OptiState: State Estimation of Legged Robots using Gated Networks with Transformer-based Vision and Kalman Filtering

要約

脚式ロボットの状態推定は、非常に動的な動作とセンサーの精度による制限があるため、困難です。
カルマン フィルタリング、最適化、学習ベースのモダリティを統合することにより、ロボットの体幹の状態を推定するための固有受容情報と外受容情報を組み合わせたハイブリッド ソリューションを提案します。
ジョイント エンコーダと IMU 測定を活用することで、当社のカルマン フィルターは、凸モデル予測制御最適化からの地面反力制御出力を組み込んだ単一剛体モデルを通じて強化されます。
この推定は、Gated Recurrent Units によってさらに洗練され、深度画像に適用される Vision Transformer オートエンコーダーからのセマンティックな洞察とロボットの高さも考慮されます。
このフレームワークは、不確実性の評価を含む正確なロボットの状態推定を提供するだけでなく、センサーの測定や学習によるモデルの単純化から生じる非線形誤差を最小限に抑えることができます。
提案された方法論は、さまざまな地形で四足ロボットを使用してハードウェアで評価され、VIO SLAM ベースラインと比較して二乗平均平方根誤差が 65% 改善されました。
コード例: https://github.com/AlexS28/OptiState

要約(オリジナル)

State estimation for legged robots is challenging due to their highly dynamic motion and limitations imposed by sensor accuracy. By integrating Kalman filtering, optimization, and learning-based modalities, we propose a hybrid solution that combines proprioception and exteroceptive information for estimating the state of the robot’s trunk. Leveraging joint encoder and IMU measurements, our Kalman filter is enhanced through a single-rigid body model that incorporates ground reaction force control outputs from convex Model Predictive Control optimization. The estimation is further refined through Gated Recurrent Units, which also considers semantic insights and robot height from a Vision Transformer autoencoder applied on depth images. This framework not only furnishes accurate robot state estimates, including uncertainty evaluations, but can minimize the nonlinear errors that arise from sensor measurements and model simplifications through learning. The proposed methodology is evaluated in hardware using a quadruped robot on various terrains, yielding a 65% improvement on the Root Mean Squared Error compared to our VIO SLAM baseline. Code example: https://github.com/AlexS28/OptiState

arxiv情報

提供元, 利用サービス

arxiv.jp, Google