Resumo Técnico: Odometria Proprioceptiva Ancorada em Contato (CAPO)

Declaração do Problema

A estimativa de estado precisa (pose e velocidade) para robôs perna é crítica para o planejamento de movimento e controle estável. Embora sensores exteroceptivos (LiDAR, câmeras) acoplados ao SLAM forneçam feedback global, eles costumam ser pouco confiáveis em ambientes desafiadores (ex: iluminação precária, partículas em suspensão, vegetação) e computacionalmente caros para plataformas leves. Métodos puramente proprioceptivos, que dependem apenas de dados de IMU e motores, enfrentam desafios significativos:

1. Deriva da IMU (IMU Drift): A dupla integração da aceleração leva a uma rápida deriva de posição e velocidade devido ao viés e ruído.
2. Sensores de Junta Ruidosos: A diferenciação direta dos dados de encoder introduz picos e ruído de quantização, degradando as estimativas de velocidade.
3. Ambiguidade de Contato: Determinar quais pernas estão em contato confiável (apoio/stance) versus em balanço (swing) é difícil, especialmente sob condições de terreno imperfeito.
4. Deriva de Elevação e Yaw: O deslocamento de longo prazo frequentemente resulta em erros acumulados de altura (elevação) e direção (yaw), particularmente quando as restrições da IMU estão degradadas.

Metodologia

O artigo propõe o CAPO (Contact-Anchored Proprioceptive Odometry), um estimador de estado unificado aplicável a robôs bípedes, quadrupedes e robôs perna-roda. A filosofia central é tratar contatos terrestres confiáveis como âncoras cinemáticas para corrigir intermitentemente o estado do robô.

1. Estrutura Unificada e Seleção de Apoio (Stance)

• Entradas: O sistema utiliza apenas dados de IMU (aceleração, velocidade angular) e medições de motor (ângulos de junta, velocidades e torques estimados).
• Detecção de Apoio: Uma perna é considerada em apoio se a componente vertical da força de pé estimada (derivada dos torques das juntas e do Jacobiano geométrico) cair abaixo de um limite configurável. Um escore de confiança suave é computado para lidar com transições.
• Registro de Toque (Footfall Recording): Ao detectar um evento de toque, a posição do pé no referencial do mundo é registrada. Durante a fase de apoio, este ponto é tratado como uma âncora estacionária no referencial do mundo. A posição do corpo do robô é inferida subtraindo a cinemática atual do corpo desta âncora armazenada.

2. Estabilidade de Elevação: Agrupamento de Altura (Height Clustering)

Para prevenir a deriva vertical de longo prazo, o sistema emprega um agrupamento de altura leve e correção por decaimento temporal:

• Alturas de toque são associadas a um conjunto de registros de planos de suporte.
• Novas alturas de toque são "ajustadas" (snapped) aos planos de suporte observados anteriormente dentro de uma resolução configurável.
• Pesos de confiança para esses planos decaem ao longo do tempo, permitindo que o sistema se adapte a novos terrenos enquanto suprime a deriva induzida por ruído.

3. Propagação Perça-Roda (Wheel-Legged Propagation)

Para robôs perna-roda, o ponto de contato não é estacionário mesmo sem deslizamento; ele se propaga via rotação da roda. O método introduz:

• Ângulo de Rolagem Efetivo: Compensa a rotação aparente da roda causada pelo pitch do canela (movimento da perna) para isolar a rolagem real no solo.
• Propagação Consciente de Inclinação (Slope-Aware): Ajusta um plano de suporte local a partir de contatos confiáveis para determinar a direção de rolagem, permitindo que o registro de contato se propague ao longo da tangente do terreno em vez de apenas no plano horizontal.
• Compensação Lateral: Considera o deslocamento lateral do contato da roda induzido pelo roll do canela.

4. Suavização de Velocidade: IKVel-CKF

Para mitigar picos impulsivos na velocidade do pé causados pela quantização do encoder e diferenciação discreta, o artigo introduz um Filtro de Kalman de Cubatura de Cinemática Inversa (IKVel-CKF) opcional:

• Ele estima a velocidade cartesiana canela-pé diretamente a partir de ângulos e velocidades de junta usando um modelo de observação não linear.
• Diferente dos Filtros de Kalman Estendidos (EKF), o CKF evita cálculos de Jacobiano e parâmetros de escala, oferecendo estabilidade numérica para medições de cinemática inversa.
• Este módulo (variante CAPO-CKE) fornece um feedback de velocidade mais suave para a atualização de fusão, reduzindo a propagação de ruído para a estimativa de estado.

5. Supressão de Deriva de Yaw

O artigo aborda a deriva de yaw (que é fracamente observável apenas via IMU) usando consistência geométrica de múltiplos contatos:

• Quando múltiplas pernas estão em apoio, a geometria relativa entre seus registros de toque no referencial do mundo é fixa.
• O sistema compara os vetores relativos de contato no referencial do mundo com os vetores relativos no referencial do corpo (derivados da cinemática das juntas).
• Qualquer discrepância revela um desalinhamento de yaw. Isso é aplicado como um prior suave de heading ao estimador de atitude, em vez de um reset rígido, efetivamente arrestando a deriva durante o apoio prolongado e fornecendo uma referência de fallback quando as restrições de yaw da IMU estão degradadas.

Principais Contribuições

1. Odometria Unificada e Independente de Morfologia: Um único framework que lida com bípedes, quadrupedes e robôs perna-roda, formando dinamicamente restrições a partir do conjunto atual de efetores finais em contato.
2. Registro de Toque com Correção de Altura: Um mecanismo para registrar posições de contato no mundo e corrigir a deriva de elevação via agrupamento de planos de suporte, garantindo estabilidade vertical de longo prazo.
3. Filtragem Não Linear de Cinemática Inversa: O uso de IKVel-CKF para suprimir picos de velocidade induzidos pelo encoder, melhorando a robustez das restrições de velocidade sem a necessidade de sensores externos.
4. Correção de Yaw Baseada Apenas em Cinemática: Um método para suprimir a deriva de yaw de longo horizonte ao impor consistência geométrica entre a cinemática do corpo e os registros de contato no mundo, atuando como um prior suave.
5. Validação no Mundo Real e Código Aberto: Avaliação em quatro plataformas distintas (Unitree Go2 EDU e três robôs Astrall) com liberação pública de código e dados para reprodutibilidade.

Resultados Experimentais

O método foi avaliado em quatro plataformas utilizando trajetórias de malha fechada envolvendo movimentos tanto horizontais quanto verticais:

• Simulação (Gazebo): CAPO e CAPO-CKE superaram significativamente uma linha de base de SLAM baseado em LiDAR em ambientes de baixa textura, particularmente no canal vertical. O CAPO-CKE demonstrou robustez superior contra outliers de velocidade durante a subida de escadas.
• Unitree Go2 EDU:
  • Fechou um loop horizontal de ~120 m com erro de 2,21 m.
  • Fechou um loop vertical de ~8 m com erro de altura <0,1 m.
• Robô Astrall de Pé (A):
  • Fechou um loop horizontal de ~200 m com erro de 0,16 m.
  • Fechou um loop vertical de ~15 m com erro de 0,22 m.
• Robô Astrall Perna-Roda (B):
  • Fechou um loop horizontal de ~200 m com erro de 0,23 m.
  • Fechou um loop vertical de ~15 m com erro de 0,20 m.
• Robô Astrall Perna-Roda (C):
  • Fechou um loop horizontal de ~700 m com erro de 7,68 m (atribuído a deslizamento e violações de contato em longos alcances).
  • Fechou um loop vertical de ~20 m com erro de 0,54 m.

Significância e Alegações

O artigo afirma que o CAPO fornece uma solução de odometria puramente proprioceptiva e robusta que permanece eficaz sem visão ou LiDAR. Sua significância reside em:

• Supressão de Deriva: Sucesso na supressão da deriva de longo prazo tanto em posição (via ancoragem de toque) quanto em elevação (via agrupamento de altura) usando apenas sensores embarcados.
• Versatilidade: Demonstração de que uma formulação cinemática unificada pode lidar com diversas morfologias, incluindo as complexidades da locomoção perna-roda.
• Confiabilidade em Condições Degradadas: Fornecimento de uma referência de heading derivada da cinemática que estabiliza o sistema quando as restrições de yaw da IMU são pouco confiáveis, um modo de falha comum em operações autônomas de longa duração.
• Praticidade: Os autores observam que, embora a deriva horizontal residual permaneça sensível a erros de heading e violações do modelo de contato (ex: deslizamento da roda), o sistema alcança precisão prática para muitas aplicações, particularmente em ambientes onde sensores exteroceptivos falham.

Os autores reconhecem limitações, incluindo a falta de detecção explícita de deslizamento da roda e a dependência de limiares de força fixos para detecção de apoio, identificando-os como alvos para trabalhos futuros.