatietraining. Ze vermelden ook dat toekomstig werk zou kunnen kijken naar het voorspellen van hoeveel een voet precies uitglijdt, in plaats van het alleen maar te negeren. Maar voor nu laat TRACE zien dat door robots te leren "luisteren" naar hun lichaam met een slim, adaptief oor, we hen kunnen helpen navigeren door de rommelige, onvoorspelbare echte wereld zonder de weg kwijt te raken.

Kortom, TRACE is als het geven van een superkracht aan een robot: het vermogen om te weten waar het is, zelfs wanneer de grond onder de voeten tegen het zegt liegt.