Tightly-Coupled LiDAR-IMU-Leg Odometry with Online Learned Leg Kinematics Incorporating Foot Tactile Information

要約

この手紙では、lidar-imu-legの密着した密着性のある臭気測定を提示します。これは、特徴のない環境や変形可能な地形などの挑戦的な状況に堅牢です。
私たちは、ロボットの足と地面の間の非線形ダイナミクスを暗黙的に表現するために触覚情報（足反応力）を組み込んだニューラルレッグキネマティクスモデルという名前のオンライン学習ベースの脚の運動学モデルを開発しました。
このモデルのオンライントレーニングは、ロボットの重量負荷変化（たとえば、配信または輸送タスクを想定する）および地形条件に対する適応性を高めます。
\ textIT {Neural Adaptive Leg odometry因子}および脚の運動学モデルベースのモーション予測のオンライン不確実性推定によれば、この運動モデルのオンライントレーニングと統一因子グラフの匂い測定推定を共同で解決して、両方の一貫性を保持します。
提案された方法は、2つの挑戦的な状況で四足動物のロボットを使用した実際の実験を通じて検証されました。1）変形可能な地形を持つ非常に特徴のないエリアを表す砂浜、および2）複数の特徴のないエリアと地形のアスファルト、砂利（変形可能な地形）、草を含むキャンパス。
実験結果は、\ textIT {Neural Leg Kinematics Model}を組み込んだodoMetry推定が最新作業を上回ることを示しました。
プロジェクトページの詳細については、https：//takuokawara.github.io/ral2025_project_page/をご覧ください。

要約(オリジナル)

In this letter, we present tightly coupled LiDAR-IMU-leg odometry, which is robust to challenging conditions such as featureless environments and deformable terrains. We developed an online learning-based leg kinematics model named the neural leg kinematics model, which incorporates tactile information (foot reaction force) to implicitly express the nonlinear dynamics between robot feet and the ground. Online training of this model enhances its adaptability to weight load changes of a robot (e.g., assuming delivery or transportation tasks) and terrain conditions. According to the \textit{neural adaptive leg odometry factor} and online uncertainty estimation of the leg kinematics model-based motion predictions, we jointly solve online training of this kinematics model and odometry estimation on a unified factor graph to retain the consistency of both. The proposed method was verified through real experiments using a quadruped robot in two challenging situations: 1) a sandy beach, representing an extremely featureless area with a deformable terrain, and 2) a campus, including multiple featureless areas and terrain types of asphalt, gravel (deformable terrain), and grass. Experimental results showed that our odometry estimation incorporating the \textit{neural leg kinematics model} outperforms state-of-the-art works. Our project page is available for further details: https://takuokawara.github.io/RAL2025_project_page/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google