Resumo Técnico: Um Benchmark Apenas Proprioceptivo para Estimação de Estado de Quadrúpedes

Declaração do Problema

A estimação de estado proprioceptivo confiável é crítica para a locomoção ágil de quadrúpedes, particularmente em ambientes onde a sensoriamento exteroceptivo (por exemplo, visual, LiDAR, GPS) é pouco confiável ou indisponível devido a poeira, neblina, corredores sem características ou interrupções de sinal. Em tais cenários, os robôs devem confiar exclusivamente em Unidades de Medição Inercial (IMUs), codificadores de juntas e informações de contato para estimar o movimento do corpo. O desafio central envolve equilibrar dois requisitos concorrentes:

1. Consistência de longo prazo: Manter a precisão ao longo de trajetórias estendidas, apesar da deriva e de erros de modelagem.
2. Fidelidade de curto horizonte: Preservar a precisão local essencial para o controle de feedback e o planejamento de pontos de apoio, tudo isso aderindo a orçamentos estritos de latência e computação em plataformas embarcadas.

Embora existam várias abordagens, há uma falta de comparações diretas, "maçã com maçã", entre diferentes paradigmas de última geração (filtragem vs. suavização, invariante vs. não invariante) em um conjunto de dados real comum para orientar os praticantes na seleção do estimador apropriado para suas restrições de aplicação específicas.

Metodologia

Os autores apresentam um benchmark comparativo de três estimadores de estado representativos e de código aberto para robôs quadrúpedes, todos operando em modo apenas proprioceptivo na sequência CYN-1 do Conjunto de Dados GrandTour. Todos os métodos estimam a pose de base flutuante $(R, p) \in SO(3) \times \mathbb{R}^3$ e a velocidade do corpo $v \in \mathbb{R}^3$.

1. MUSE (Estimador de Estado Unificado Multi-sensor)

• Paradigma: Pilha de fusão modular e em tempo real (Filtragem).
• Mecanismo: Neste estudo, o MUSE opera puramente proprioceptivamente, desativando os blocos exteroceptivos. Ele utiliza um Observador Não Linear (NLO) em cascata e um Filtro de Kalman Exógeno (XKF) para estimação de atitude, garantindo estabilidade global. A odometria das pernas é derivada da cinemática direta das pernas em contato estável. Essas medições são fundidas via Filtro de Kalman para gerar pose e torção.
• Característica Principal: Projetado para robustez e desempenho em tempo real, capaz de lidar com grandes erros iniciais de orientação devido ao seu observador de atitude globalmente estável.

2. Filtro de Kalman Estendido Invariante (IEKF)

• Paradigma: Filtragem Invariante.
• Mecanismo: Formulado em um sistema grupo-afim onde as dinâmicas de erro invariantes à direita são independentes do estado. Esta estrutura melhora a convergência e a consistência, particularmente durante eventos de contato.
• Detalhes do Mecanismo: A propagação integra dados da IMU, enquanto as atualizações assumem contato estável (velocidade zero do pé). Ele aproveita estruturas de grupos de Lie para linearizar as dinâmicas de erro, incorporando custos de medição robustos e consciência de deslizamento.

3. Suavizador Invariante (IS)

• Paradigma: Suavização de Lag Fixo (Máxima A Posteriori).
• Mecanismo: Ao contrário do IEKF, que atualiza apenas o estado mais recente, o IS otimiza sobre uma janela fixa de estados ($n$) e medições. Ele formula o problema como um problema de mínimos quadrados não lineares usando resíduos conscientes da estrutura adaptados das propriedades grupo-afins do IEKF.
• Característica Principal: Ao otimizar sobre uma janela, ele alcança maior tolerância a contatos dinâmicos (por exemplo, deslizamentos) e maior precisão, mas ao custo de carga computacional aumentada e latência algorítmica proporcional ao tamanho da janela.

Métricas de Avaliação

O estudo emprega métricas padrão computadas via o pacote Python evo:

• Erro de Trajetória Absoluta (ATE): Mede a precisão global da pose e a deriva acumulada alinhando a trajetória estimada à verdade de referência via alinhamento Umeyama SE(3).
• Erro de Pose Relativo (RPE): Mede a precisão de curto horizonte. Avaliado sob dois esquemas:
  • Janela espacial ($\Delta = 1$ m): Sonda a deriva em escala de metro.
  • Janela temporal ($\Delta = 1$ quadro): Sonda a consistência quadro a quadro e a sensibilidade ao jitter de medição.
• RMSE de Velocidade: Avalia a precisão dos perfis de velocidade estimados.
• Tempo de Execução: Tempo de computação por atualização medido em uma pilha fixa de hardware/software.

Resultados Principais

Precisão

• Longo prazo (ATE): Tanto o IEKF quanto o Suavizador Invariante (IS) alcançaram um ATE menor que o MUSE. A diferença entre o melhor (IS) e o pior (MUSE) foi de aproximadamente 0,91 m sobre uma trajetória de 300 m (aproximadamente 0,3%). Isso sugere que a modelagem grupo-afim e a regularização por suavização ajudam a reduzir a deriva acumulada.
• Curto prazo (RPE):
  • Em $\Delta = 1$ m: IEKF e IS superaram significativamente o MUSE (redução de aproximadamente 40% no RPE translacional), indicando melhor manejo de erros sistemáticos acumulados ao longo de múltiplas atualizações.
  • Em $\Delta = 1$ quadro: IEKF e MUSE exibiram RPE menor que o IS (redução de aproximadamente 72% e 66%, respectivamente). Isso sugere que a fusão de taxa mais alta em filtros suprime melhor o ruído de alta frequência em comparação com a abordagem de suavização nesta métrica específica.
  • RPE Rotacional: Os resultados foram amplamente semelhantes entre todos os métodos.
• Velocidade: Todos os três métodos forneceram perfis de velocidade precisos com pequenas diferenças de RMSE.

Tempo de Execução e Latência

• MUSE: Mais rápido, com um tempo de execução médio de $\approx 0,012$ ms por iteração.
• IEKF: Ligeiramente mais lento, $\approx 0,02$ ms por iteração.
• Suavizador Invariante: Demonstra uma clara compensação precisão-latência dependente do tamanho da janela (WS).
  • WS = 1: $\approx 0,110$ ms.
  • WS = 5: $\approx 0,583$ ms.
  • Nota: A suavização de lag fixo introduz latência algorítmica proporcional ao lag, o que pode atrasar as estimativas de estado dependendo da implementação do pipeline.

Comportamento de Convergência

Sob grandes erros iniciais de orientação (desalinhamento de rolagem de 180 graus), todos os três estimadores convergiram para a orientação correta. No entanto, o MUSE convergiu mais rápido que o IEKF e o IS. Isso é atribuído ao design do observador de atitude globalmente estável do MUSE, enquanto o IEKF e o IS dependem de linearização local que pode ser violada por grandes erros iniciais, levando a uma convergência mais lenta.

Significado e Contribuições

O artigo fornece uma visão concisa e reproduzível das compensações entre precisão, latência e custo computacional para sistemas quadrúpedes implantáveis. Suas principais contribuições são:

1. Comparação Direta: Uma avaliação "maçã com maçã" de três paradigmas de estimação distintos e de alto desempenho (MUSE, IEKF, IS) em um conjunto de dados real compartilhado.
2. Orientação para Praticantes: Dados claros sobre como diferentes métricas (ATE vs. RPE em diferentes escalas) e restrições computacionais (latência vs. precisão) influenciam a seleção do estimador.
3. Reprodutibilidade de Código Aberto: O lançamento de um pipeline de benchmarking completo, incluindo código, documentação e ferramentas de processamento de dados, para facilitar futuros benchmarks padronizados.

Os autores concluem que, embora a suavização (IS) ofereça superior precisão de longo prazo, os filtros (MUSE, IEKF) oferecem menor latência e potencialmente melhor supressão de ruído de curto prazo. A escolha do estimador deve ser ditada pelos requisitos específicos da aplicação em relação à consistência global, frequência do loop de controle e recursos de computação disponíveis. O estudo não afirma resolver todos os desafios de estimação de estado, mas visa esclarecer o cenário atual para os praticantes.