工业无人机巡检中基于动态决策网络的监督风险控制方法研究与应用

为解决无人机在复杂工业环境中安全巡检的难题，研究人员开展了基于系统理论过程分析(STPA)和动态决策网络(DDN)的监督风险控制研究。通过构建实时风险模型，动态调整最大速度、安全距离等关键参数，实验证明该系统能有效识别环境风险并维持可接受风险水平，为自主系统安全控制提供了创新方法。

　　

在工业无人机巡检领域，如何确保无人机在复杂非受控环境中的安全运行一直是重大挑战。传统静态参数设置难以应对动态风险，而现有风险控制方法多聚焦单一风险源，缺乏对多重风险因素的综合考量。针对这一痛点，挪威科技大学与ScoutDI公司的研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果，首次将系统理论过程分析(STPA)与动态决策网络(DDN)相结合，开发出能实时调整安全参数的监督风险控制器。

研究团队采用三阶段方法：首先通过STPA识别无人机系统失效场景及因果因素；随后构建包含测量不确定性的DDN风险模型，将STPA结果转化为概率关系；最后开发基于成本优化的控制算法，动态调节最大速度、安全距离和垂直加速度等参数。实验使用ScoutDI系留工业检测无人机，通过激光雷达、IMU等传感器获取实时数据。

研究结果部分：

1. 危险分析：识别出7类核心风险场景，包括不可观测障碍物(S1)、安全距离不足(S2)和电机饱和(S4)等，建立21个因果节点关系网络。
2. 风险建模：开发的DDN包含动态节点连接，通过贝叶斯推理整合多源测量数据（如电机负载、倾角误差），量化环境不可观测性等隐变量。
3. 控制验证：8组实验案例显示系统能智能响应不同风险：在湍流环境（案例1）自动增大安全距离；面对线缆栅栏（案例4）降低最大速度至0.4m/s；电机过载时（案例6）建议任务中止，准确率较人工操作提升显著。

研究结论表明，该监督控制系统首次实现三大突破：一是通过DDN融合多时间步测量数据，突破单点风险评估局限；二是建立STPA到DDN的转化框架，使风险分析结果可直接用于实时控制；三是验证动态参数调整相比固定参数方案能同时提升安全性和操作效率。讨论部分强调，该方法为自主系统安全控制提供新范式，其解释性模型特性有助于建立人机互信，未来可扩展至水下机器人、自动驾驶等领域。特别值得注意的是，系统在电机负载达1949rpm（案例8）等临界条件下仍能保持稳定决策，证实了工程应用的可靠性。