《Unconventional Resources》：Localization Challenges and Technological Gaps in Cleaning Robots for Fixed-Tilt Coplanar Photovoltaic Arrays: A Review and Perspective
编辑推荐：
准确可靠的定位对于在固定倾角共面光伏阵列（coplanar photovoltaic arrays）上执行清洁作业的自主移动机器人（autonomous mobile robots）至关重要，其中光滑的玻璃表面、重复的纹理和狭窄的通道经常降低定位精度。本文对与
准确可靠的定位对于在固定倾角共面光伏阵列（coplanar photovoltaic arrays）上执行清洁作业的自主移动机器人（autonomous mobile robots）至关重要，其中光滑的玻璃表面、重复的纹理和狭窄的通道经常降低定位精度。本文对与光伏板清洁相关的定位策略进行了结构化综述。研究建立了地面机器人定位的基础知识，并回顾了从里程计（odometry）和全球定位（global positioning）到深度视觉感知（deep visual perception）和基于学习的状态估计（learning-based state estimation）等传统和人工智能增强（AI-enhanced）技术。分析了对共面光伏阵列特定的操作、环境、感知和计算约束，以及现有光伏清洁机器人采用的定位策略。综述发现，当前系统几乎完全依赖短程相对定位，并且缺乏跨多行清洁运行的全局一致定位机制。弥补这一差距将需要能够通过外部几何参考约束漂移并通过基于学习的估计适应滑移和光照变化的定位架构，其中通过云台变焦相机（pan–tilt–zoom cameras）主动跟踪被动地标并结合人工智能增强传感器融合（AI-enhanced sensor fusion）提供了一条有前景的方向。
**1. 引言**
全球能源转型推动太阳能光伏（PV）装机容量快速增长，其中固定倾角共面光伏阵列因其高密度安装和简化支架结构而广泛用于工商业屋顶，但低倾角（约10°）导致灰尘滞留加剧，清洁频率需求高于非共面阵列。自主移动机器人（AMR）无需外部基础设施即可直接清洁面板表面，然而在光滑玻璃、重复纹理和狭窄通道中，定位精度常因全球导航卫星系统（GNSS）成本高、轮滑和牵引力不均而降低。现有定位技术（传统传感器融合及人工智能增强估计）虽具潜力，但针对此场景的研究不足。本文聚焦于通过人工智能增强自主定位，实现可靠、低成本且自给自足的位置估计，并整合了定位分类学、测量模型、性能指标、近期人工智能增强技术（涵盖深度视觉感知、基于学习的状态估计和滑移补偿）以及共面光伏阵列的特定约束分析，最后提出基于外部被动球形地标和人工智能增强估计的低成本自包含架构。
**2. 灰尘对光伏性能的影响**
灰尘积累（soiling）在光伏模块上形成光学屏障，导致功率损失通常为10%–30%，并引发热不均匀性，加速材料退化。定期清洁可恢复光透射率，产量提升达25%–30%。积尘率（soiling rate）受区域气候、倾角等因素影响，低倾角共面阵列（约10°）的积尘率高于陡峭的非共面阵列，因此清洁频率需求更高。清洁触发策略分为四类：基于固定时间间隔（time-based scheduling）、基于性能阈值（performance-based）、基于传感器（sensor-based）以及基于经济或多准则优化（economic/multi-criteria optimization），近期研究倾向于数据驱动触发，以减少不必要清洁，但对机器人定位、重复性和自主性提出更高要求。
**3. 地面机器人定位基础**
定位使机器人能够估计其在参考系中的位置和方向，通常涉及世界坐标系、本体坐标系和传感器坐标系。对于地面机器人，状态通常包含平面位置和航向，但六自由度（6DoF）表示在非平坦地形或视觉三维感知中可能必要。定位问题通过概率递归状态估计建模，离散时间过程模型和测量模型分别描述状态传播和观测更新。相对定位方法（如里程计）和全局定位方法（如GNSS）各有优劣，性能评估常用绝对轨迹误差（ATE）和相对位姿误差（RPE）。
**4. 自主移动机器人的传统定位策略**
传统相对定位方法包括轮式里程计（WO）、惯性里程计（IO）、视觉里程计（VO）、激光雷达里程计（LO）和视觉-惯性里程计（VIO）。WO简单但易受滑移影响；IO不受光照影响但漂移快；VO在低纹理环境下不稳定；LO精度高但计算量大；VIO通过融合视觉和惯性数据降低漂移，但需精确校准。传统全局定位方法包括卫星基定位（GNSS/RTK-GNSS）、无线电锚点（UWB/RFID）、基准标记（AprilTag/ArUco）和基于地图的特征匹配（视觉/激光雷达地图匹配）。RTK-GNSS精度高但依赖信号可见性；基准标记低成本但需稳定光照；地图匹配重定位准确但计算成本高。经典多传感器融合采用扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、粒子滤波和因子图优化，实现相对和全局测量的联合估计，但依赖预设噪声模型，在动态环境中适应性有限。
**5. 自主移动机器人的人工智能增强定位**
人工智能（AI）通过深度学习直接映射多模态传感器输入到运动，提升对噪声和建模误差的鲁棒性。深度视觉感知方法（如DeepVO、DROID-SLAM）利用卷积神经网络（CNN）端到端估计位姿，语义分割（如U-Net、DeepLab）用于掩膜动态区域以减少漂移。学习基状态估计方法（如KalmanNet、自适应神经模糊EKF、EKF-RNN混合架构）利用神经网络逼近卡尔曼增益或动态学习噪声协方差，同时物理信息神经网络（PINN）嵌入运动学约束提高估计一致性。学习基滑移补偿方法（如少样本视觉滑移估计、CNN-LSTM时空模型、Gaussian过程回归结合MSCKF）针对可变形或光滑表面，但现有验证多集中于沙土或一般户外表面，缺乏针对低倾角湿玻璃滑移特性的公开数据集。
**6. 固定倾角共面光伏板清洁中的定位挑战与现有方法**
操作约束包括：面板表面低摩擦导致滑移和漂移、模块间隙引起振动和微滑移、边界狭窄需要精确控制、以及机器人在有限空间内进行U形转弯。环境与感知约束包括：重复纹理和反射导致视觉特征丢失、开放空间使激光雷达失效、金属框架引起磁偏、以及低清洁频率（每月1-2次）使得高成本定位方案不经济。系统与计算约束包括：嵌入式处理器计算能力有限、电池能量受限、以及偏远站点缺乏稳定通信。现有光伏清洁机器人几乎全部依赖相对定位，主要通过边缘检测（超声波/红外/光电传感器）结合IMU和编码器，仅少数采用GNSS或GPS，但缺乏全局一致性。相较于通用移动机器人，现有系统缺少长期全局校正和多传感器融合，导致在光滑重复表面上的鲁棒性不足。
**7. 讨论与研究展望**
现有定位架构在成本与全局可观测性之间存在权衡：低成本相对定位（如边缘检测+IMU）无法提供跨行全局一致性，而高成本系统（如RTK-GNSS、UWB锚点网络）不适合低频率清洁。一个潜在方向是采用云台变焦（PTZ）相机主动跟踪外部被动球形地标，通过云台编码器和变焦重建相机几何，结合IMU和边界检测传感器，实现基于距离-方位（range-bearing）的全局定位。人工智能增强估计可进一步建模滑移误差和校正惯性漂移，物理引导学习保持运动一致性。该架构的优点包括：漂移被外部参考约束、对滑移敏感度降低、跨行全局一致性保持。主要挑战包括：在强光和灰尘下鲁棒地标检测、平衡PTZ跟踪与清洁执行器的控制策略、以及在大规模现场验证。
**8. 结论**
对于固定倾角共面光伏阵列上的清洁机器人，全自主运行依赖于准确、可靠且低成本的全局定位。本文综述了传统和人工智能增强定位方法，分析了共面阵列的约束及现有机器人的定位策略。核心发现是：现有系统几乎完全依赖相对定位，11个调查平台中9个结合边缘检测与IMU/编码器，无任何平台保持跨多行清洁的全局一致性。这种依赖源于经济性，而非技术缺失。操作环境加剧了问题：重复纹理、反射、磁干扰和轮滑损害了传感器可靠性，且缺乏针对此类条件的公共数据集。本文的贡献在于将通用移动机器人定位方法与光伏清洁需求连接，系统组织约束分类，并比较候选架构。比较表明，尚无现有架构以可接受成本提供全局定位。一个可行方向是采用PTZ相机跟踪固定球形地标，并通过人工智能增强估计融合观测。实现此方法需解决强光与灰尘下的鲁棒地标检测、湿低倾角玻璃的滑移数据收集，以及集成系统在运行屋顶安装上的现场验证。
