Resumo Técnico: Aprendizado de Representação de Contato para Odometria de Pernas

Declaração do Problema

A odometria de robôs pernilongos baseia-se fundamentalmente na premissa de que a velocidade do pé em relação ao mundo é zero durante a fase de apoio, uma restrição conhecida como Atualização de Velocidade Zero (ZUPT - Zero-Velocity Update). Essa premissa permite que as cadeias cinemáticas corrijam o desvio de velocidade do corpo principal. No entanto, a precisão de todo o pipeline de estimativa de estado é limitada pela precisão do algoritmo de detecção de contato.

As abordagens atuais enfrentam desafios significativos:

• Limitações de Sensores: Muitos métodos dependem de sensores de Força de Reação do Solo (GRF) na ponta do pé. Esses sensores são propensos a falhas mecânicas, ruído induzido por choque e estão frequentemente ausentes em plataformas implantadas com sensores mínimos.
• Escorregamento e Perturbações: Mesmo quando os sensores de GRF estão presentes, eles podem permanecer sem resposta a perturbações não modeladas, como o escorregamento, enquanto o pé está em contato com o solo.
• Falhas de Classificação Binária: Tratar o contato como um estado binário (apoio vs. balanço) simplifica excessivamente as interações complexas entre o pé e o terreno. Limiares rígidos falham em considerar fases transitórias (descolamento/toque) ou ruído de sensores, levando a atualizações de medição incorretas nos estimadores de estado.
• Dependência de Rótulos: Abordagens de aprendizado supervisionado requerem pseudo-rótulos derivados de dados de GRF, que herdam o ruído e as limitações dos próprios sensores de força.

Metodologia

Os autores propõem um framework de aprendizado de representação autossupervisionado que utiliza apenas sensores proprioceptivos padrão (codificadores de junta) para detectar contato, eliminando a necessidade de aumento por sensores de força ou rotulagem humana.

1. Framework de Estimativa de Estado

O sistema emprega um Filtro de Kalman Estendido de Estado de Erro (ESEKF). Em vez de filtrar estados nominais diretamente, ele desacopla o sistema em um estado nominal não linear e um estado de erro linear. O filtro utiliza uma função de medição baseada na velocidade prevista do pé de apoio no referencial do mundo. Crucialmente, a matriz de covariância de medição é escalada dinamicamente com base na probabilidade contínua do estado de apoio, em vez de usar uma covariância constante ou um limiar rígido.

2. Arquiteturas de Detecção de Contato

O estudo compara três abordagens distintas para detecção de contato:

• Baseline Não Supervisionada (HMM-GMM): Um Modelo Oculto de Markov (HMM) onde as probabilidades de emissão são modeladas por um Modelo de Mistura Gaussiana (GMM) ajustado diretamente aos dados cinemáticos brutos (posição vertical do pé, velocidade 3D do pé e torque da panturrilha). Esta abordagem é limitada pela premissa de que os dados cinemáticos brutos seguem uma distribuição Gaussiana bimodal, o que os autores demonstram não ser o caso devido às interseções não lineares entre os manifolds de apoio e balanço.
• Baselines Supervisionadas (CNN/GRU): Redes neurais profundas (CNN 1D e Gated Recurrent Unit) treinadas via perda de Entropia Cruzada Binária. Esses modelos utilizam pseudo-rótulos derivados de GRF como verdade fundamental para mapear a cinemática para estados de contato binários.
• Framework Autossupervisionado Proposto (DAE-GMM):
  • Autoencoder de Denoising (DAE): Uma rede neural (baseada em CNN ou GRU) é treinada para reconstruir a sequência cinemática original a partir de uma versão ruidosa e aumentada da entrada. O objetivo é aprender uma representação latente ($Z$) onde os estados físicos subjacentes (apoio vs. balanço) são naturalmente desmembrados.
  • Modelagem de Espaço Latente: Os códigos latentes produzidos pelo encoder são ajustados com um GMM de 2 componentes não supervisionado. Isso isola os modos de contato físico em manifolds probabilísticos distintos.
  • Crença Contínua: Diferente dos classificadores binários, este framework produz uma probabilidade posterior contínua do estado de apoio. Esta probabilidade é usada para escalar a covariância de medição no ESEKF, permitindo que o filtro rejeite dinamicamente dados cinemáticos não confiáveis (ex: durante escorregamento ou balanço) sem limiares rígidos.

3. Características de Entrada

Para evitar a "maldição da dimensionalidade" e matrizes de covariância mal condicionadas, os modelos utilizam um subconjunto específico de 5D de características:

• Posição vertical do pé relativa à base ($p^B_{foot,z}$).
• Velocidade 3D do pé estimada por cinemática direta ($v^B_{rel}$).
• Torque estimado da panturrilha ($\tau_{calf}$).

Principais Contribuições

1. Aprendizado de Representação Livre de Rótulos: Um framework autossupervisionado que extrai probabilidades de contato contínuas estritamente a partir da cinemática das juntas, sem depender de sensores de GRF ou pseudo-rótulos.
2. Formulação ESEKF Dinâmica: Um modelo de incerteza de medição impulsionado pela crença generativa latente, que escala a matriz de covariância de medição dinamicamente em vez de usar limiares estáticos.
3. Validação Empírica de Estimativa de Densidade de Probabilidade: Evidência sugerindo que a detecção de contato é melhor formulada como uma tarefa de estimativa de densidade de probabilidade autossupervisionada do que como uma tarefa de classificação binária supervisionada. O estudo demonstra que uma maior precisão de classificação em pseudo-rótulos não necessariamente correlaciona com um melhor desempenho de odometria downstream.

Resultados Experimentais

O framework foi avaliado no conjunto de dados de simulação TartanGround e em um conjunto de dados do mundo real envolvendo terrenos de concreto, grama e rocha.

• Classificação vs. Odometria: Embora os modelos supervisionados (CNN/GRU) tenham alcançado métricas de classificação superiores (Precisão/Recall/F1) contra pseudo-rótulos baseados em GRF, eles tiveram um desempenho inferior em tarefas de odometria de perna downstream comparados aos métodos autossupervisionados propostos.
• Robustez ao Escorregamento: Em cenários envolvendo escorregamento, os modelos supervisionados tenderam a superestimar a duração do apoio porque dependiam de sinais de GRF ruidosos. Os métodos DAE autossupervisionados identificaram corretamente a falta de apoio confiável, produzindo probabilidades de apoio próximas de zero durante o contato instável, evitando assim correções de estado errôneas.
• Precisão da Odometria: Os métodos DAE (CNN) e DAE (GRU) alcançaram os menores erros de Trajetória Absoluta (ATE), Erro de Cabeça Absoluta (AHE) e outras métricas de erro tanto em simulação quanto em testes do mundo real.
  • Em testes do mundo real, o DAE (CNN) reduziu o ATE para 17,20m comparado a 21,95m para o melhor CNN supervisionado e 25,36m para o limiar de GRF.
• Contexto Temporal: Estudos de ablação revelaram que o aumento do tamanho da janela de entrada fez com que o espaço latente formasse um manifold de anel não linear devido à dinâmica periódica da marcha, o que degradou o desempenho do GMM. Consequentemente, uma janela de tamanho $W=1$ foi considerada ideal para preservar um espaço latente linearmente separável.

Significância e Alegações

O artigo alega que formular a detecção de contato como uma tarefa de estimativa de densidade de probabilidade contínua e autossupervisionada é uma abordagem mais robusta do que a classificação binária supervisionada para odometria de pernas.

• Independência de Hardware: O método permite estimativa de estado robusta em robôs que carecem de sensores de força, dependendo apenas de codificadores de junta padrão.
• Tratamento de Incerteza: Ao fornecer uma crença contínua em vez de um estado binário, o sistema pode lidar melhor com a ambiguidade inerente das interações pé-terreno, como escorregamento e complacência, que classificadores binários frequentemente interpretam erroneamente.
• Generalização: A abordagem autossupervisionada evita os problemas de mudança de domínio associados ao treinamento em pseudo-rótulos de GRF ruidosos, levando a uma melhor generalização em ambientes reais.

Os autores concluem que, embora a classificação binária de contato seja fundamentalmente mal definida devido a dinâmicas não modeladas, uma abordagem probabilística e autossupervisionada fornece uma base superior para a estimativa de estado downstream.