《Sensors》:Towards Collaborative Autonomous Operations in Power Infrastructure: A Robotic Fine Manipulation Framework
编辑推荐:
论文摘要专业翻译
气体绝缘变电站(Gas-insulated substations,GIS)因其结构紧凑、可靠性高而在现代电力系统中得到广泛应用。然而,潜在有毒副产物的生成对气压调节等人工操作构成重大安全风险,凸显了部署机器人的必要性。本文提出一种基于机器人
论文摘要专业翻译
气体绝缘变电站(Gas-insulated substations,GIS)因其结构紧凑、可靠性高而在现代电力系统中得到广泛应用。然而,潜在有毒副产物的生成对气压调节等人工操作构成重大安全风险,凸显了部署机器人的必要性。本文提出一种基于机器人操作系统(Robot Operating System,ROS)的机器人框架,用于GIS操作中的人机协同自主作业。该框架采用六自由度(6-degree-of-freedom,6-DOF)机械臂,集成用于轨迹执行的运动控制系统、由坐标注意力(Coordinate Attention,CA)机制增强的视觉感知系统以实现小尺度目标检测与定位,以及用于数据交换的通信系统。该框架提升了部件感知精度,并能在复杂环境中实现精细操控,在通过动态调整自主等级与控制权限构建安全协同自主工作流的同时,减少对人工干预的依赖。在代表性气压调节任务上的实验结果表明,所提出的配置在动态场景下的自主操作成功率超过90%。通过提升安全性与精度,本研究推进了危险作业的机器人解决方案,并为更广泛的基础设施应用奠定了基础。
论文解读
一、研究背景与意义
气体绝缘变电站(Gas-insulated substations,GIS)凭借结构紧凑、电流损耗低、可靠性高等优势,在现代电力传输网络中得到广泛部署。GIS通常采用六氟化硫(SF6)作为绝缘介质,然而在局部放电或高温条件下,SF6可分解为四氟化硫(SF4)和二氧化硫(SO2)等有毒副产物,吸入后可能引起头晕、意识丧失甚至死亡,尤其在控制室等通风不良的密闭空间中风险更为突出。传统上,气压调节等GIS运维任务需要操作人员在危险环境中作业。尽管先进传感器与成像技术已改善了故障检测能力,但现有系统主要侧重于数据采集而非直接干预,原因在于精确操控与控制的复杂性。近年来,自主系统与精细操控领域的机器人技术进展为GIS管理与维护提供了有前景的解决方案。
然而,现有基础设施巡检机器人系统——包括无人地面车辆(UGV)和无人空中飞行器(UAV)——大多聚焦于检测与数据收集,尚未拓展至需要精细操控的主动操作任务。针对GIS中气压调节这类高频且对感知与操控精度均有严格要求的安全关键型任务,尚缺乏系统性的机器人解决方案。为此,研究人员提出一种基于ROS的机器人框架,旨在应对小尺度目标检测、精确操控以及无缝人机通信等核心挑战。
二、研究内容概述
本研究开发了一个集成的ROS机器人框架,用于GIS环境中的协同自主运维。该框架由四大核心组件构成:虚拟操作环境、运动控制系统、视觉感知系统和通信系统。以气压调节任务作为代表性案例,研究人员完成了从感知、通信到操控的完整流程验证。实验结果表明,在动态场景下,所提出配置的自主操作成功率超过90%,验证了框架的鲁棒性与可靠性。该研究将机器人能力从被动巡检拓展至危险电力基础设施中的主动操控,为基础设施管理与维护提供了安全高效的机器人替代方案。
三、关键技术方法
研究人员构建了基于Gazebo的虚拟操作环境,采用统一机器人描述格式(URDF)与Xacro宏配置,选用ABB IRB 120六自由度机械臂配合SCHUNK EGP 64夹爪,并在机械臂第五连杆上安装RGB-D相机获取第一视角图像。运动控制系统采用KDL库中的Newton–Raphson方法求解逆运动学,使用RRT-Connect算法进行轨迹规划,并利用柔性碰撞库(FCL)与包围体层次结构(BVH)实现碰撞检测。视觉感知系统将坐标注意力(CA)模块嵌入YOLOv8骨干网络末端,形成YOLOv8-CA检测网络,并通过多步坐标变换将检测框坐标映射至机器人操作空间。通信系统综合运用话题、服务、参数与动作四种ROS通信机制,并实现了基于不确定性指标动态切换控制权限的协同自主范式。视觉模型训练数据集包含664张从虚拟环境提取的图像,按70%、20%、10%划分训练、验证与测试集。
四、研究结果
4.1 视觉模型评估
研究人员通过消融实验验证了CA模块插入位置对检测性能的影响。结果表明,将CA模块插入骨干网络末端(P5输出后)取得了最高的mAP50-95值,而插入浅层特征层级(P3、P4)或跨多个层级部署均未带来显著优势。与基线模型相比,YOLOv8-CA在收敛精度和训练稳定性上均优于原始YOLOv8、YOLOv5及RT-DETR,其中RT-DETR因全局自注意力机制导致注意力分布分散,在小尺度目标检测上表现欠佳。最终选定的YOLOv8-CA检查点在保持满意推理速度的同时取得了最高的检测精度。
4.2 任务执行评估
研究在两种设置下评估了框架的任务执行能力:固定相对位置(100次试验)和随机相对位置(300次试验)。在固定位置设置下,多数配置均能实现一致成功。在随机位置设置下,集成CA模块的配置保持了约90%的成功率,而其他配置的失败率超过20%。执行偏差主要源于感知因素(包括检测器定位误差、深度误差和手眼标定残差),而非运动执行因素。YOLOv8-CA配置在IRB 120和UR3e机械臂上分别仅产生16次和18次执行偏差失败(约占5–6%),显著优于其他配置。95%置信区间分析进一步确认了框架在不同视觉模块与硬件配置下的适应性与可扩展性。
五、结论与展望
研究结论表明,CA机制的集成显著提升了小尺度部件检测性能,将执行偏差失败率降至试验的约5–6%,任务执行性能提升约15%。在动态场景下,采用所提出的视觉检测器与IRB 120配置时,任务成功率最高达93%,将人工干预限制在低频场景中,从而提升了安全性并减少了操作人员负担。该研究提出了超越孤立算法的集成机器人框架,将应用机器人能力从被动巡检拓展至危险电力基础设施中气阀的主动操控。模块化设计确保了灵活性与可扩展性,为机器人技术在基础设施中的更广泛应用奠定了基础。未来研究方向包括:验证与FANUC、KUKA等多机器人平台的兼容性,扩展至其他操作任务,实施域随机化与合成到真实微调以增强泛化能力,应用基于数字孪生的在线标定补偿仿真与现实的视觉差异,探索力/力矩反馈的柔顺控制以应对非理想工况,以及在实际GIS场景中的部署验证。