DOI: https://doi.org/10.1109/lra.2026.3664311
تاريخ النشر: 2026-02-12
المؤلف: Seokju Lee وآخرون
الموضوع الرئيسي: تتبع الأهداف ودمج البيانات في شبكات الاستشعار
نظرة عامة
في هذا البحث، يقدم المؤلفون مرشح كالمان المعزز بالانتباه (AttenNKF) الذي يهدف إلى تحسين تقدير الحالة في الروبوتات ذات الأرجل، مع التركيز بشكل خاص على التحديات التي تطرحها انزلاق القدم، والذي يمكن أن يؤدي إلى أخطاء تقدير كبيرة. يدمج AttenNKF مُعوضًا عصبيًا يستخدم آلية انتباه تستنتج الأخطاء الناتجة عن الانزلاق بناءً على شدة انزلاق القدم. تم تصميم هذا المُعوض للعمل في مساحة كامنة، مما يقلل من الحساسية لمقاييس الإدخال الخام ويضمن تعويضات منظمة مع الحفاظ على الطبيعة التكرارية لمرشح كالمان الممتد الثابت (InEKF).
تشير النتائج التجريبية إلى أن AttenNKF يتفوق على مقدرات الحالة الحالية، مثل الروبوت القياسي (SR)، والمُعوض الخطي (LC)، وInNKF، خاصة في البيئات المعرضة للانزلاق. تحقق الطريقة تقليلاً في الخطأ النسبي (RE) خلال التقييمات على كل من التضاريس الداخلية والخارجية، بما في ذلك الظروف الصعبة مثل العشب القابل للتشوه. يعمل AttenNKF بتردد 580 هرتز، مما يوضح جدواه للتطبيقات في الوقت الحقيقي. تشمل اتجاهات البحث المستقبلية تطبيق الحالات المقدرة للتحكم الذاتي في الروبوتات ذات الأرجل وتوسيع الإطار ليشمل منصات روبوتية أخرى، مع التركيز على تحديد العوامل المسببة للأخطاء وتنقيح المُعوض لضبط التغاير المرتبط، مما يضمن الإبلاغ عن عدم اليقين بشكل متسق. بالإضافة إلى ذلك، يخطط المؤلفون لاستكشاف صيغ مرتبطة بشكل وثيق تدمج التصحيحات المتعلمة مرة أخرى في تكرار المرشح مع الحفاظ على بنية مجموعة لاي.
مقدمة
في مقدمة هذه الورقة البحثية، يسلط المؤلفون الضوء على التحديات التي تواجه الروبوتات ذات الأرجل في تقدير حالتها الداخلية بدقة—مثل الوضع، والسرعة، وحالة الاتصال—عند عبور تضاريس متنوعة، خاصة في ظل ظروف الطقس السيئة. تعتمد الطرق التقليدية على أجهزة الاستشعار الخارجية مثل الكاميرات وLiDAR، التي تواجه صعوبات في الرؤية الضعيفة، بينما الرادار، على الرغم من قوته، له قيود في الدقة الزاوية. لمعالجة هذه القضايا، يؤكد المؤلفون على أهمية أجهزة الاستشعار الذاتية، التي تدمج البيانات من وحدات القياس بالقصور الذاتي (IMUs) ومشفرات المفاصل لتقدير حالة الروبوت. حاولت تقنيات تقدير الحالة الحالية، بما في ذلك أشكال مختلفة من مرشح كالمان الممتد (EKF)، إدارة الانزلاق واكتشاف الاتصال ولكن غالبًا ما تفعل ذلك بشكل غير مباشر، مما يؤدي إلى تراكم الأخطاء.
يقترح المؤلفون نهجًا جديدًا، وهو مرشح كالمان المعزز بالانتباه (AttenNKF)، الذي يدمج الانزلاق كمتغير شرط لتعزيز تقدير الحالة. من خلال استخدام آلية انتباه متقاطعة، يعدل AttenNKF هيكل التعويض بناءً على نظام الانزلاق، مما يسمح بتقليل الأخطاء بشكل أكثر فعالية. توضح الورقة المساهمات الرئيسية، بما في ذلك تعريف مستوى انزلاق القدم المستمر، وتصميم مُعوض عصبي مشروط بالانزلاق، والتقييمات التجريبية التي تظهر الأداء المتفوق لـ AttenNKF عبر تضاريس متنوعة مقارنة بالطرق الحالية. ستفصل الأقسام التالية من الورقة المنهجية، وإعداد التجارب، والنتائج.
مناقشة
في هذا القسم، يقدم المؤلفون مستوى انزلاق قدم مستمر، مستمد من مُقدر الاتصال القائم على CNN الذي يستخدم فقط بيانات IMU والمفاصل، محققًا دقة تبلغ حوالي 97% في تصنيف حالة الاتصال. يتم تعريف مستوى انزلاق القدم كقيمة مستمرة بين 0 و1، يتم حسابها باستخدام دالة سيغمويد تطبق على مقدار سرعة القدم الأمامية خلال مراحل الوقوف. يعمل هذا المستوى كعلامة على شدة الانزلاق، مما يعكس الانحرافات عن حالة السرعة الصفرية المتوقعة أثناء الاتصال. يشير المؤلفون إلى أنه بينما يمكن أن تؤدي الأخطاء في مُقدر الاتصال إلى إدخال ضوضاء في مستوى الانزلاق، تشير نتائجهم التجريبية إلى أن هذه الشكوك لا تؤثر بشكل كبير على أداء التقدير العام ما لم تستمر الأخطاء في التصنيف عبر خطوات متعددة.
كما يتم استكشاف العلاقة بين مستوى انزلاق القدم المحدد وخطأ تقدير الحالة. يجد المؤلفون علاقة إيجابية معتدلة إلى قوية (معامل بيرسون r = 0.68) بين مستوى الانزلاق وخطأ تقدير الحالة في InEKF، مما يشير إلى أن مستويات الانزلاق الأعلى تتوافق مع زيادة أخطاء التقدير. تدعم هذه العلاقة استخدام مستوى انزلاق القدم كإشارة سياقية قيمة لتعزيز أداء المُعوض العصبي المصمم للتخفيف من الأخطاء الناتجة عن الانزلاق في الروبوتات ذات الأرجل. تفصل الأقسام التالية بنية وتدريب مُعوض عصبي قائم على الانتباه (AttenNC) يستفيد من هذا السياق الانزلاقي لتحسين تقدير الحالة عبر ظروف انزلاق متنوعة.
DOI: https://doi.org/10.1109/lra.2026.3664311
Publication Date: 2026-02-12
Author(s): Seokju Lee et al.
Primary Topic: Target Tracking and Data Fusion in Sensor Networks
Overview
In this research, the authors introduce the Attention-Based Neural-Augmented Kalman Filter (AttenNKF) aimed at enhancing state estimation in legged robots, particularly addressing the challenges posed by foot slip, which can lead to significant estimation errors. The AttenNKF integrates a neural compensator utilizing an attention mechanism that infers slip-induced errors based on the severity of foot slip. This compensator is designed to operate in a latent space, minimizing sensitivity to raw input scales and ensuring structured compensations while maintaining the recursive nature of the Invariant Extended Kalman Filter (InEKF).
The experimental results indicate that AttenNKF outperforms existing state estimators, such as the Standard Robot (SR), Linear Compensator (LC), and InNKF, particularly in slip-prone environments. The method achieves a reduction in Relative Error (RE) during evaluations on both indoor and outdoor terrains, including challenging conditions like deformable grass. Operating at a frequency of 580 Hz, the AttenNKF demonstrates its viability for real-time applications. Future research directions include applying the estimated states for autonomous control in legged robots and extending the framework to other robotic platforms, with an emphasis on identifying error-inducing factors and refining the compensator to adjust associated covariance, thereby ensuring consistent uncertainty reporting. Additionally, the authors plan to explore tightly coupled formulations that integrate learned corrections back into the filter recursion while preserving the Lie-group structure.
Introduction
In the introduction of this research paper, the authors highlight the challenges faced by legged robots in accurately estimating their internal state—such as pose, velocity, and contact state—when traversing diverse terrains, particularly under adverse weather conditions. Traditional methods rely on exteroceptive sensors like cameras and LiDAR, which struggle in poor visibility, while radar, although robust, has limitations in angular resolution. To address these issues, the authors emphasize the importance of proprioceptive sensors, which integrate data from Inertial Measurement Units (IMUs) and joint encoders to estimate the robot’s state. Existing state estimation techniques, including various forms of the Extended Kalman Filter (EKF), have attempted to manage slip and contact detection but often do so indirectly, leading to accumulated errors.
The authors propose a novel approach, the Attention-based Neural-Augmented Kalman Filter (AttenNKF), which explicitly incorporates slip as a conditioning variable to enhance state estimation. By employing a cross-attention mechanism, the AttenNKF adapts the compensation structure based on the slip regime, allowing for more effective error reduction. The paper outlines the main contributions, including the definition of a continuous foot slip level, the design of a slip-conditioned neural compensator, and empirical evaluations demonstrating the AttenNKF’s superior performance across various terrains compared to existing methods. The subsequent sections of the paper will elaborate on the methodology, experimental setup, and results.
Discussion
In this section, the authors introduce a continuous foot slip level, derived from a CNN-based contact estimator that utilizes only IMU and joint data, achieving approximately 97% accuracy in contact state classification. The foot slip level is defined as a continuous value between 0 and 1, calculated using a sigmoid function applied to the magnitude of the foot’s forward velocity during stance phases. This slip level serves as an indicator of slip severity, reflecting deviations from the expected zero-velocity condition during contact. The authors note that while errors in the contact estimator can introduce noise into the slip level, their empirical results indicate that this uncertainty does not significantly affect overall estimation performance unless misclassifications persist over multiple steps.
The correlation between the defined foot slip level and state estimation error is also explored. The authors find a moderate-to-strong positive correlation (Pearson’s r = 0.68) between the slip level and the InEKF state estimation error, suggesting that higher slip levels correspond to increased estimation errors. This relationship supports the use of the foot slip level as a valuable context signal for enhancing the performance of the neural compensator designed to mitigate slip-induced errors in legged robots. The subsequent sections detail the architecture and training of an Attention-based Neural Compensator (AttenNC) that leverages this slip context to improve state estimation across varying slip conditions.