變電站智能四足巡視機器人避障軌跡自動規(guī)劃研究

摘 要：當規(guī)劃機器人避障軌跡時僅考慮其單一的運動學特性，導致在實際執(zhí)行的過程中機器人不能有效跟蹤生成的避障路徑，影響避障效果和效率，因此本文研究變電站智能四足巡視機器人的避障軌跡自動規(guī)劃技術。需要明確避障勢場區(qū)域，構建障礙物的精確位置與范圍。建立機器人運動學模型，為軌跡規(guī)劃提供理論基礎，在這個基礎上實時計算障礙信息。采用智能算法規(guī)劃避障軌跡，保障路徑安全。試驗結果表明，與現(xiàn)有方法相比，本文方法顯著提高了路徑規(guī)劃效率，生成更短、更精準的避障路徑，為變電站智能化巡視提供了關鍵技術支持。

關鍵詞：智能四足巡視機器人；變電站巡視機器人；機器人避障軌跡

中圖分類號：TP 242 " " " " " 文獻標志碼：A

隨著智能電網建設加速，為保證電網穩(wěn)定運行，需要提高巡視效率并保障安全。傳統(tǒng)人工巡視受限于環(huán)境復雜性和人力成本，不能滿足高效、可靠的巡視需求。為了解決這個問題，需要研發(fā)智能四足巡視機器人?，F(xiàn)有智能機器人在變電站復雜環(huán)境中的避障能力不足。根據機器人運動學，在基于深度強化學習的四足機器人單腿越障軌跡規(guī)劃方法中采用蒙特卡洛法，分析四足機器人單腿足端的運動空間，規(guī)劃一種復合七次多項式越障運動軌跡[1]?；诟倪M粒子群算法的避障軌跡規(guī)劃提出參數(shù)尋優(yōu)的方法，以機器人關節(jié)轉角增量最小和運動時間最短為目標，最終得到全局最優(yōu)的避障軌跡規(guī)劃[2]。但是2種算法的復雜度較高，需要較多的計算資源支持。針對上述問題，本文研究變電站智能四足巡視機器人的避障軌跡自動規(guī)劃技術，融合先進的環(huán)境感知、智能決策與高效運動控制策略，突破技術局限。構建智能避障軌跡規(guī)劃系統(tǒng)，使機器人在復雜場景中能夠進行精準識別與快速響應，提升自主導航與巡檢效率，為變電站智能化巡檢提供技術支持。

1 明確避障勢場區(qū)域

明確避障勢場區(qū)域是避障軌跡規(guī)劃的基礎。在這個階段，機器人需要利用搭載的傳感器對周圍環(huán)境進行全面掃描和感知，識別變電站區(qū)域內的所有障礙物，包括靜態(tài)的（例如變壓器、開關柜等）和動態(tài)的（例如工作人員、移動車輛等）。然后基于感知的障礙物信息構建避障勢場區(qū)域，即機器人需要避免進入或接近的區(qū)域。避障勢場是利用三維技術構建的一個按比例縮小的虛擬空間，該空間精確模擬了實際變電站的復雜環(huán)境。這個勢場不僅考慮了靜態(tài)障礙物和動態(tài)障礙物，還根據數(shù)學公式精確量化了引力和斥力，為機器人的路徑規(guī)劃提供有力支持。對機器人產生一個指向該點的力，即引力。這個力的大小通常與目標位置至機器人當前位置的距離成反比，距離越近，引力越大。障礙物在勢場中表現(xiàn)為能量高點，對機器人產生一個遠離該點的力，即斥力。斥力的大小通常與機器人至障礙物的距離以及障礙物的性質有統(tǒng)計學意義，距離越近，斥力越大。

為了精確量化這種動態(tài)平衡，精準感知環(huán)境，采用高性能激光雷達作為感知工具，實時采集機器人周圍的環(huán)境信息，對周圍空間進行全方位掃描。利用激光雷達的數(shù)據來間接推斷和計算機器人在環(huán)境中可能受到的“虛擬力”（即避障勢場中的引力和斥力）。假設存在一個避障勢場，這個勢場由2個部分組成：航點的引力勢場Uattr（x，y，z）和障礙物的斥力勢場Urep（x，y，z），（x，y，z）是機器人在虛擬空間中的坐標。計算區(qū)域內由障礙物產生的斥力Urep（x，y，z）[3]，如公式（1）所示。

（1）

式中：Urep（x，y，z）為區(qū)域內由障礙物產生的斥力；krep為斥力常數(shù)；d（x，y，z）為機器人當前位置至最近障礙物的距離；ε為整數(shù)，其作用是防止分母為0。結合這個數(shù)值以及磁場的實時變化情況進一步推導磁場（即勢場）對機器人產生的引力大小[4]，計算過程如公式（2）所示。

Uattr（x，y，z）=（t1-t2）·δ·s " " " " " （2）

式中：Uattr（x，y，z）為磁場（即勢場）對機器人產生的引力；t1為障礙物識別預設時間；t2為障礙物實際識別時間；δ為引力場常數(shù)；s為目標點距離。

當機器人同時受到引力和斥力的作用時，這些力會根據矢量合成的原理進行疊加。具體來說，將各個力按照平行四邊形定則進行合成，得到一個合力。這個合力的大小和方向決定了機器人的加速度和運動方向。機器人在避障勢場中受到的合力是引力和斥力的矢量和，如公式（3）所示。

U（x，y，z）=Urep（x，y，z）+Uattr（x，y，z） " " " " "（3）

式中：U（x，y，z）為引力和斥力的矢量和。

利用上述步驟構建一個精確的避障勢場，指導機器人在變電站等復雜環(huán)境中進行自主導航和避障。

2 建立智能四足巡視機器人關節(jié)運動學模型

在明確了避障勢場區(qū)域后，建立智能四足巡視機器人的運動學模型。運動學模型描述了機器人當處于不同姿態(tài)和速度時的運動特性，包括其移動速度、轉向能力以及穩(wěn)定性等。建立準確的運動學模型可以保證機器人能夠執(zhí)行規(guī)劃的避障軌跡，提高避障的成功率和效率。在障礙物很多的復雜環(huán)境中，機器人的核心屬性是剛體位姿，其不僅包括機器人在空間中的具體位置坐標，還包括姿態(tài)信息，坐標和信息共同定義了剛體在三維空間中的完整狀態(tài)。因此為了準確描述機器人各連桿間的相互作用與位置關系，本文研究這些剛體之間的運動學關系[5]。

對每個關節(jié)來說，需要建立其運動學方程。本文假設智能四足巡視機器人第i條腿的髖關節(jié)在全局坐標系中的位置為phi，并且髖關節(jié)、膝關節(jié)和踝關節(jié)之間的連桿長度分別為l1、l2（對踝關節(jié)至腳尖的連桿來說，如果腳尖為1個點，那么長度為0；如果腳尖有一定尺寸，那么長度相應增加）。對第i條腿來說，利用以下步驟計算腳尖在全局坐標系中的位置pti。

從髖關節(jié)至膝關節(jié)腳尖在全局坐標系中的位置如公式（4）所示。

（4）

式中：pti為從髖關節(jié)至膝關節(jié)腳尖在全局坐標系中的位置；l1為從髖關節(jié)至膝關節(jié)的連桿長度；θ1i 、θ2i分別為髖關節(jié)、膝關節(jié)的角度。

從膝關節(jié)至踝關節(jié)腳尖在全局坐標系中的位置如公式（5）所示。

（5）

式中：pai為從膝關節(jié)至踝關節(jié)腳尖在全局坐標系中的位置；l2為從膝關節(jié)至踝關節(jié)的連桿長度；θ3i為踝關節(jié)的角度。

本文假設膝關節(jié)的旋轉是相對于髖關節(jié)的，那么角度相同。如果考慮踝關節(jié)有額外的移動（例如繞Z軸旋轉或沿Z軸平移），那么進一步進行計算[6]。假設腳尖就在踝關節(jié)位置，那么腳尖的最終位置為pti=pai。

這種計算方式不僅考慮了機器人在水平面的移動過程，還預留了垂直方向或繞軸旋轉等復雜運動的擴展空間。綜上所述，建立智能四足巡視機器人運動學模型為避障軌跡的自動規(guī)劃奠定了基礎。

3 計算巡視障礙距離

利用機器人的關節(jié)運動學模型計算在巡視過程中機器人與障礙物的距離以及方位。根據上文明確的避障勢場區(qū)域和傳感器數(shù)據實時獲取機器人與每個障礙物的相對位置、距離以及運動趨勢等信息。這些信息對避障軌跡的實時規(guī)劃和調整來說至關重要。準確計算巡視障礙距離和方位，機器人可以更加精準地判斷當前環(huán)境的安全性，并采取相應的避障決策。

計算機器人與障礙物之間的距離，確定障礙物在機器人全局坐標系中的精確位置以及機器人自身的位置。解析這2個點之間的幾何關系，采用數(shù)學公式計算其之間的具體距離。

為了更有效地進行避障軌跡規(guī)劃，特別是針對機械手等復雜系統(tǒng)，須對障礙物進行模型簡化。將障礙物抽象為球體、長方體或圓柱體等易于處理的規(guī)則幾何體，以簡化碰撞檢測的運算過程。巡視障礙距離測定結構如圖1所示。

數(shù)字化變電站巡視機器人應用場景的工作區(qū)域是明確限定的。為了使巡視作業(yè)更高效，在機器人中安裝多維傳感裝置和異常識別器，這些設備分布在機器人的前后左右各個方向[7]。利用這些設備并結合特定的測試程序，機器人能夠實時分析并核算所識別障礙物與自身之間的具體距離。當計算2個三維物體之間的最短距離時，采用最小歐氏距離作為衡量標準。障礙物在全局坐標系中的位置記為pobs，pobs=（xobs，yobs，zobs）。利用機器人的定位系統(tǒng)獲得機器人在全局坐標系中的當前位置，記為probot，probot=（xrobot，yrobot，zrobot）[8]。

在確定障礙物和機器人的位置信息后，使用歐氏距離公式來計算其之間的距離d，如公式（6）所示。

（6）

利用這種方法精確地量化機器人與障礙物之間的距離，為后續(xù)的避障決策提供可靠依據。

4 避障軌跡規(guī)劃

基于上文內容規(guī)劃避障軌跡。在這個階段，機器人將綜合考慮避障勢場區(qū)域、自身運動學模型、實時計算的巡視障礙距離以及方位等因素，運用智能算法規(guī)劃1條既安全又高效的避障軌跡。這條軌跡將引導機器人避開所有障礙物，順利到達目標點。同時，機器人還需要具備實時調整軌跡的能力，以應對動態(tài)環(huán)境的變化和不確定因素。完成這個過程，變電站智能四足巡視機器人能夠在復雜環(huán)境中進行自主避障和高效巡視。

在這個階段，機器人會全面審視避障勢場區(qū)域，明確哪些區(qū)域是安全的，哪些區(qū)域是危險的，繪制一幅清晰的“安全地圖”。機器人會結合自身的運動學模型考慮當每一步移動時的速度、加速度、穩(wěn)定性以及轉向能力等限制條件，保證規(guī)劃的軌跡既符合物理規(guī)律，又能充分發(fā)揮其機動性[9]。機器人避障過程如圖2所示。

在機器人運動學條件的約束下，對一個時間段內的多個運動狀態(tài)進行采樣，以關節(jié)運動學模型為基礎，需要考慮在避障過程中的穩(wěn)定性和舒適性，從多條可能的軌跡中選擇最優(yōu)軌跡[10]。機器人運動不僅按照避障路徑，而且以最佳狀態(tài)完成巡檢任務。

5 試驗

5.1 試驗準備

將試驗設置在內蒙古西部蒙西地區(qū)的某大型變電站中，該地區(qū)地理環(huán)境獨特，氣候條件多變，地形為廣袤的沙戈荒地帶，有頻發(fā)的沙塵暴，偶發(fā)的暴雪、暴雨以及長期高溫。本文方法保證機器人在復雜多變的自然環(huán)境中仍然能夠高效、安全地完成巡視任務。

變電站整體情況如下。占地面積約為500 000 m2，內部布局復雜，包括多個高壓設備區(qū)、控制室和輸電線路走廊。選擇長100 m，寬80 m的矩形區(qū)域來模擬變電站的一部分。智能四足巡視機器人基礎參數(shù)見表1。

在智能四足巡視機器人中設置高精度激光雷達、紅外熱成像儀、高清攝像頭和慣性導航系統(tǒng)等多傳感器融合系統(tǒng)，以適應復雜多變的環(huán)境。然后按照既定的試驗方案進行試驗并收集數(shù)據，以驗證機器人在極端環(huán)境中的自主導航與避障能力。

5.2 試驗結果

在設計智能四足巡視機器人在復雜環(huán)境中的避障軌跡規(guī)劃方法后，對比本文方法、基于深度強化學習的四足機器人單腿越障軌跡規(guī)劃方法（方法一）以及基于改進粒子群算法的避障軌跡規(guī)劃方法（方法二）。為了驗證本文方法的有效性并評估其性能差異，對3種方法生成的最優(yōu)避障路徑進行分析。3種方法生成的最優(yōu)避障路徑如圖3所示。

本文方法在變電站輕量化四足巡視機器人的避障應用中優(yōu)勢顯著。在復雜的變電站環(huán)境中，與另外2種方法相比，本文方法不僅使巡視機器人進行有效避障，而且提升了路徑規(guī)劃效率。具體來說，方法一與方法二生成的避障路徑均存在不同程度的冗余，導致路徑長度較長，降低了巡視任務的執(zhí)行效率。本文方法采用創(chuàng)新算法有效縮短了避障路徑的長度，同時保證機器人能夠精準地避開所有障礙物。在變電站輕量化四足巡視機器人的避障路徑規(guī)劃方面，使用本文方法進行路徑規(guī)劃不僅效果更好，而且在實際應用中實用價值更高，經濟效益更好。

6 結語

在變電站智能四足巡視機器人避障軌跡自動規(guī)劃的研究與實踐中，采用本文方法能夠保證機器人巡視效率，提高安全性與穩(wěn)定性，有效降低人為誤判和事故風險，為變電站的智能化運維管理提供了強有力的技術支持。盡管本文取得了一定成果，但是仍然存在一些不足之處。在復雜環(huán)境中感知精度不高，實時性不強，特別是處于極端天氣或在不充足的照條件下傳感器的性能可能受到影響，導致避障決策的準確性下降。未來將持續(xù)優(yōu)化感知系統(tǒng)，引入更先進的傳感器技術和融合算法，提高環(huán)境感知的精度。期望打造更加智能、高效和安全的變電站巡視機器人，為電力行業(yè)的智能化轉型貢獻力量。

參考文獻

[1]李敏，張森，曾祥光，等.基于深度強化學習的四足機器人單腿越障軌跡規(guī)劃[J].系統(tǒng)仿真學報，2024，4（12）：1-15.

[2]馬東陽，庫祥臣，米顯，等.基于改進粒子群算法的避障軌跡規(guī)劃[J].制造技術與機床，2022（7）：11-17.

[3]杜澤明.有障礙物空間的危險氣體單泄漏源源強反算算法研究[D].北京：中國石油大學：2023.

[4]李二超，王玉華.改進人工勢場法的移動機器人避障軌跡研究[J].計算機工程與應用，2022，58（6）：296-304.

[5]田溢汕，李佳軒，宋峰峰，等.超冗余機器人避障軌跡規(guī)劃[J].汕頭大學學報（自然科學版），2023，38（1）：23-34.

[6]趙澤龍，鄭磊，易克松，等.數(shù)字化變電站巡視機器人避障路徑智能規(guī)劃研究[J].電氣技術與經濟，2022（6）：45-48.

[7]劉學文，任興貴，許諾，等.多功能室外智能移動機器人避障軌跡自動規(guī)劃方法[J].兵器裝備工程學報，2022，43（10）：201-206.

[8]宋保業(yè)，吳尤，田運陽，等.拖掛式移動機器人的多約束避障軌跡規(guī)劃[J].山東科技大學學報（自然科學版），2024，43（1）：100-108.

[9]張宏，湯小紅，龔永健，等.基于AGA的焊接機器人避障軌跡規(guī)劃[J].組合機床與自動化加工技術，2022（5）：19-23.

[10]邱少林.自主移動機器人動態(tài)避障軌跡規(guī)劃方法[J].科學技術創(chuàng)新，2022（8）：185-188.