관심 메커니즘 기반 신경망 강화 칼만 필터: 다족 로봇 상태 추정

Attention-Based Neural-Augmented Kalman Filter for Legged Robot State Estimation

본 논문에서는 다족 로봇의 상태 추정을 위한 관심 메커니즘 기반 신경망 강화 칼만 필터(AttenNKF)를 제안합니다. 발 미끄러짐은 주요 오차 원인 중 하나이며, 미끄러짐이 발생하면 운동학적 측정값이 미끄러짐 없음이라는 가정을 위반하여 업데이트 단계에서 편향을 유발합니다. 본 연구의 목표는 이러한 미끄러짐으로 인한 오차를 추정하고 이를 보정하는 것입니다. 이를 위해, 본 연구에서는 불변 확장 칼만 필터(InEKF)에 신경망 보정기를 추가하여, 발 미끄러짐의 정도에 따라 오차를 추론하는 데 사용되는 주의 메커니즘을 활용합니다. 이 추정값은 InEKF 상태(즉, 필터 업데이트 후)에 대한 사후 보정으로 적용됩니다. 보정기는 잠재 공간에서 학습되며, 이는 원본 입력 값의 스케일에 대한 민감도를 줄이고, 구조화된 미끄러짐 조건 보정을 장려하며, InEKF의 재귀적 특성을 유지하는 것을 목표로 합니다. 실험 결과, 기존의 다족 로봇 상태 추정기에 비해 성능이 향상되었으며, 특히 미끄러짐이 발생하기 쉬운 조건에서 더욱 효과적임을 보여줍니다.

In this letter, we propose an Attention-Based Neural-Augmented Kalman Filter (AttenNKF) for state estimation in legged robots. Foot slip is a major source of estimation error: when slip occurs, kinematic measurements violate the no-slip assumption and inject bias during the update step. Our objective is to estimate this slip-induced error and compensate for it. To this end, we augment an Invariant Extended Kalman Filter (InEKF) with a neural compensator that uses an attention mechanism to infer error conditioned on foot-slip severity and then applies this estimate as a post-update compensation to the InEKF state (i.e., after the filter update). The compensator is trained in a latent space, which aims to reduce sensitivity to raw input scales and encourages structured slip-conditioned compensations, while preserving the InEKF recursion. Experiments demonstrate improved performance compared to existing legged-robot state estimators, particularly under slip-prone conditions.