SUPER ODOMETRY 2.0: Resilient Odometry via Hierarchical Adaptation

机器人和人一样，需要知道自己在哪里以及如何移动，才能完成任务。这种被称为“里程计”（odometry）的能力，是通过不断进行的内部位置与朝向计算，使机器能够从 A 点导航到 B 点。几十年来，工程师们一直依赖外部传感器来构建这种对世界的认知。摄像头充当眼睛，捕捉如角落和纹理之类的视觉特征；激光扫描仪则绘制墙壁和障碍物的几何形状。这些工具在清晰、光照充足且结构化的环境中表现出色。然而，现实世界往往是混乱的。浓烟、遮天蔽日的暴雪、漆黑的隧道或突然的光线丧失，都会让摄像头变盲，并使激光束发生散射。当这些外部感官失效时，机器人会迅速迷失方向，导致航向偏移或完全停滞。这种脆弱性长期以来一直是向最危险或最不可预测的场所（如灾难现场或深层地下矿井）派遣自主机器的障碍。

卡内基梅隆大学和布法罗大学的研究团队开发了一种名为“超级里程计”（Super Odometry）的新系统来解决这一问题。该系统并非仅仅依赖于容易受环境影响的外部传感器，而是学习去信任机器人的内部运动感，就像人类在黑暗的房间里通过感受自己的脚步来导航一样。研究人员构建了一个框架，它不仅仅是简单地切换传感器的开关，而是根据环境恶化程度动态地调整其整个策略。他们在包括飞行无人机、轮式车辆和足式机器人在内的机器人集群上测试了该系统，并让它们穿越了超过 200 公里的挑战性地形。结果显示，即使在摄像头和激光器完全失效的情况下（例如在浓烟或全黑环境中），该系统也能通过重度依赖内部运动传感器的数据来保持精确导航。

这种新方法的核心是一个随着环境恶化而启动的层次化适应机制。在正常环境下，机器人使用摄像头和激光扫描仪来追踪路径。但当空气中充满烟雾或光线变暗时，系统并不会惊慌，它只是改变了关注点。第一步是变得对所信任的视觉细节更加挑剔，忽略模糊或令人困惑的部分。如果环境变得在几何结构上难以辨识（例如长而空旷、墙壁看起来完全相同的走廊），系统会将注意力转向仍能找到可靠信息的方向，忽略那些失去方向感的维度。如果退化情况是混合型的，即某些传感器失效而其他传感器仍在挣扎，系统会动态地重新分配权重，更多地依赖于仍在良好工作的传感器。

最显著的创新发生在所有外部传感器完全失效时。在诸如充满浓烟的房间或暴雪等场景中，既看不见也测不到激光，系统会转向一个学习到的内部模型。该模型基于惯性测量单元（IMU），即机器人内部的一个微小芯片，用于测量加速度和旋转。在历史上，这些芯片被视为次要工具，仅用于平滑来自摄像头的数据。然而，研究人员利用来自不同机器人的超过 100 小时数据训练了一个深度学习网络，教会它如何纯粹根据内部运动数据来预测移动。这使得机器人即使在什么都看不见的情况下也能估算其位置。该系统的设计逻辑是：当外部传感器工作时，它们会不断教导并完善这个内部模型；而当外部世界变得不可见时，内部模型就会接管，提供一个可靠的后备方案，确保机器人继续移动。

为了证明这一概念，研究人员对该系统进行了一系列严格的测试。他们驾驶一台足式机器人通过大学校园内的一条连续路线，其中包含了 13 种以上不同类型的困难条件。机器人穿过了黑暗且缺乏特征的走廊、陡峭的楼梯，以及存在强烈视觉噪声（如镜头眩光和白墙）的区域。最后，机器人进入了一个充满了浓烟的区域，烟雾完全遮蔽了其视觉和激光传感器。在整个 2,966 米的旅程中，系统从未失败。它保持了仅 20 厘米的最终位置误差，漂移率极低，仅为 0.006%。这一性能的实现并未依赖任何复杂的后端技巧或事后纠错，系统是在移动过程中实时进行自我修正的。

团队还测试了系统处理突发传感器故障的能力。在一次实验中，他们用纸板物理遮挡了机器人的传感器，先遮住侧面，再遮住正面，最后遮住了摄像头和激光扫描仪的所有视野。系统立即检测到了这些遮挡，并调整了对剩余传感器的依赖程度。当摄像头被遮挡时，系统转向依赖激光扫描仪；当激光被遮挡时，它转向依赖摄像头。当两者都被遮挡时，学习到的内部运动模型便占据了主导地位。机器人继续绘制周围环境的地图并追踪路径，表现出极高的准确性，证明了该系统可以长时间承受外部感知能力的完全丧失。

进一步的验证来自于在不同类型的机器人（从汽车、无人机到四足机器和手持设备）上的测试。研究人员发现，他们训练的内部运动模型具有高度的泛化能力。在一个由多种不同类型机器人数据训练而成的模型，其表现优于针对单一类型机器人训练的模型。这意味着该系统可以部署在新机器人上，而无需从头开始重新训练。更令人印象深刻的是，该系统可以实时适应全新的机器人。在一次涉及大型全地形车辆的测试中，系统仅用了 60 秒的数据就调整了其内部模型，学习了该特定车辆的运动模式并立即提升了精度。

研究人员将他们的方法与领域内最先进的技术进行了对比。在涉及几何退化和混合退化的标准测试中，他们的系统实现的平均误差率比排名第二的方法低了 54%。更重要的是，在最极端的情况下（如浓烟测试），虽然其他系统完全失效，但“超级里程计”仍能持续运行。该研究明确排除了“仅仅增加更多传感器或取平均值就能解决问题”的观点。相反，他们表明，当环境发生变化时，僵化的方法会失败，必须依靠灵活的层次化策略来维持安全性和功能性。

这项工作代表了让机器人实现真正自主运行的重要一步。通过将内部运动传感器提升到主要角色，并创建一个能够根据环境严重程度无缝切换不同策略的系统，研究人员为机器人在任何条件下安全作业奠定了基础。无论是穿梭在烟雾弥漫建筑中的救援无人机，还是在黑暗洞穴中探索的探测器，亦或是行驶在暴风雪中的车辆，该系统都能确保机器人永远不会真正迷失方向。通过六年的开发和超过 800 小时的运行数据，研究结果表明，依赖环境、脆弱不堪的机器人时代可能即将结束，取而代之的是能够在任何被派往之处生存并适应的机器。