變電站巡視機器人關鍵技術綜述

馬思懿 黃琳 胡昉 李晶 徐超

【摘要】服務機器人是國家十二五計劃規劃的重點產業發展方向，變電站巡視機器人是機器人技術在電力行業最早的應用。通過安裝特定傳感器的移動機器人定期對變電站進行巡視并對設備進行監測，是提高工作效率和質量，達到減員增效的理想方案。另外，為移動機器人安裝機械臂等設備，還能使機器人具備一定的操作能力。本文主要介紹了變電站巡視機器人的動力、驅動、定位及監測傳感器模塊。

【關鍵詞】機器人；變電站；巡視；計算機視覺

引言

變電站巡視機器人是機器人技術在電力行業最早的應用。變電站設備繁多，分布極為分散，為實現變電站設備的遠程監控，如果通過給各類設備都安裝攝像頭或相應傳感器進行狀態監測，極為浪費且數據量巨大。通過安裝特定傳感器的移動機器人定期對變電站進行巡視并對設備進行監測，是提高工作效率和質量，達到減員增效的理想方案。另外，為移動機器人安裝機械臂等設備，還能使機器人具備一定的操作能力。因此，國家863計劃在2002年就已支持山東電力研究院魯能智能公司魯守銀等人對變電站巡視機器人的研究。變電站巡視機器人是地面移動機器人的一種，一般具備動力模塊、驅動模塊、定位模塊、避障模塊、規劃模塊、監測傳感器模塊和數據傳輸模塊等。本文下面主要介紹其中的動力、驅動、定位及監測傳感器模塊。

1、動力及驅動模塊

動力及驅動模塊是移動機器人行動的基礎。巡視機器人平臺能夠穩定有效的執行任務依賴于可靠的機械底盤、穩定高效的底層電路以及完成特定任務的上層算法，其中底層驅動電路是軟硬件連接的關鍵紐帶，應該能夠為多源傳感器提供方便的接口，包括高效的硬件通信協議和中斷服務；此外，底層電路需要配置具有一定運算能力的處理器，處理實時性要求比較高的傳感器數據比如慣導數據；其次，智能的、可靠性高的電源管理模塊也需要被設計來保障系統流暢的運行。

2、定位模塊

機器人的定位模塊則相對復雜，涉及多種定位方式，包括里程計定位、慣性定位、衛星定位、視覺定位、無線電定位等。里程計定位是指記錄驅動平臺運動的電機轉動圈數，推測平臺運動軌跡的方法，這類方法較為簡單直接，適用于簡單環境下的小型運動平臺，對于巡視機器人不適用。衛星定位是指利用GPS或北斗衛星對機器人進行定位，這類方法精度通常難以達到要求（米級），如果利用差分定位方法，精度較高，但計算量大，實時性差，適用性也不高。因此，對于巡視機器人，一般采用視覺、慣導及無線電定位等方式。

2.1 視覺定位。視覺定位又分主動定位與被動定位兩種。主動定位是指在特定環境中，設定可見的地標或導航線等標志物，讓機器人通過攝像機識別這些標志物對自身進行定位，介紹了一種利用攝像頭拍攝的圖像，通過分割算法自動識別地面導航線的變電站機器人定位方式。然而，這類視覺定位方式雖然簡單，但是過于定位標志物要求極高，安裝復雜且成本高，如果環境發生變化，例如標志物被污染，就無法進行定位了。因此，可以使用基于立體視覺的被動定位技術。在室內、地下、行星探測等復雜環境下，一般的基于外部信號的導航定位方式（例如GPS、無線電基站等）都不適用。機器人在行駛過程中，由于輪子打滑（地面太滑、存在坑洼、崎嶇等）會造成輪式里程計（輪子轉速數據形成的定位數據）產生較為嚴重的偏差。利用雙目相機拍攝視頻序列，匹配獲得相鄰兩幀的左右相機拍攝圖像的同名點，然后利用雙目相機的成像幾何關系，獲得相鄰兩幀之間同名點的三維坐標，通過求解三維坐標的變換關系可以反演出相機在這兩幀之間的位移與旋轉，有效解決當外部導航信號不可用時的機器人定位與導航問題。

通過獲得每兩幀之間相機的旋轉和平移變化參數，即可獲得相機的實時位姿參數，通過設定初始的相機位姿，將每兩個時刻之間的相機的旋轉和平移采用Kalman濾波連接起來即可得到相機的視覺里程計。這個過程是可以實時完成的，所以通過雙目相機即可完成機器人的實時定位。

2.2 基于慣性測量單元（IMU）的定位。慣性測量單元是基于牛頓運動定律而制作出來的感應物體相對于慣性坐標系的旋轉和平移的測量期間。軸慣性測量單元（IMU）可以感應物體在空間的旋轉與平移，通過慣性器件的機械編排對物體在三維空間的平移和旋轉做出估計慣性傳感器的輸出不依賴外界環境，具有高可靠性，并且數據輸出率高，經過精心處理的慣導數據可以高動態的反映物體在慣性空間的運動，因此被廣泛應用于自主定位。

2.3 融合多源信息的自主定位。基于慣導的自主定位具有速度快，且能在一定時間范圍內保持較高精度，但是隨著時間的漂移，由于陀螺和加速度計的零點漂移噪聲，使得相對定位精度急劇下降。目前基于立體視覺的自主定位雖然有很高的精度，但是由于算法復雜和硬件限制，數據輸出率低，無法保證動態性，并且存在相對定位漂移發散的問題。基于導航標志或地圖匹配的數據庫匹配的方法可以給出機器平臺的絕對位置，但是算法復雜，并且需要構建復雜的數據庫，因此只能給出數目有限的控制點。綜合上述不同定位策略的優劣，需要做組合定位，融合多源傳感器數據，使最終的定位精度和速度滿足工程的需求。目前移動機器人平臺領域采用的多傳感器融合方法主要包括：加權平均法、Kalman濾波、擴展Kalman濾波、Bayes估計、模糊邏輯、神經網絡以及基于行為方法和基于規則方法。其中應用最為廣泛的是Kalman濾波及其擴展濾波。卡爾曼濾波算法用于動態的低層次冗余傳感器數據的實時融合。該方法用測量模型的統計特性來遞推決定在統計意義下最優的融合數據估計。若系統具有線性動力學模型，并且系統噪聲和傳感器噪聲是符合高斯分布的白噪聲，則卡爾曼濾波為融合數據提供唯一的統計意義下的最優估計。這種方法的遞推特性使其計算速度快，并且不需要過多的存儲空間。現在的計算機技術飛速發展，卡爾曼濾波的計算要求與復雜性已經不再阻礙該方法的實際應用。該方法越來越受到人們的青睞，特別是在多傳感器多目標跟蹤系統中其獨特的優點更為顯著。

參考文獻：

[1]魯守銀，李向東，王宏.DJR-101型變電站設備巡檢移動機器人系統[J].電力信息化，2006，（4）.

[2]魯守銀，蘇建軍.機器人在變電站設備巡檢中的應用[J].機器人技術與應用，2007，（05）.

[3]魯守銀，錢慶林，張斌，王明瑞，李向東，王宏.變電站設備巡檢機器人的研制[J].電力系統自動化，2006，（13）.

[4]李向東，魯守銀，王宏，管瑞清，安東，厲秉強.一種智能巡檢機器人的體系結構分析與設計[J].機器人，2005，（06）.