脚式ロボットの状態推定のための残差ベース適応カルマンフィルタ

本論文は、脚式ロボットの状態推定におけるノイズパラメータのオンライン適応手法を提案する。具体的には、Kalman filterのプロセスノイズ共分散行列Qと測定ノイズ共分散行列Rを、フィルタの残差とイノベーションに基づいて適応させる。提案手法はInvariant Extended Kalman Filter (InEKF)に実装され、IMUと脚の運動学を統合する。Unitree Go2四足ロボットを用いた屋内・屋外データセットでの実験により、Rの適応が有効であり、固定チューニングのInEKFと比較してトロット歩容で精度が25%向上することを示す。また、足底力測定を必要とせず、追加のパラメータチューニングなしで同等の性能を達成する。

従来のKalman filterベースの状態推定では、ノイズパラメータのチューニングが専門知識を要し、固定パラメータは歩容や環境の変化に適応できないという問題があった。本提案は、残差とイノベーションに基づく共分散適応法を脚式ロボットの状態推定に導入し、オンラインでQとRを調整することで、手動チューニングの必要性を低減し、変化する条件に対するロバスト性を向上させる。特に、Rの適応のみで十分であり、足底力測定を必要としない点が従来のfoot forceアプローチと比較して優れている。

手法の核は、フィルタの残差(residual)とイノベーション(innovation)に基づいて、プロセスノイズ共分散行列Qと測定ノイズ共分散行列Rをオンラインで推定・適応させること。具体的には、InEKFの枠組みで、残差とイノベーションの統計的性質を利用して共分散を更新する。提案する適応則は、計算効率が高く、追加のセンサを必要としない。実験では、Rの適応のみで精度が向上することが示され、Qの適応は不要であると結論付けている。

Unitree Go2四足ロボットを用いて、屋内と屋外のデータセットで実験を行った。ベースラインとして、IMUと足底力測定を用いた固定チューニングのInEKFと比較した。トロット歩容において、提案する残差ベースの適応法は、固定チューニングInEKFと比較して精度が25%向上した。さらに、足底力測定を用いるアプローチと同等の性能を、足底力測定なしで達成した。

要旨からは、提案手法の限界や特定の条件下での性能低下などについての議論は不明である。また、Qの適応が不要である理由や、他の歩容や環境での有効性についての詳細な考察は要旨には含まれていない。さらに、適応の収束性や安定性に関する理論的保証についても言及がない。

要旨で参照されている関連研究として、Invariant Extended Kalman Filter (InEKF)の基礎論文や、foot force measurementsを用いた状態推定手法が挙げられる。また、残差ベースの適応法の一般理論として、Adaptive Kalman Filteringに関する標準的な文献が関連する。具体的な論文タイトルは要旨からは不明であるが、同分野の定番として、Bloeschらの脚式ロボット状態推定に関する研究や、HartleyらのInEKFに関する論文が考えられる。