基于激光雷達點云的配網帶電作業機器人的目標識別

胡益菲，李聰利，張黎明，李承霖，李博彤

（1.國網天津市電力公司 濱海供電分公司，天津 300457；2.國網天津市電力公司，天津 300143）

0 引言

隨著傳感器和機器人控制技術的迅猛發展，機器人已在許多高風險行業取代人工作業。配電網帶電作業存在極大安全隱患，適合用機器人代替人工作業[1]。配網帶電作業機器人是一種用于配電網作業的智能設備，近年來在智能電網領域備受關注。配網帶電作業機器人可有效完成帶電線路的斷開和連接任務，提高作業安全性，擴大作業范圍。

在配網帶電作業機器人方面已經進行一些研究。Li等[2]提出了一種基于云計算終端和邊緣計算終端的帶電作業機器人智能管理和控制方法；Liu等[3]提出了機器人的弱剛性控制算法和大延遲主從控制算法；Zhao等[4]研究了用于農業配電網的帶電作業機器人的主從控制遠程作業；Tong[5]設計了一種具有多機械手的配網帶電作業機器人。現有研究主要專注于配網帶電作業機器人的控制和組態設計，沒有涉及感知功能的研究。對于作業場景的感知，Zhu等[6]提出了一種基于立體攝像頭對配電網作業線進行識別并實現機器人的定位的方法；Ren等[7]提出了一種基于攝像機和激光雷達相融合的機器人定位方法。這些研究在一定程度上利用了環境信息，但對作業場景仍缺乏了解。此外，這些研究均依賴于相機，很容易受到光照和外部干擾的影響，因此應用范圍受限。

與相機相比，激光雷達受光照影響較小，能適應全天候作業的要求。Melzer等[8]提出了一種利用2D Hough變換和隨機樣本一致性（RANSAC）從機載激光掃描（ALS）數據中提取電力線的方法；Jwa等[9]使用基于體素的分段線檢測器（VPLD），通過在不同信息級別上分組相似特征來重建電力線；Sohn等[10]采用馬爾可夫隨機場（MRF）改進方法[9]；Zhu等[11]提出了一種基于統計分析和基于2D圖像處理技術的森林環境電力線自動檢測方法；對于激光雷達場景分割，Arastounia等[12]提出了一種基于點鄰域的變電站激光雷達點云中平面區域的分割方法；Gonzalez-Aguilera等[13]和Wu等[14]實現了變電站的現場重建；Gonzalez-Aguilera等[13]將點云映射到CAD模型中；Wu等[14]通過構建數據庫，將掃描到的激光雷達點云與之匹配，對變電站場景進行了重建；Arastounia等[15]提出了一種基于主方向的激光雷達點云分割方法，并利用先驗信息對絕緣子進行識別，他們將該方法擴展到文獻[16]中，利用幾何特征實現了變電站激光雷達點云中更多目標的識別。這些方法充分利用了激光雷達的優點，但只能用于變電站等相對固定、常見的場景，不適用于配網帶電作業機器人復雜的作業場景。此外，上述識別算法僅使用幾何信息作為約束條件，在某些復雜環境下可能效果不佳。

帶電作業機器人的作業場景通常很少有規則的形狀，尤其是在野外條件下。因此，僅基于幾何特征的方法在這些場景中很可能會失效。再者，如果在此類場景中無法獲取大量點云數據，則基于PointNet[17]、HVPR[18]和SESSD[19]等深度學習的識別將會失效。

為進一步了解配網帶電作業機器人的作業場景，拓寬其應用范圍，本文提出了一種基于激光雷達點云數據的目標識別算法，能夠準確、穩健、快速地對作業現場的各種電器進行分割和識別。

本論文的研究成果如下：

1）提出了一種基于激光雷達點云的配電網現場作業機器人目標識別算法，該算法至少可識別3種目標，包括電桿、機械臂和電力線。

2）將幾何特征識別和基于最小二乘估計的迭代優化融入點云識別，可取得極好識別效果。

3）在實際作業場景中充分實驗，驗證所提方法的準確性、穩健性和有效性。

1 點云數據處理綜述

使用下列符號對所提方法進行綜述：Pl為通過激光雷達獲得的初始點云；Po為作業區域的點云；Pp為電桿的點云；Pc為機械臂的點云；Pw為電力線的點云。

所提方法的系統概述如圖1所示。輸入整個系統的是通過激光雷達掃描的點云。輸出的是3種電氣設備的識別結果。首先，對通過激光雷達掃描的點云Pl進行預處理從而獲得作業區域Po的點云。預處理包括縮減像素采樣、地面清除和去異常值。然后利用電桿Pp和機械臂Pc的幾何特征提取電桿Pp和機械臂Pc的點云。然后，采用基于最小二乘法的迭代優化方法，利用幾何約束對Pp和Pc進行優化，獲得更精確的電桿和機械臂。根據Pp和Pc提供的信息，從剩余點云中進一步提取電力線Pw的點云。最后，將識別出的3種電氣設備投影到Po上，得出識別結果。

圖1 算法過程概述

2 點云數據處理算法

2.1 點云預處理

對初始點云Pl進行預處理獲得作業區域Po的點云。鑒于激光雷達附近點云數據量大、密度高，首先對點云Pl進行縮減像素采樣。具體而言，構建1 cm大小的體素格網。由于激光雷達測量誤差隨距離增加而增大，因此對于各個網格，保留距離激光雷達最近的點，清除其他點。縮減像素采樣后，通過構建高度直方圖清除地面上的點，并對其余點云進行空間分離。然后通過歐氏聚類提取保留Po。由于激光雷達掃描過程中存在一定誤差，點云中難免會包含一些異常值。因此，在Po上執行異常值清除。對于Po中各個點，我們計算各個點和其所有相鄰點之間的平均距離。根據均值和標準差假設高斯分布，與均值間的距離超過標準范圍的點為離群點。最后獲得了更精確的作業區Po的點云，如圖2所示。清除干擾點，完好保留作業區的點。

圖2 預處理結果

2.2 電桿和機械臂識別

利用電桿和機械臂的幾何特征對其進行檢測。具體而言，作業區域Po給定的點云，選擇滿足nz＜閾值的點生成點云Pm，其中nz為點在Z軸上的局部法向分量。一般而言，在實際作業中，配電網帶電作業機器人通常以大致平行于地面的方式采集數據，因此電桿上大部分掃描點都在Pm中。通過歐氏聚類獲得Pm的最大連通區域，提供初始電桿結構。

給定電桿Pp的點云，采用基于主成分分析（PCA）的點云幾何特征估計計算Pp的主方向。之后，對具體方法進行討論。據此，算法1中給出偽代碼。

主成分分析（PCA）是一種常用的點云分析法，通過計算點云分布矩陣的特征值獲得其幾何特征。對于輸入點云，我們首先使用式（1）計算其質心Pc，其中n∈N為點數，[xi, yi, zi]T∈R3為第i個點的笛卡爾坐標。

然后使用式（3）中給出的特征值分解計算分布矩陣的特征值和特征向量，其中，Λ = diag{λ1，λ2，λ3}和Q= ［q1，q2，q3］T分別表示特征值和對應的特征向量。

最大特征值對應的特征向量就是點云的主方向。

表1 點云幾何特征提取算法

為識別機械臂，對比一個滑動窗口，其大小wh設為略大于機械臂的寬度。鑒于機械臂近似平行于激光雷達坐標系的Y軸，因此滑動窗口的方向設為沿Y軸。通過沿電桿主方向滑動窗口，確定各個機械臂的可能高度范圍。對于每個可能的高度范圍，計算Z軸方向上的點的方差，排除標準差大于臨界值（設為機械臂寬度的一半）的點，其余點視為機械臂上的點。

2.3 迭代優化

鑒于激光雷達在掃描時繞俯仰軸和偏航軸旋轉，在III-B中對初始電桿和機械臂的識別存在一定誤差。尤其是激光雷達坐標系的機械臂平行于Y軸、電桿平行于Z軸的假設并未完全得到滿足。因此，采用基于最小二乘法的平面擬合方法進一步優化識別結果。采用最小二乘法擬合初始電桿和絕緣機械臂上的點，按照式（4）確定損失函數，其中，np∈R3為平面的單位法線。

獲得平面后，選擇Po中與平面之間距離小于閾值（設為5 cm）的點形成點云P平面（Pplane），利用算法1計算Pplane的主方向，表示為dp。利用式（5）確定旋轉矩陣Rp，其中np為平面法向。

通過Rp轉化Po中所有點，從而旋轉Po，使電桿平行于Z軸，機械臂也平行于激光雷達坐標系的Y軸。再從旋轉后的點云中迭代提取電桿和機械臂，直至平面主方向收斂。算法2中給出這部分的偽代碼。

表2 迭代優化的點云提取算法

2.4 電力線識別

從作業區Po點云中清除電桿點和機械臂點后，對剩余點云進行歐氏聚類分割，進行進一步分析。通過計算點云的直線度和主方向與平面法向的夾角來確定被分割的點云是否為電力線。線性度Lλ描述點云相對于直線的近似度，按式（6）確定[20]，其中，e1和e2分別為點云分布矩陣的最大特征值和第二大特征值。

通過式（7）計算點云主方向和平面法向夾角α，其中，dp∈R3為III-C中擬合的平面法向。

如果點云的Lλ大于閾值（設為0.9）且α小于另一閾值（設為5°），視點云為電力線。

3 算法驗證實驗

為驗證本論文方法的有效性，在配網帶電作業機器人的實際作業場景中進行了識別實驗。通過在機器人上安裝旋轉器的SICK激光雷達獲得初始點云。在3個不同復雜度的場景中進行實驗，每個場景掃描10次，得到10個點云。3個場景的識別結果如圖3所示，其中，場景1是干擾點較少的簡單場景，場景2是干擾點較多的復雜場景，場景3是干擾點很多的最復雜場景。綠色部分為電桿Pp的點云，紫色部分為機械臂Pc的點云，紅色部分為電力線Pw的點云。

圖3 識別結果

為定量評價本文方法的準確性，我們對獲得的30個激光雷達點云的電桿、機械臂和電力線手工進行了標記。用查全率和查準率來評價該方法的性能。查全率是已識別的標記物體占所有識別物體的比例，而查準率是已識別物體占所有識別物體的比例。計算每種場景下的查全率和查準率，結果如表3所示。

從表3可以看出，本文所提方法對3個不同目標均取得了良好識別效果。3個場景中電桿的查準率和查全率均達到了100%，而其他2個目標的識別查準率和查全率也保持在96%以上。

表3 識別物體的查準率和查全率%

為進一步證明所提方法的準確性和迭代優化所帶來的改進，對給定的30個點云進行了對比實驗。選擇僅利用幾何信息的方法作為比較法，這是激光雷達點云識別中常用方法。我們的實際情況是，僅使用III-B中提到的幾何約束來識別電桿和機械臂。識別電力線時，僅考慮線性約束，不考慮III-A中提到的平面信息。計算各個場景的查全率和查準率，結果如表4所示，其中方法1為本文所提方法，方法2為比較法。

表4 不同方法的查準率和查全率%

結果表明，通過迭代優化，本文所提方法取得了較好識別效果。對于所有30個點云，保證電桿識別查準率的同時，我們的方法實現了較高查全率，提高率為3.22%。對比比較法，機械臂識別的查準率提高了1.08%，查全率提高了19.64%。識別電力線時，查全率雖然降低了0.56%，但查準率提高了21.02%，達到100%。綜上所述，迭代優化提高了目標識別的準確性。

從表3可以看出，本文提出的目標識別方法在3個不同復雜程度的場景中均取得了良好識別效果，表明該方法具有較強穩健性，能夠應對配網帶電作業機器人實際作業中的不同場景。

用于實驗中30個點云的所提方法的運行時間如圖4所示。不同顏色表示在不同步驟中消耗的時間。可以看出，隨著場景復雜度的增加，時間也在一定程度上增加，主要是因為預處理需要消耗較多的運行時間來處理復雜的點云數據。所有30個點云消耗時間在1.3 s以內，簡單場景消耗時間在1.0 s以內，滿足配網帶電作業機器人實時目標識別的要求。

圖4 所提方法所消耗時間

4 結論

本文提出了一種基于迭代優化的配電網帶帶作業機器人目標識別方法。我們首先采用幾何約束對初始電桿和機械臂進行識別，然后采用基于最小二乘估計的迭代優化對識別結果進行優化。識別出的電桿和機械臂用于創建一個平面，為后續識別電力線提供方向約束。最后，利用方向約束和線性約束對電力線進行識別。通過這種方法，可從激光雷達點云中準確識別出3種不同目標。對該方法在實際作業場景中的識別結果進行了定量評價，證明迭代優化大大提高了識別準確度。通過在不同復雜場景下的實驗，證明了該方法的穩健性，同時也滿足了實時作業的要求。本文所提方法提高了配網帶電作業機器人的感知能力，提高了機器人的智能程度，擴大了應用范圍。