TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions

想象一下，一个机器人正试图在一个不想被绘制地图的世界中寻找出路。几十年来，科学家们一直教导机器人利用“眼睛”——即扫描场景地标的摄像头和激光雷达——来进行导航。但当灯光熄灭、浓雾袭来，或者机器人在地面覆盖着落叶的茂密森林中行走时，会发生什么？这些“眼睛”会变瞎。这正是**本体感受里程计（proprioceptive odometry）**领域发挥作用的地方。你可以把它想象成机器人的“内在感知”，类似于你仅仅通过肌肉和关节感受到的运动，就能判断自己是在光滑的地板上还是在崎岖的小路上行走，而无需看自己的脚。然而，挑战在于这种“内在感知”很容易被欺骗。如果机器人的脚在湿滑的岩石上打滑或陷入软泥中，它的内部传感器就会产生混乱，开始误以为自己在走直线，而实际上却在向侧面滑动。随着时间的推移，这些微小的错误会不断累积，导致机器人彻底迷失方向。

这篇论文介绍了一种名为 TRACE 的新解决方案，这是一个智能系统，旨在帮助足式机器人（如四足狗或类人机器人）在脚部打滑、下陷或在奇特地形上滚动时，依然能够弄清自己的位置。TRACE 并不依赖于猜测脚部是否打滑的僵化规则或手动设置，而是使用了一个深度学习模型，它就像一位经验丰富的教练。它观察机器人运动和传感器数据的历史记录，学习忽略打滑脚部的“噪声”，并专注于稳健步伐的“信号”。研究人员在充满随机混沌的虚拟世界中训练了这个系统——那里有光滑的地板、柔软的垫子和不可预测的颠簸——然后在真实的野外环境中对真实机器人进行了测试。他们发现，在处理棘手情况时，TRACE 比旧方法更能有效地让机器人保持航向，将机器人的“漂移”（即它认为的位置与实际位置之间的距离）减少了一半以上。

机器人的“内耳”问题

要理解为什么 TRACE 如此重要，我们必须先看看机器人通常是如何尝试计算步数的。想象你在黑暗的房间里闭着眼睛走路，你试图通过数步数来了解自己走了多远。如果你踩到了香蕉皮并向后滑行，你的大脑可能会认为你走了两步，而实际上只走了一步。对于机器人来说，这是一场噩梦。如果它认为自己向前移动了 10 米，而实际上只移动了 5 米，它最终会撞上一堵它原本认为还很远的墙。

旧的方法试图通过使用数学滤波器来解决这个问题。这些滤波器就像严厉的老师，会说：“如果你的脚踩在地上，它必须是静止的。”但在现实世界中，脚并不总是静止的。它们会滚动、陷入沙地或在冰面上滑动。当“严厉的老师”假设脚是静止的，而实际上它正在滑动时，数学逻辑就会崩溃，机器人就会迷失方向。其他方法尝试使用摄像头，但正如我们提到的，摄像头在黑暗或恶劣天气下会失效。

TRACE 登场：一位“智能教练”

本文作者创建了 TRACE（基于 Token 的接触感知鲁棒注意力估计，Tokenized Robust Attention for Contact-Aware Estimation）。不要把 TRACE 想成一个严厉的老师，而要把它想象成一位智能教练，这位教练已经观察了数千小时机器人在各种想象得到的表面上行走的场景。

以下是其工作原理的简单解释：

1. 输入： 机器人不断向 TRACE 发送数据流：旋转速度（陀螺仪）、加速度（加速度计）以及每条腿关节的位置和速度。

2. “注意力”技巧： 这是神奇之处。TRACE 使用了一种称为**交叉注意力（cross-attention）**的机制。想象机器人有四条腿，每条腿都在向教练大声报告它的状态：

   • 第一条腿说：“我踩在坚实的地面上！我很稳！”
   • 第二条腿说：“我在冰上打滑！我现在没用了！”
   • 第三条腿说：“我正在陷入泥泞！”
   • 第四条腿说：“我在空中，正在摆动！”

   在过去，机器人必须根据简单的规则（例如“如果受力较小，则处于空中”）来猜测该听哪条腿的话。然而，TRACE 是通过学习来决定听谁的。它会为每条腿分配一个“权重”或“注意力分数”。如果一条腿正在打滑或下陷，TRACE 会学会调低它的“音量”。如果一条腿很稳固，它就会调高音量。它不需要人类告诉它“嘿，那是打滑！”它只需从数据中自行识别出这种模式。

3. 物理检查： 为了确保机器人不会进行盲目的猜测，TRACE 还设有“物理检查”。它会将机器人的估算速度与它认为移动的距离进行对比。如果数学逻辑对不上（比如机器人说它移动得很快，但腿部动作却很小），系统就会进行自我修正。这就像一名跑步者意识到：“等等，我喘气得像是在冲刺，但我其实根本没动，我一定是在原地踏步。”

在模拟的混沌中进行训练

你不能仅仅教机器人走在单一的平滑地板上，就期望它能应对泥泞的森林。研究人员在名为 RaiSim 的虚拟模拟器中训练了 TRACE。但他们并没有创造一个枯燥的平坦世界，而是让它变得混乱：

• 他们随机化了地形：平地、楼梯、崎岖的岩石和柔软的气垫。
• 他们随机化了打滑情况：有时地面超级滑，有时则很粘。
• 他们随机化了机器人的运动：他们让机器人以不同的风格和速度行走。

这被称为策略随机化（policy randomization）。这就像不是为了某一次特定的考试而训练学生，而是为了应对考试的所有可能变化。通过观察如此多种类机器人移动和打滑的方式，TRACE 学会了忽略训练中的特定“诡计”，转而关注腿部与地面相互作用的普遍真理。

现实世界的测试

在虚拟世界训练完成后，团队带着他们的机器人 Raibo2 走进了现实世界。他们在以下环境进行了测试：

• 平地： 最简单的部分。
• 崎岖地形： 木制坡道和障碍块。
• 湿滑表面： 一个覆盖着硼酸粉末（非常滑！）的木板。
• 柔软地形： 一个会弹跳且会下陷的气垫。
• 户外小径： 草地、硬土和台阶。

他们将 TRACE 与其他三种方法进行了对比：

1. IEKF-SR： 旧式的“严厉老师”数学滤波器。
2. Legolas： 一种不使用物理规则的纯学习型方法。
3. NMN-IEKF： 一种试图结合两者的混合方法。

结果：更少的漂移，更高的信心

结果令人印象深刻。在柔软地形实验（气垫）中，由于地面具有弹性和不可预测性，TRACE 比之前的最佳方法减少了 53.8% 的位置误差。在湿滑地面上，它减少了 44.1% 的误差。

这意味着什么？如果其他机器人认为自己距离起点 10 米，实际上可能已经到了 15 米处（这是一个巨大的错误）。然而，TRACE 则要接近真相得多。它不会被打滑或下陷的脚所迷惑，因为它的“注意力”机制知道该忽略那些不可靠的腿。

研究人员还检查了 TRACE 是否真的在“关注”正确的东西。他们查看了数据，发现当一只脚在滑动时，该脚的注意力分数几乎降至零。当脚部稳固时，分数就会上升。这证明了机器人不仅仅是在猜测；它学会了信任正确的传感器并忽略错误的传感器。

为什么这很重要

论文的结论是，TRACE 的重要意义在于它不需要通过摄像头来看世界，也不需要人类为每种类型的打滑编写复杂的规则。它学会了如何自主实现鲁棒性。

然而，作者也谨慎地指出，这并不是一个“已解决”的问题。他们提到，虽然 TRACE 非常出色，但它仍然依赖于模拟训练的质量。他们还提到，未来的工作可以转向预测脚部究竟在“如何”打滑，而不仅仅是忽略它。但就目前而言，TRACE 展示了通过教机器人用一种智能且适应性强的“耳朵”去“倾听”自己的身体，我们可以帮助它们在混乱、不可预测的现实世界中航行而不至于迷失方向。

简而言之，TRACE 就像是赋予了机器人一种超能力：即使脚下的地面在撒谎，它也能知道自己身在何处。