Resumo Técnico: OCELOT – Odometria e Estimativa de Contato para Robôs Andantes

Declaração do Problema

A odometria precisa para robôs andantes em terrenos não estruturados e irregulares permanece um desafio significativo, particularmente quando se confia exclusivamente em sensores proprioceptivos a bordo (IMU, codificadores de junta e sensores de força). Diferentemente dos robôs com rodas, os sistemas andantes experimentam dinâmicas de contato intermitentes, onde os pés estabelecem e rompem o contato com o solo ciclicamente. A limitação fundamental da odometria proprioceptiva em robôs andantes é a não observabilidade da posição absoluta e da orientação ao confiar exclusivamente em sensores fixos ao corpo. Embora os Filtros de Kalman Estendidos em Estado de Erro (ESEKF) sejam o framework dominante para propagar o estado via Sistemas de Navegação Inercial (INS) e corrigir o desvio usando Atualizações de Velocidade Zero (ZUPTs), sua eficácia depende da identificação precisa de quando um pé está em uma fase de "apoio" estacionária. Os métodos existentes de estimativa de contato frequentemente lutam com o deslizamento dos pés, falham em se adaptar a características variáveis do terreno ou dependem de hardware suplementar (por exemplo, IMUs montadas no pé) e classificadores baseados em aprendizado que carecem de incerteza calibrada.

Metodologia

O artigo propõe o OCELOT, um pipeline completo de odometria para pernas baseado em um ESEKF que depende exclusivamente de dados proprioceptivos padrão: um IMU fixo ao corpo, codificadores de junta e sensores de força no pé. A inovação central reside em um módulo de detecção de contato fundida e quantificação de incerteza projetado para identificar e rejeitar explicitamente o deslizamento.

1. Framework de Estimativa de Estado

O sistema emprega um ESEKF onde o estado é separado em um estado nominal não linear (posição, velocidade, orientação, vieses do IMU) e um estado de erro linear.

• Propagação: O estado nominal é propagado usando medições do IMU corrigidas por viés via integração de Euler.
• Correção: O filtro corrige o desvio quando um pé é determinado estar em apoio, assumindo que a velocidade do pé em relação ao referencial do mundo é zero ($v^W_{foot} = 0$).

2. Detecção de Contato Fundida

Para determinar robustamente as fases de apoio, o sistema executa dois detectores paralelos para cada pé e funde suas saídas:

• Detector 1: FSM Guiada por GMM Baseada em Força

  • Utiliza dados de Força de Reação do Solo (GRF) para determinar o contato físico.
  • Em vez de limiares fixos, emprega um Modelo de Mistura Gaussiana (GMM) ajustado a uma janela deslizante de dados históricos de força para identificar autonomamente distribuições bimodais (balanço vs. apoio).
  • Uma Máquina de Estados Finitos (FSM) utiliza limiares gerados dinamicamente ($F_{on}$, $F_{off}$) para gerenciar transições de estado, adaptando-se a diferentes características de superfície sem ajuste manual.
  • Produz uma pontuação contínua de qualidade ($q_{FSM}$) representando a probabilidade de carregamento físico.

• Detector 2: GLRT Baseada em Cinemática

  • Utiliza a velocidade do pé estimada derivada do IMU do corpo e da cinemática das juntas.
  • Aplica um Teste de Razão de Verossimilhança Generalizada (GLRT) para avaliar a hipótese de que o pé está estacionário ($H_0$) versus em movimento ($H_1$).
  • Diferentemente de trabalhos anteriores que exigem IMUs montadas no pé, este método depende exclusivamente do IMU do corpo principal e de modelos cinemáticos.
  • Produz uma pontuação contínua de qualidade ($q_{GLRT}$) representando a estacionariedade cinemática.

3. Quantificação Adaptativa de Incerteza

As duas pontuações são fundidas usando uma "porta E" suave multiplicativa ($q_{final} = q_{FSM} \times q_{GLRT}$). Isso garante uma pontuação de alta confiança apenas quando o pé está tanto fisicamente carregado quanto cinematicamente estacionário.

• Covariância Dinâmica: A pontuação fundida é usada para calcular uma matriz de covariância de ruído de medição adaptativa ($R_i$) para o ESEKF.
  • Alta confiança (sem deslizamento) $\rightarrow$ Baixa covariância (correção forte).
  • Baixa confiança (deslizamento ou ruído) $\rightarrow$ Alta covariância (o filtro reduz o peso da medição).
• Gating: Uma etapa de gating baseada em inovação (teste $\chi^2$) rejeita ainda mais outliers estatísticos antes da correção final.

Contribuições Principais

1. Framework de Detecção de Contato Inovador: Uma fusão de um detector GMM-FSM baseado em força e um detector GLRT baseado em cinemática que elimina a necessidade de sensores suplementares montados no pé, enquanto gera uma pontuação contínua de qualidade de contato.
2. Estimativa Adaptativa de Incerteza: Um método para traduzir a pontuação de qualidade de contato fundida em uma covariância de medição dinâmica ($R_i$), permitindo que o ESEKF pondere inteligentemente as medições com base na confiabilidade e rejeite robustamente eventos de deslizamento.
3. Pipeline ESEKF de Código Aberto: Um estimador de estado completo para odometria de pernas de robôs quadrúpedes usando apenas sensores proprioceptivos a bordo.
4. Conjunto de Dados Multi-Terreno: Um conjunto de dados publicamente disponível compreendendo 29 sequências (2,4 km no total) em terrenos diversos (concreto, azulejo, grama, seixos, rocha), incluindo dados proprioceptivos sincronizados, vídeo RGB e nuvens de pontos.

Resultados Experimentais

Os autores avaliaram o OCELOT contra bases proprioceptivas seminais (Bloesch et al., Hartley et al.) e sistemas de Odometria Visual-Inercial (VIO) de última geração (OpenVINS, VINS-Fusion) em seu conjunto de dados personalizado.

• Comparação Proprioceptiva: O OCELOT superou significativamente os métodos proprioceptivos existentes em todos os tipos de terreno e métricas (ATE, AHE, RPE, Desvio).
  • No terreno de Rocha, o OCELOT alcançou um Erro de Trajetória Absoluta (ATE) de 6,857 m, comparado a 15,028 m (Hartley et al.) e 30,876 m (Bloesch et al.).
  • No Concreto, o OCELOT reduziu o ATE para 12,019 m, uma melhoria substancial sobre as bases.
• Comparação Exteroceptiva: Apesar de usar apenas sensores proprioceptivos, o OCELOT superou os sistemas VIO em terrenos granulares desafiadores (seixos, rocha) e superfícies deformáveis (grama).
  • Na Rocha, os sistemas VIO falharam significativamente (OpenVINS ATE: 27,279 m; VINS-Fusion: 15,719 m), enquanto o OCELOT manteve um ATE de 6,857 m.
  • Os autores observam que os sistemas VIO lutaram em superfícies altamente dinâmicas e pobres em características (concreto, azulejo), levando à divergência, enquanto o OCELOT permaneceu robusto.
• Estudos de Ablação:
  • Necessidade de Fusão: O estudo de ablação demonstrou que nenhum detector isolado é suficiente. O detector apenas GLRT sofreu com ruído cinemático acumulado em trajetórias longas (por exemplo, 23,161 m ATE no concreto), enquanto o detector apenas FSM falhou em sequências específicas (por exemplo, 9,577 m ATE em Azulejo) onde os dados de força sozinhos classificaram erroneamente o contato. O modelo fundido consistentemente alcançou o erro mais baixo ou próximo do mais baixo em todos os terrenos.
  • Impacto da Covariância: A análise de sensibilidade confirmou que a quantificação precisa da covariância é crítica; subestimar a covariância (forçando alta confiança em dados ruidosos) levou a um desvio lateral severo e divergência de guinada, um modo de falha observado em métodos de base que usavam covariâncias estáticas ou mal escaladas.

Significado e Alegações

O artigo afirma que o OCELOT fornece uma solução robusta para odometria andante em ambientes onde o deslizamento é prevalente e sensores externos (como câmeras) podem falhar devido à falta de características ou iluminação dinâmica. Ao modelar explicitamente a incerteza de contato e fundir dados de força e cinemática, o método alcança estimativa de estado precisa sem a sobrecarga computacional do processamento visual ou a complexidade de hardware de sensores montados no pé. Os autores enfatizam que sua abordagem lida efetivamente com o problema de "não observabilidade" da orientação absoluta em sistemas proprioceptivos, garantindo que apenas medições de alta qualidade e sem deslizamento sejam usadas para corrigir o filtro, prevenindo assim a divergência de guinada comum em outros métodos. O lançamento do conjunto de dados e do código visa facilitar pesquisas futuras em robótica andante e odometria multimodal.