GAIT: Legged Robot Proprioceptive State Estimation with Attention over Inertial-Leg Tokens

Resumo Técnico: GAIT: Estimativa de Estado Proprioceptivo para Robôs com Pernas via Atenção sobre Tokens Inerciais-Pernas

Definição do Problema
A estimativa de estado proprioceptivo precisa e robusta é crítica para a locomoção de robôs com pernas, particularmente em ambientes onde sensores exteroceptivos (câmeras, LiDAR) podem falhar devido a limitações de iluminação ou geometria. Embora os estimadores de estado baseados em aprendizado existentes tenham melhorado a robustez ao deslizamento em comparação com métodos heurísticos baseados em modelos, eles frequentemente sofrem de baixa generalização quando implantados em terrenos ou padrões de marcha não vistos. Essa limitação surge porque as arquiteturas padrão tipicamente concatenam todas as medições de sensores em um único vetor plano, forçando a rede a aprender implicitamente a variabilidade da confiabilidade das medições cinemáticas sem um mecanismo estrutural explícito para distinguir entre contato e não-contato das pernas. Consequentemente, esses modelos frequentemente sofrem overfitting aos padrões de contato observados durante o treinamento e degradam-se quando confrontados com mudanças de distribuição, como deslizamento ou terrenos não modelados.

Metodologia
O artigo propõe o GAIT, uma estrutura de estimativa de estado proprioceptivo baseada em atenção que incorpora vieses indutivos na arquitetura da rede para lidar com a confiabilidade da medição dependente de contato. O sistema consiste em dois componentes primários:

1. Rede de Estimativa de Estado Baseada em Atenção com Tokenização IL:

   • Tokenização Inercial-Plegar (IL - Inertial-Leg): Em vez de achatar as entradas, a rede representa as medições inerciais (IMU) e as medições cinemáticas por perna (posição da junta, velocidade e erro de rastreamento) como tokens individuais. Especificamente, ela cria tokens separados para cada perna e para os sensores inerciais.
   • Arquitetura: A rede utiliza um codificador Perceiver IO com atenção cruzada (cross-attention). Tokens latentes consultam (query) os tokens de entrada (inerciais e por perna) para aprender a importância relativa de cada medição com base no estado atual. Isso permite que a rede adapte a reponderação das medições cinemáticas das pernas de acordo com se um pé está em contato, sem a necessidade de um estimador de contato explícito.
   • Modelagem Temporal: As entradas tokenizadas são processadas com embeddings posicionais 2D (cobrindo o "eixo IL" e o "eixo de histórico") e passadas por Unidades Recorrentes de Portão (GRUs) para capturar dependências temporais.
   • Saída: A rede prevê a velocidade linear no referencial do corpo ($\bar{v}_B$) e sua incerteza associada ($\bar{u}$), que é parametrizada como uma matriz de covariância diagonal.
   • Estratégia de Treinamento: Uma função de perda de dois estágios é empregada. Inicialmente, o Erro Médio Absoluto (MAE) é usado para estabilidade, seguido por uma perda de Máxima Verossimilhança Gaussiana para treinar conjuntamente a previsão de velocidade e sua incerteza. Os dados de treinamento são gerados em simulação (RaiSim) usando um robô Unitree Go1, exclusivamente com dados de marcha trot (trote). Notavelmente, o ruído Gaussiano é adicionado apenas às medições da IMU durante o treinamento para evitar problemas de correlação entre a propagação do filtro e as atualizações.

2. Filtro de Kalman Estendido Invariante (IEKF):

   • A velocidade linear prevista do corpo e sua incerteza são integradas em um IEKF como uma pseudo-medição.
   • Ao contrário dos IEKFs tradicionais auxiliados por contato, esta abordagem não depende de estimativa de contato explícita ou atualizações de velocidade zero baseadas em suposições de contato estacionário. Em vez disso, trata a previsão de velocidade da rede como uma observação invariante à direita, permitindo que o filtro funcione de forma robusta mesmo quando as suposições de contato são violadas (ex: durante o deslizamento).

Principais Contribuições

• Tokenização IL: A introdução de uma arquitetura tokenizada que separa medições inerciais e por perna, fornecendo um viés indutivo para representar variações de medição dependentes de contato.
• Aprendizado Agnóstico ao Contato: O método aprende a reponderar medições com base nas condições de contato sem depender de estimadores de contato explícitos ou mecanismos heurísticos de rejeição de deslizamento.
• Integração Consciente de Incerteza: A rede prevê conjuntamente a velocidade e a incerteza, permitindo a integração mais confiável das pseudo-medições aprendidas dentro da estrutura do filtro de Kalman.
• Generalização: A estrutura demonstra robustez a padrões de marcha não vistos (bound, pace, pronk) e terrenos não modelados (detritos) apesar de ter sido treinada exclusivamente em dados de marcha trot simulados.

Resultados Experimentais
Experimentos foram conduzidos em um robô Unitree Go1 através de vários terrenos, incluindo borracha, superfícies escorregadias (pó de ácido bórico) e terreno de detritos não modelado. O sistema foi testado tanto na marcha de treinamento (trot) quanto em marchas não vistas (bound, pace, pronk).

• Previsão de Velocidade: O método proposto alcançou um Erro Quadrático Médio (RMSE) menor na previsão da velocidade linear no referencial do corpo em comparação com métodos de aprendizado de base (NMN) e IEKFs baseados em modelos em quase todos os terrenos. Notavelmente, no terreno de detritos não modelado, o método proposto superou a variante "sem token IL", indicando que a tokenização ajuda a lidar com geometrias de contato não modeladas.
• Estimativa de Estado: Quando integrado ao IEKF, este arcabouço proposto reduziu o Erro Absoluto de Trajetória (ATE) e o Erro Relativo (RE) em posição e velocidade em comparação com IEKFs auxiliados por contato e outras bases de aprendizado. A variante "sem token IL" mostrou um desvio de posição significativamente maior (REpos 73,6% maior em média), destacando a importância do esquema de tokenização.
• Generalização para Marchas Não Vistas: Embora treinado apenas em trot, a rede proposta manteve erros de previsão menores do que as bases de comparação quando testada nas marchas bound, pace e pronk. Em contraste, outras bases de aprendizado mostraram erros maiores do que o IEKF baseado em modelo sob estas condições de marcha não vista.
• Análise de Atenção: A visualização dos pesos de atenção revelou que a rede ajusta o foco dinamicamente. Durante as fases de voo (ex: na marcha pronk), a atenção se desloca para os tokens inerciais (especialmente acelerômetros), e a incerteza prevista aumenta, refletindo corretamente a perda de observabilidade das cinemáticas das pernas. Durante as fases de contato, a atenção pondera adequadamente os tokens das pernas.

Significância e Alegações
O artigo afirma que incorporar vieses estruturais (vieses indutivos) em arquiteturas de redes neurais é uma estratégia eficaz para melhorar a generalização de estimadores de estado baseados em aprendizado. Ao modelar explicitamente a relação estrutural entre condições de contato e confiabilidade de medição através de tokenização e atenção, o método proposto alcança uma robustez comparável ou superior aos métodos baseados em modelos sem exigir estimativa de contato explícita ou ajuste heurístico. Os resultados sugerem que este arcabouço pode lidar efetivamente com mudanças de distribuição causadas por terrenos e padrões de marcha não vistos, tornando-o uma solução viável para feedback proprioceptivo de alta frequência e confiável para robôs com pernas operando em ambientes complexos do mundo real.