Optimized Kalman Filter based State Estimation and Height Control in Hopping Robots

要約

クアッドローターベースのマルチモーダルホッピングおよび飛行移動により、純粋な飛行システムと比較して効率と動作時間が大幅に向上します。
ただし、空中段階の推力（飛行には不十分）が非弾道挙動を引き起こすため、効果的な制御には垂直状態の継続的な推定が必要です。
シングルホッピング連続状態推定器が示されています (Kang 2024)。この推定器では、2 つの垂直状態 (位置、加速度) が測定され、複数のセンサー (IMU、ライダー、深度カメラ、接触力センサー) を必要とする技術を通じて速度が推定されます。
大量の計算を必要とする計算 (12 コア、5 GHz プロセッサ)、3.65 kg で最大ホップ高さ約 0.6 m。
これは、軽量、高性能、低観測性、妨害電波および電子干渉耐性のあるホッピング システムの開発に重大な課題をもたらします。
特に知覚的に劣化した環境（粉塵、煙など）では。
ここでは、垂直方向の加速度測定のみを必要とする、学習済みカルマン フィルター ベースのホッピング垂直状態推定器 (HVSE) を示します。
トレーニングでは、ロボットとモーション キャプチャ システムからのホッピング データを使用して、一般的なフレームワークを特定のシステムに適応させます。
影響の大きい行動も含まれます。
私たちの結果は、HVSE が次に優れた慣性航法技術 (12.5%) のホップ頂点高さの平均絶対パーセント誤差 (高さ誤差/グラウンド トゥルース) の 32% で、より多くの状態 (位置、速度) を推定できることを示しています。
実質的に性能の劣るプロセッサ (デュアルコア 240 MHz) で最大 4.2 倍の速度 (840 Hz) を実行し、最大 6.7 倍を超えるホッピング高さ (4.02 m)
質量（672 g）の 20%。
提示された一般的な HVSE とトレーニング手順により、この方法論は他のロボットに広く適用できます。

要約(オリジナル)

Quadrotor-based multimodal hopping and flying locomotion significantly improves efficiency and operation time as compared to purely flying systems. However, effective control necessitates continuous estimation of the vertical states, as thrust (insufficient for flight) in the aerial phase creates non-ballistic behavior. A single hopping continuous state estimator has been shown (Kang 2024), in which two vertical states (position, acceleration) are measured and velocity is estimated through a technique requiring multiple sensors (IMU, lidar, depth camera, contact force sensor), and computationally intensive calculations (12-core, 5 GHz processor), for a maximum hop height of ~0.6 m at 3.65 kg. This poses a significant challenge to the development of light-weight, high-performance, low observable, jamming and electronic interference resistant hopping systems; especially in perceptually degraded environments (e.g., dust, smoke). Here we show a trained Kalman filter based hopping vertical state estimator (HVSE), requiring only vertical acceleration measurements. The training uses hopping data from the robot and a motion capture system to adapt a general framework to the specific system; including high impact behaviors. Our results show the HVSE can estimate more states (position, velocity) with 32% of the mean-absolute-percentage-error in the hop apex height (height error/ground truth) of the next best inertial navigation technique (12.5%), running ~4.2x faster (840 Hz) on a substantially less powerful processor (dual-core 240 MHz) with over ~6.7x the hopping height (4.02 m) at 20% of the mass (672 g). The presented general HVSE, and training procedure make the methodology broadly applicable to other robots.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google