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

要約

この論文では、モデルベースのフィルターとディープ ニューラル ネットワークを組み合わせた、脚式ロボット用の新しい固有受容状態推定器を紹介します。
最近の研究では、多層パーセプトロンやリカレント ニューラル ネットワークなどのニューラル ネットワークが、接触確率や線速度などのロボットの状態を推定できることがわかっています。
これに触発されて、ニューラル測定ネットワーク (NMN) と不変拡張カルマン フィルターを統合する状態推定フレームワークを開発しました。
私たちのフレームワークがさまざまな地形で推定パフォーマンスを向上させることを示します。
モデルベースのフィルターと学習ベースのアプローチを組み合わせた既存の研究では、通常、実世界のデータが使用されます。
ただし、広範なデータを簡単に取得できるため、私たちのアプローチはシミュレーション データのみに依存しています。
この違いにより、学習領域と推論領域の間にギャップが生じ、一般にシミュレーションとリアルのギャップと呼ばれます。
私たちは、既存の学習手法と正則化を適応させることで、この課題に対処します。
提案手法を検証するために、\textit{平坦}、\textit{瓦礫}、\textit{柔らかい}、\textit{滑りやすい} の 4 種類の地形で四足ロボットを使用した実験を行います。
私たちのアプローチは、既存のモデルベースの状態推定器と比較して、位置ドリフトを大幅に削減することがわかります。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google