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

Resumo Técnico: Filtro de Kalman Aumentado por Rede Neural com Base em Atenção para Estimativa de Estado de Robôs com Patas

Declaração do Problema
Robôs com patas requerem estimativa de estado em tempo real precisa (posição, velocidade, estado de contato) para alcançar locomoção ágil em terrenos diversos. Embora sensores proprioceptivos (IMU, codificadores de junta) sejam robustos a condições climáticas adversas em comparação com sensores exteroceptivos (LiDAR, câmeras), eles sofrem erros de estimativa significativos quando ocorre deslizamento do pé. Estimadores baseados em cinemática padrão, como o Filtro de Kalman Estendido Invariante (InEKF), baseiam-se em uma suposição de não-deslizamento, onde os pontos de contato são modelados como pontos fixos quase-estáticos. Quando ocorre deslizamento, essa suposição é violada, injetando viés na etapa de atualização do estado. Métodos existentes geralmente lidam com o deslizamento indiretamente inflando a covariância de medição, descartando atualizações ou tratando o deslizamento como ruído de processo. Essas abordagens falham em estimar explicitamente e compensar diretamente o viés induzido pelo deslizamento, levando a um desvio acumulado, particularmente na direção vertical ($z$). Além disso, filtros anteriores aumentados por rede neural frequentemente concatenam sinais heterogêneos (deslizamento, estado, medições) sem modelar explicitamente o deslizamento como um contexto de condicionamento, resultando em compensadores difíceis de interpretar e ajustar em regimes de deslizamento variados.

Metodologia
Os autores propõem o Filtro de Kalman Aumentado por Rede Neural com Base em Atenção (AttenNKF), um estimador híbrido que aprimora um InEKF padrão com um compensador neural projetado para abordar explicitamente erros induzidos por deslizamento.

1. Definição Contínua do Nível de Deslizamento do Pé:
   O método define um indicador contínuo de severidade de deslizamento ($lv_i$) para cada pé com base na magnitude da velocidade do pé baseada em cinemática direta no referencial do mundo durante a fase de apoio. Esse valor é mapeado através de uma função sigmoide para produzir uma pontuação contínua em $[0, 1]$. Esse nível de deslizamento serve como uma variável de contexto em vez de uma medição direta, refletindo a violação da suposição de velocidade zero no contato.

2. Arquitetura do Compensador Neural (AttenNC):
   Diferentemente de trabalhos anteriores que tratam o deslizamento como um recurso de entrada simples, o AttenNKF trata o deslizamento como um contexto que modula como o histórico do InEKF é utilizado para compensação.

   • Codificação Latente: O histórico posterior do InEKF (estado e correções internas) e o histórico de deslizamento são codificados separadamente em representações latentes usando Unidades Recorrentes com Portões (GRUs).
   • Mecanismo de Atenção Cruzada: A inovação central é um módulo de atenção cruzada onde o latente de deslizamento atua como a consulta (query), e o latente do InEKF atua como a chave e o valor. Isso permite que a rede repondere dinamicamente os recursos latentes do InEKF com base no regime de deslizamento atual. Por exemplo, sob alto deslizamento, o mecanismo de atenção pode enfatizar ou suprimir seletivamente elementos específicos do histórico do InEKF para gerar uma compensação mais apropriada.
   • Estratégia de Treinamento: O compensador é treinado em duas etapas:
     • Etapa 1: Um autoencoder baseado em GRU é treinado para mapear entradas para um espaço latente, mitigando a sensibilidade às escalas de entrada bruta.
     • Etapa 2: O mecanismo de atenção é treinado no espaço latente usando um framework "professor-aluno". Um Codificador de Erro (professor) gera um vetor latente alvo a partir de erros de verdade absoluta, enquanto os Codificadores de InEKF e de Deslizamento (aluno) geram o latente de compensação via atenção cruzada. O aluno é supervisionado para corresponder à representação latente do professor e ao erro final de estado.

3. Integração com InEKF:
   O AttenNKF opera como uma etapa de pós-processamento. O InEKF executa suas etapas padrão de previsão e atualização no grupo de Lie $SEN+2(3)$. O compensador neural então toma o estado posterior do InEKF e o contexto de deslizamento para prever uma compensação residual ($\bar{e}_t$). Esse resíduo é aplicado à orientação (via mapa exponencial em $SO(3)$) e à velocidade/posição (via correção aditiva) para produzir o estado estimado final. O compensador não modifica a matriz de covariância do InEKF nem retroalimenta a recursão do filtro.

Principais Contribuições

• Compensação Condicionada ao Deslizamento: O artigo define um nível contínuo de deslizamento do pé e demonstra uma correlação positiva moderada a forte entre a severidade do deslizamento e o erro de estimativa de estado, justificando o deslizamento como uma variável de contexto explícita.
• Arquitetura Baseada em Atenção: Os autores propõem um Compensador Neural que usa atenção cruzada para tratar o deslizamento como um contexto modulador em vez de um recurso concatenado. Isso permite que o compensador aprenda estruturas dependentes do regime de deslizamento para redução de erro.
• Avaliação Abrangente: O método é avaliado em um robô Unitree Go1 em diversos terrenos internos (plano, cascalho, Teflon de baixo atrito, escadas) e em uma trajetória externa (~100m em grama deformável).

Resultados Experimentais
Os experimentos comparam o AttenNKF contra três baselines: Rejeição de Deslizamento (SR), Contato Aprendido (LC) e o Filtro de Kalman Aumentado por Rede Neural Invariante (InNKF).

• Desempenho Interno: Em terrenos de baixo deslizamento, todos os métodos performam de forma similar. No entanto, em terrenos de alto deslizamento (cascalho e Teflon), o AttenNKF supera significativamente as baselines. Especificamente, no cascalho, o AttenNKF reduziu o erro de posição relativa (REpos) em 93,1% em comparação com a baseline mais forte. Na folha de Teflon, reduziu o REpos em 48,6%.
• Desempenho Externo: Em uma trajetória externa de ~100m sobre grama macia, o AttenNKF reduziu o REpos em aproximadamente 55–73% em comparação com SR, LC e InNKF. Enquanto outros métodos acumularam até 10 metros de desvio vertical, o AttenNKF manteve o desvio dentro de $\pm 2\text{--}3$ metros.
• Estudos de Ablação:
  • Remover o mecanismo de atenção cruzada (substituindo-o por concatenação) resultou em erros de posição significativamente maiores, confirmando o benefício da reponderação condicionada ao deslizamento.
  • Usar atenção sem auto-condicionamento de deslizamento também degradou o desempenho, destacando a necessidade de contexto explícito de deslizamento.
  • O pipeline de treinamento de duas etapas proposto (pré-treinamento de autoencoder seguido por treinamento de atenção) produziu resultados superiores em comparação com o treinamento ponta a ponta.
  • Usar a codificação implícita de deslizamento proposta (aprendida a partir da velocidade bruta) provou ser mais robusta em terrenos fora da distribuição do que usar velocidade bruta do pé ou níveis de deslizamento explícitos artesanais.

Significado e Alegações
O artigo afirma que o AttenNKF oferece uma solução robusta para estimativa de estado de robôs com patas em ambientes propensos a deslizamento, modelando explicitamente a relação entre severidade de deslizamento e erro de estimativa. Ao utilizar um mecanismo de atenção para condicionar o compensador neural ao deslizamento, o método alcança melhorias consistentes no erro relativo em vários terrenos sem exigir sensores exteroceptivos. Os autores notam que o sistema opera a 580 Hz, confirmando sua adequação para controle em tempo real. O trabalho sugere que tratar o deslizamento como uma variável de contexto em vez de um recurso permite uma compensação mais interpretável e eficaz, particularmente em cenários onde o ajuste tradicional de covariância ou rejeição de outliers falha em corrigir viés. Trabalhos futuros são propostos para aplicar esses estados ao controle autônomo, estender o framework para outras plataformas robóticas (aéreas, com rodas) e investigar estimativa de covariância e formulações fortemente acopladas.