Proprioceptive-only State Estimation for Legged Robots with Set-Coverage Measurements of Learned Dynamics

1. Problema e Motivação

A estimativa de estado para robôs quadrúpedes em ambientes não estruturados (como escombros, florestas ou locais escuros) é frequentemente comprometida quando sensores exteroceptivos (LiDAR, câmeras, radar) falham devido a poeira, fumaça, falta de textura ou escuridão. Embora a fusão de dados inerciais (IMU) com cinemática das pernas seja robusta, ela sofre com deriva (drift) ao longo do tempo.

Abordagens recentes tentam mitigar isso usando aprendizado de máquina para criar "sensores virtuais" que inferem a velocidade do corpo a partir de históricos de medidas proprioceptivas (ângulos, velocidades e torques das juntas). No entanto, a maioria desses métodos assume que o erro de previsão segue uma distribuição Gaussiana (ruído branco zero-média).

• A Falha: Em cenários do mundo real com dados de treinamento limitados, a incerteza epistêmica domina, fazendo com que os erros de previsão sejam enviesados, multimodais ou tenham caudas pesadas (não-Gaussianos).
• Consequência: Ao forçar uma fusão de filtro (como EKF) com uma suposição Gaussiana incorreta, o filtro torna-se excessivamente confiante, levando a inconsistências e divergência da estimativa de estado.

2. Metodologia Proposta

Os autores propõem um framework de estimativa de estado que substitui a suposição Gaussiana por afirmações de cobertura de conjuntos (set-coverage statements), que não assumem nenhuma distribuição específica de probabilidade.

A. Modelagem do Observador Aprendido

• Utiliza-se uma rede neural (especificamente uma GRU - Gated Recurrent Unit) treinada supervisionadamente para mapear um histórico de medidas proprioceptivas para uma estimativa de velocidade do corpo (pseudo-medida).
• Em vez de prever apenas a média e a covariância (como no Gaussian Maximum Likelihood), o sistema caracteriza o erro de previsão através de limites de cobertura calibrados.

B. Afirmações de Cobertura de Conjuntos (Set-Coverage)

• O erro de previsão $e_t$ é caracterizado por um conjunto calibrado $\epsilon$ tal que a probabilidade de o erro real estar dentro desse conjunto é pelo menos $\gamma$ (nível de confiança):
  $$P(|e_t| \leq \epsilon) \geq \gamma$$
• Esses limites são obtidos usando técnicas de Quantificação de Incerteza (UQ) livres de distribuição, como Conformal Prediction (Previsão Conformal), que garantem a cobertura estatística mesmo com dados limitados ou distribuições desconhecidas.

C. Atualização do Filtro (IEKF com Restrição de Cobertura)

O desafio principal é integrar essa restrição de conjunto (que define uma região viável) em um filtro de Kalman Invariante (IEKF) que opera com distribuições Gaussianas.

1. Formulação de Otimização: O problema é formulado como encontrar a distribuição posterior que minimize a divergência de Kullback-Leibler (KL) em relação à priori Gaussiana, sujeito à restrição de que a massa de probabilidade dentro do conjunto de cobertura seja $\geq \gamma$.
2. Solução Analítica: Os autores provam que a solução ótima é um escalonamento piecewise da priori (aumentando a probabilidade dentro do conjunto e diminuindo fora, se necessário).
3. Aproximação Gaussiana (Moment Matching): Como o resultado ótimo não é Gaussiano, eles aplicam um "Moment Matching" (correspondência de momentos) para projetar essa distribuição de volta em uma Gaussiana, preservando a média e a covariância atualizadas.
4. Eficiência Computacional: Para evitar integração em alta dimensão (espaço de erro de 15 dimensões), o método projeta a priori no espaço de medição (3 dimensões), calcula os momentos truncados e depois "eleva" (lift) a atualização de volta ao espaço de estado completo. Isso permite uma atualização em tempo real (~0.07 ms por iteração).

3. Principais Contribuições

1. Novo Framework de Estimativa: Introdução de um método de estimativa de estado apenas proprioceptivo que modela a incerteza de dinâmicas aprendidas via afirmações de cobertura calibradas, eliminando a suposição Gaussiana incorreta.
2. Algoritmo Eficiente: Desenvolvimento de um método prático e computacionalmente barato para fundir medições de "cobertura de conjunto" em um filtro recursivo, mantendo a estimativa como um ponto único (necessário para controle) mas com consistência estatística garantida.
3. Validação Robusta: Demonstração de que o método previne a divergência observada em filtros Gaussianos padrão sob ruído não-Gaussiano, mantendo desempenho competitivo com métodos baseados em percepção.

4. Resultados Experimentais

O método foi validado em simulações de Monte Carlo e em dois conjuntos de dados reais de robôs quadrúpedes: Vision60 (ambiente controlado com captura de movimento) e Spot (ambiente diversificado, incluindo escadas e terrenos irregulares).

• Simulação (Monte Carlo):
  • Em cenários de ruído Gaussiano bem especificado, o método proposto tem um erro (RMSE) ligeiramente maior que o EKF padrão (devido à perda de informação da forma exata da Gaussiana), mas mantém a consistência.
  • Em cenários de ruído não-Gaussiano e enviesado, o EKF padrão diverge severamente (NEES muito alto, indicando inconsistência), enquanto o método baseado em cobertura mantém a consistência e um erro competitivo.
• Dados Reais (Spot e Vision60):
  • O método superou as abordagens baseadas apenas em cinemática das pernas (Leg IEKF) e em modelos aprendidos com suposição Gaussiana (Vel. IEKF).
  • Em trajetórias complexas (subida/descida de escadas, curvas fechadas), o método proposto manteve-se estável e preciso, enquanto os baselines acumularam grande deriva.
  • O desempenho foi comparável ou superior a métodos que utilizam sensores exteroceptivos (como radar) em certas sequências, demonstrando a viabilidade de navegação autônoma robusta sem dependência de visão externa.

5. Significado e Impacto

Este trabalho é significativo porque aborda uma falha crítica na robótica de aprendizado: a calibração de incerteza. Ao abandonar a suposição de que erros de redes neurais são Gaussianos e adotar garantias de cobertura estatística (distribution-free), o método oferece uma solução robusta para a estimativa de estado em condições adversas onde os dados de treinamento são limitados ou não representam perfeitamente o ambiente de teste.

Isso permite que robôs quadrúpedes operem de forma autônoma e segura em ambientes hostis (subterrâneos, industriais, de desastre) onde sensores externos falham, garantindo que o sistema de controle não tome decisões baseadas em estimativas de estado que o filtro acredita ser precisas, mas que na verdade estão divergindo.