CoCo-InEKF: 동적이고 접촉이 빈번한 시나리오에서 학습된 접촉 공분산을 이용한 상태 추정

다리가 달린 로봇(legged robots)의 매우 동적인 움직임에 대한 강건한 상태 추정(state estimation)은 특히 동적이고 접촉이 빈번한(contact-rich) 시나리오에서 여전히 어려운 과제로 남아 있습니다. 전통적인 방식들은 종종 이진 접촉 상태(binary contact states)에 의존하는데, 이는 부분적인 접촉이나 방향성 미끄러짐(directional slippage)의 미묘한 차이를 포착하지 못합니다. 본 논문은 이진 접촉 상태 대신 연속적인 접촉 속도 공분산(continuous contact velocity covariances)을 활용하는 미분 가능한 불변 확장 칼만 필터(differentiable invariant extended Kalman filter, InEKF)인 CoCo-InEKF를 제시합니다. 이러한 학습된 공분산은 이 방법이 접촉 신뢰도를 동적으로 조절할 수 있게 하여, 견고한 접촉부터 방향성 미끄러짐 또는 접촉 없음까지의 더 미묘한 조건들을 고려할 수 있게 합니다. 미리 정의된 접촉 후보 지점(contact candidate points) 세트에 대해 이러한 공분산을 예측하기 위해, 우리는 상태 오차 손실(state-error loss)을 사용하여 엔드투엔드(end-to-end)로 학습된 경량 신경망(lightweight neural network)을 채택합니다. 이 접근 방식은 휴리스틱한 정답 접촉 라벨(ground-truth contact labels)의 필요성을 제거합니다. 또한, 우리는 자동화된 접촉 후보 선택 절차를 제안하며, 우리의 방법이 이들의 정확한 배치에 민감하지 않음을 입증합니다. 이족 보행 로봇(bipedal robot)을 이용한 실험을 통해 선속도(linear velocity) 추정에 있어 기존 베이스라인 방법들보다 우수한 정확도-효율성 트레이드오프(accuracy-efficiency tradeoff)를 보여주었으며, 필터 일관성(filter consistency) 또한 향상되었음을 입증했습니다. 이를 통해 시뮬레이션과 실제 환경 모두에서 춤추기 및 복잡한 지면 상호작용을 포함한 도전적인 동작들을 강건하게 수행할 수 있습니다.