日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

歩行arXiv:2606.21669

最小限の外部センサ監視による頑健な脚式オドメトリのオンライン学習

Online Learning of Robust Legged Odometry with Minimal Exteroceptive Supervision

シェア:XThreadsFacebookLINEはてブBluesky

外部センサの校正や運動学モデルを必要とせず、既存の外部センサによる運動追跡を教師信号として、プロプリオセプティブデータから速度を学習するニューラルネットワークをオンライン学習し、InEKFで融合することで、外部センサが劣化した際も頑健に動作する脚式オドメトリシステムを提案した。

詳しい要約

1. どんなもの?

- 脚式ロボットのためのプラグアンドプレイなロバスト脚式オドメトリシステム。 - 外部センサと固有受容センサ間のキャリブレーションや運動学的モデリングを不要にする。 - 外部受容運動パイプラインを連続的な監督信号として利用し、固有受容データからオンラインで速度ニューラルネットワークを学習。 - Invariant EKF (InEKF) で学習した固有受容速度または外部受容速度とIMUデータを融合。 - 外部受容が環境劣化で失敗すると、学習した固有受容モデルにシームレスにフォールバック。

2. 先行研究と比べてどこがすごい?

- 従来のマルチセンサ融合は綿密なセンサキャリブレーションとプラットフォーム固有の運動学的モデリングが必要で展開が複雑。 - 産業用外部受容センサは正確な運動追跡を提供するが、知覚劣化条件下で脆弱。 - 提案手法は明示的な外部受容-固有受容キャリブレーションやシステム運動学的モデリングを排除。 - プラットフォーム非依存で展開が容易。 - 外部受容失敗時にも学習した固有受容モデルでロバストなオドメトリを維持。

3. 技術・手法の肝は?

- 確立された外部受容運動パイプラインを連続的な監督信号として活用。 - 固有受容データからオンラインで速度ニューラルネットワークを直接学習。 - Invariant EKF (InEKF) を用いて、学習した固有受容速度または外部受容速度(存在する場合)とIMUデータを融合。 - 外部受容が環境劣化で失敗すると、学習した固有受容モデルにシームレスにフォールバック。 - これにより、新しいハードウェアに容易に適応する resilient な脚式オドメトリを実現。

4. どうやって有効だと検証した?

- 異なる四脚プラットフォーム上で、提案手法のプラットフォーム非依存性と展開容易性を実証。 - 挑戦的なシナリオにおいてロバストな運動推定を維持する有望な結果を示した。 - 具体的な評価指標やデータセットは要旨からは不明。

5. 議論はある?

- 要旨からは不明。 - 提案手法の限界や議論については記述されていない。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、Invariant EKF (InEKF) や外部受容運動パイプライン、オンライン学習を用いたオドメトリの研究が挙げられる。 - 同分野の定番として、legged odometry や multi-sensor fusion に関する論文が参考になる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Abhijeet M. Kulkarni, Yuze Du, Guoquan Huang

分類: cs.RO

原文アブストラクト

Robust locomotion and navigation for legged robots relies heavily on dependable odometry. Traditional multi-sensor fusion for such state estimation requires meticulous sensor calibration and platform-specific kinematic modeling, which complicates deployment. Industrially packaged exteroceptive sensors can provide accurate motion tracking but remain vulnerable to perceptually degraded conditions. We thus develop a plug-and-play, robust legged odometry system that eliminates the need for explicit exteroceptive-to-proprioceptive calibration or system kinematic modeling. Our approach leverages established exteroceptive motion pipelines as a continuous supervisory signal to train an online learned velocity neural network directly from proprioceptive data. An Invariant EKF (InEKF) is then used to fuse the learned proprioceptive or exteroceptive velocity (if any) and IMU data. When exteroception fails due to environmental degradation, the system seamlessly falls back to using the learned proprioceptive model, yielding a resilient legged odometry that readily adapts to new hardware. We demonstrate the platform-agnostic, easily deployable nature of our approach on different quadruped platforms, showcasing promising results in maintaining robust motion estimation across challenging scenarios.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI