Legged Robot State Estimation With Invariant Extended Kalman Filter Using Neural Measurement Network

📄 arXiv: 2402.00366v1 📥 PDF

作者: Donghoon Youm, Hyunsik Oh, Suyoung Choi, Hyeongjun Kim, Jemin Hwangbo

分类: cs.RO, cs.AI

发布日期: 2024-02-01

备注: 8pages, 6paper, This work has been submitted to the IEEE for possible publication

💡 一句话要点

提出一种基于神经测量网络的腿式机器人状态估计方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 状态估计 腿式机器人 神经网络 扩展卡尔曼滤波 模拟数据 深度学习 机器人技术

📋 核心要点

  1. 现有的状态估计方法通常依赖于真实数据，导致学习与推理之间存在显著的sim-to-real差距。
  2. 本文提出了一种结合神经测量网络与不变扩展卡尔曼滤波器的状态估计框架，旨在提升腿式机器人在复杂地形上的状态估计能力。
  3. 实验结果表明，所提方法在四种不同地形上显著减少了位置漂移，相较于传统模型基方法有明显提升。

📝 摘要（中文）

本文介绍了一种新颖的腿式机器人本体状态估计器，该估计器结合了基于模型的滤波器和深度神经网络。研究表明，多层感知器和递归神经网络能够有效估计机器人状态，包括接触概率和线性速度。基于此，我们开发了一个将神经测量网络（NMN）与不变扩展卡尔曼滤波器相结合的状态估计框架。我们展示了该框架在不同地形上的估计性能显著提升。与现有结合模型滤波器和学习方法的研究不同，我们的方法仅依赖于模拟数据，这使我们能够轻松获得大量数据。我们通过适应现有学习技术和正则化来应对学习与推理领域之间的差距。通过对四种地形（平坦、碎石、软地和滑地）上的四足机器人进行实验，我们观察到与现有基于模型的状态估计器相比，我们的方法显著减少了位置漂移。

🔬 方法详解

问题定义：本文旨在解决腿式机器人状态估计中的sim-to-real差距问题。现有方法多依赖真实世界数据，导致在不同环境下的估计性能不稳定。

核心思路：我们提出的框架将神经测量网络与不变扩展卡尔曼滤波器相结合，利用模拟数据进行训练，以提高状态估计的准确性和鲁棒性。

技术框架：整体架构包括神经测量网络（NMN）用于状态估计和不变扩展卡尔曼滤波器用于融合和优化估计结果。框架通过模拟数据进行训练，确保在不同地形上的适应性。

关键创新：最重要的创新在于将深度学习与经典滤波方法相结合，利用NMN来增强状态估计的能力，克服了传统方法对真实数据的依赖。

关键设计：在网络结构上，采用了多层感知器和递归神经网络，损失函数设计为结合估计误差和正则化项，以提高模型的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提方法在四种地形上均显著减少了位置漂移，相较于传统模型基方法，位置漂移减少幅度达到30%以上，验证了方法的有效性和鲁棒性。

🎯 应用场景

该研究的潜在应用领域包括自主导航、机器人控制和人机交互等。通过提高腿式机器人在复杂环境中的状态估计能力，能够增强其在实际应用中的可靠性和灵活性，推动机器人技术的进一步发展。

📄 摘要（原文）

This paper introduces a novel proprioceptive state estimator for legged robots that combines model-based filters and deep neural networks. Recent studies have shown that neural networks such as multi-layer perceptron or recurrent neural networks can estimate the robot states, including contact probability and linear velocity. Inspired by this, we develop a state estimation framework that integrates a neural measurement network (NMN) with an invariant extended Kalman filter. We show that our framework improves estimation performance in various terrains. Existing studies that combine model-based filters and learning-based approaches typically use real-world data. However, our approach relies solely on simulation data, as it allows us to easily obtain extensive data. This difference leads to a gap between the learning and the inference domain, commonly referred to as a sim-to-real gap. We address this challenge by adapting existing learning techniques and regularization. To validate our proposed method, we conduct experiments using a quadruped robot on four types of terrain: \textit{flat}, \textit{debris}, \textit{soft}, and \textit{slippery}. We observe that our approach significantly reduces position drift compared to the existing model-based state estimator.