黃震，張陳龍，馬少坤，陳怡淼，廖敏杏

隧道檢修一體化機(jī)器人系統(tǒng)設(shè)計(jì)及關(guān)鍵技術(shù)分析

黃震1, 2，張陳龍1，馬少坤1, 2，陳怡淼1，廖敏杏1

(1. 廣西大學(xué) 土木建筑工程學(xué)院，廣西 南寧 530004；2. 廣西大學(xué) 工程防災(zāi)與結(jié)構(gòu)安全重點(diǎn)實(shí)驗(yàn)室，廣西 南寧 530004)

機(jī)器人作為一種能替代人工且能大幅度提高工作效率的創(chuàng)新技術(shù)，在隧道維護(hù)方面的應(yīng)用倍受關(guān)注。近年來，研究者基于機(jī)器人系統(tǒng)開發(fā)了各種隧道檢測(cè)設(shè)備，但難以同步實(shí)現(xiàn)隧道修復(fù)的功能。目前，我國(guó)運(yùn)營(yíng)隧道的檢測(cè)與維修均是分開進(jìn)行的，且維修過程仍以傳統(tǒng)的人工維修為主，導(dǎo)致一些較為嚴(yán)重的隧道結(jié)構(gòu)病害未及時(shí)修復(fù)而產(chǎn)生巨大安全隱患，同時(shí)檢修與維修作業(yè)人員會(huì)長(zhǎng)時(shí)間處于復(fù)雜、密閉的隧道環(huán)境中而不利于身體健康。基于此，本文提出一種隧道檢修一體化機(jī)器人系統(tǒng)概念，并對(duì)該系統(tǒng)三維成像結(jié)構(gòu)形式和技術(shù)、隧道檢修優(yōu)化方法進(jìn)行分析，可解決隧道病害成像、修復(fù)定位、修復(fù)能力等關(guān)鍵檢修問題。結(jié)合當(dāng)前隧道機(jī)器人檢測(cè)系統(tǒng)，設(shè)計(jì)了檢修一體化機(jī)器人系統(tǒng)，為我國(guó)運(yùn)營(yíng)隧道的檢修與維修方法提供新的思路。

隧道工程；檢修一體化；機(jī)器人系統(tǒng)；雙目立體視覺；機(jī)器學(xué)習(xí)

近年來，我國(guó)的隧道工程得到了快速發(fā)展，并成為了全球隧道工程規(guī)模最大、數(shù)量最多、結(jié)構(gòu)最復(fù)雜的國(guó)家[1?2]。但隨著隧道里程規(guī)模和運(yùn)營(yíng)時(shí)間的增長(zhǎng)，其運(yùn)營(yíng)與修復(fù)面臨著巨大挑戰(zhàn)。相關(guān)調(diào)查顯示某一時(shí)期我國(guó)運(yùn)營(yíng)鐵路隧道5 000余座，總延長(zhǎng)2 500 km，其中存在病害的隧道3 270座，隧道病害率達(dá)到了65%[3]；YUAN等[4]調(diào)查了沈陽226條公路隧道(總長(zhǎng)約132 158m)，統(tǒng)計(jì)結(jié)果表明滲漏水破壞69.0%，裂隙性損傷53.1%，腐蝕性破壞49.6%是隧道結(jié)構(gòu)的主要病害。然而，針對(duì)這些運(yùn)營(yíng)期的隧道病害，如何快速檢測(cè)及修復(fù)隧道裂縫和滲漏水等主要病害，顯然成為了當(dāng)前隧道維護(hù)與運(yùn)營(yíng)迫切解決的問題?；跈C(jī)器視覺、超聲波、激光和傳感器等技術(shù)，國(guó)內(nèi)外對(duì)隧道檢測(cè)方法的研究已碩果累累，各種檢測(cè)系統(tǒng)頻頻出現(xiàn)。這些檢測(cè)系統(tǒng)不僅降低了檢測(cè)工作量和維護(hù)成本，還提高了檢測(cè)效率和精度，但也存在智能化程度不高、無法同時(shí)修復(fù)隧道病害等問題。對(duì)于隧道病害修復(fù)系統(tǒng)的研發(fā)，因病害程度和種類不同、地質(zhì)條件復(fù)雜、修復(fù)病害工藝繁瑣、機(jī)器智能化程度較低等原因而陷入瓶頸。與此同時(shí)，隧道病害的修復(fù)多依靠作業(yè)人員進(jìn)行，使得作業(yè)人員長(zhǎng)時(shí)間暴露于密閉的隧道環(huán)境之下，不利于身體健康。本文基于解決當(dāng)前運(yùn)營(yíng)隧道維護(hù)所面臨的挑戰(zhàn)和檢修存在的問題，提出了一種隧道檢修一體化機(jī)器人系統(tǒng)的解決方式，并針對(duì)隧道檢修一體化機(jī)器人的關(guān)鍵問題，對(duì)機(jī)器人系統(tǒng)的三維視覺技術(shù)、隧道檢修優(yōu)化方法進(jìn)行分析，結(jié)合當(dāng)前隧道機(jī)器人檢測(cè)系統(tǒng)，確定機(jī)器人系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)形式。

1 檢測(cè)系統(tǒng)與機(jī)器人系統(tǒng)發(fā)展現(xiàn)狀

1.1 檢測(cè)系統(tǒng)的發(fā)展

國(guó)外加拿大Optech公司研發(fā)的Lynx Mobile Mapper系統(tǒng)憑借頻率為500 kHz的雙雷達(dá)掃描儀完成對(duì)隧道襯砌面的病害識(shí)別[5?7]。瑞士Amberg公司研發(fā)的GRP5000系統(tǒng)通過機(jī)器視覺檢測(cè)技術(shù)和高速激光掃描儀可以實(shí)現(xiàn)對(duì)形變、裂縫、滲漏水等隧道病害的識(shí)別[8]。國(guó)內(nèi)，同濟(jì)大學(xué)研發(fā)的MTI-100檢測(cè)系統(tǒng)通過搭載線陣CCD相機(jī)和補(bǔ)光系統(tǒng)實(shí)現(xiàn)高清襯砌圖像的采集，該系統(tǒng)能以5 km/h的速度進(jìn)行檢測(cè)且精確識(shí)別襯砌裂縫、滲漏水等病害，裂縫識(shí)別精度可達(dá)0.3 mm[9]。武大卓越科技有限責(zé)任公司研制的ZOYON-TFS檢測(cè)系統(tǒng)綜合機(jī)器視覺、激光掃描、紅外線成像儀等多個(gè)隧道檢測(cè)技術(shù)，可識(shí)別裂縫、滲漏水及變形等病害[10]。

但現(xiàn)有的隧道檢測(cè)系統(tǒng)自動(dòng)化程度相對(duì)較低，還需依靠專業(yè)人員在復(fù)雜的隧道環(huán)境中進(jìn)行操作和跟蹤作業(yè)，導(dǎo)致存在檢測(cè)效率不高、數(shù)據(jù)結(jié)果有主觀性、作業(yè)危險(xiǎn)性較高等問題。近年來機(jī)器人系統(tǒng)基于人工智能的快速發(fā)展迎來新的契機(jī)，這為解決在隧道檢測(cè)與維修過程中存在的問題提供了新的方向。

1.2 機(jī)器人系統(tǒng)的發(fā)展

Uppsala大學(xué)針對(duì)波浪發(fā)電機(jī)的繞組裝配工作復(fù)雜、浪費(fèi)人力物力等問題，研制了波浪發(fā)電機(jī)繞組裝配機(jī)器人系統(tǒng)(如圖1(a)所示)，極大提高裝配效率[11]?？突仿〈髮W(xué)聯(lián)合Intel開發(fā)的HERB機(jī)器人(如圖1(b)所示)，采用輪式地面移動(dòng)系統(tǒng)，可完成生活中諸如清潔桌面和搬運(yùn)重物等日常工作[12]。國(guó)內(nèi)中科院沈陽自動(dòng)化研究所基于計(jì)算機(jī)、武器控制、傳感器等技術(shù)研發(fā)的“靈蜥－A”機(jī)器人(如圖1(c)所示)，該機(jī)器人采用履帶式地面移動(dòng)系統(tǒng)，能為反恐防暴行動(dòng)提供幫助，目前已經(jīng)裝備于警察反恐一線部隊(duì)[13]。中國(guó)礦業(yè)大學(xué)研發(fā)的針對(duì)于煤礦環(huán)境探測(cè)與救援的CUMT-V 系列機(jī)器人(如圖1(d)所示)，可有效完成煤礦災(zāi)后環(huán)境探測(cè)和救援等任務(wù)[14]。

(a) 波浪發(fā)電機(jī)繞組裝配機(jī)器人[11]；(b) HERB機(jī)器人[12]；(c) 靈蜥?A機(jī)器人[13]；(d) CUMT-V機(jī)器人[14]

綜上，機(jī)器人系統(tǒng)在救援、生產(chǎn)和防恐等社會(huì)活動(dòng)中的運(yùn)用已日趨成熟，避免了很大程度上人力物力的浪費(fèi)。但關(guān)于隧道檢測(cè)系統(tǒng)的設(shè)計(jì)和修復(fù)機(jī)器人系統(tǒng)卻少有涉及。

2 機(jī)器人視覺三維成像形式及技術(shù)

傳統(tǒng)二維機(jī)器視覺技術(shù)經(jīng)過多年發(fā)展在隧道檢測(cè)中的應(yīng)用已經(jīng)相當(dāng)成熟。但二維機(jī)器視覺技術(shù)相比三維其精度測(cè)量與定位水平較低，形狀測(cè)量的一致性和穩(wěn)定性較差，尤其在隧道環(huán)境下易受照明等條件影響，隨著對(duì)機(jī)器人視覺性能要求的提高，二維機(jī)器視覺局限性愈發(fā)明顯，迫切需要發(fā)展高性能的三維機(jī)器視覺技術(shù)[15]。

2.1 機(jī)器人視覺三維成像結(jié)構(gòu)形式

機(jī)器視覺三維成像結(jié)構(gòu)形式目前主要分3種，即為Eye-to-Hand結(jié)構(gòu)、Eye-in-Hand結(jié)構(gòu)和二者的混合協(xié)同結(jié)構(gòu)。如圖2(a)所示，Eye-to-Hand結(jié)構(gòu)是攝像裝置安裝在獨(dú)立于機(jī)械臂的位置，不隨著機(jī)器人的運(yùn)動(dòng)而移動(dòng)，具有成像穩(wěn)定、視場(chǎng)寬廣、易于控制等優(yōu)點(diǎn)，也存在著有時(shí)因距離過遠(yuǎn)導(dǎo)致像素不清、檢測(cè)過程發(fā)生機(jī)械臂遮擋等問題[16]。如圖2(b)所示，Eye-in-Hand結(jié)構(gòu)則是攝像裝置和機(jī)械臂固定在一起，攝像裝置能采取信息即時(shí)反饋給機(jī)器人系統(tǒng)從而實(shí)現(xiàn)對(duì)隧道病害的檢測(cè)修復(fù)，不會(huì)產(chǎn)生物品遮擋導(dǎo)致的信息采集中斷以及分辨率過低等問題，相比較Eye-to-Hand結(jié)構(gòu)，Eye-in-Hand結(jié)構(gòu)更加適合于隧道昏暗條件下的精細(xì)化測(cè)量與修復(fù)。Eye- to-Hand和Eye-in-Hand結(jié)構(gòu)的混合協(xié)同結(jié)構(gòu)，可以實(shí)現(xiàn)對(duì)機(jī)器人的大致定位和機(jī)器人檢修過程的一系列高精度化操作。但限于隧道特殊的工作環(huán)境，以及檢修過程中位置的不斷變化，獨(dú)立固定于機(jī)器人之外的Eye-to-Hand結(jié)構(gòu)在實(shí)際應(yīng)用中效果有限卻使檢修過程更加復(fù)雜。因此，相比較于Eye-in- Hand結(jié)構(gòu)，Eye-to-Hand結(jié)構(gòu)和混合協(xié)同結(jié)構(gòu)不適合用于隧道檢修。

(a)Eye-to-hand結(jié)構(gòu)；(b) Eye-in-hand結(jié)構(gòu)

2.2 機(jī)器人三維成像技術(shù)

目前機(jī)器人三維成像技術(shù)主要采用光學(xué)方法，較為成熟的有TOF三維成像(又稱飛行時(shí)間三維成像)、掃描三維成像、結(jié)構(gòu)光投影三維成像和立體視覺三維成像這4種技術(shù)。

掃描三維成像有很多種方法，如掃描測(cè)距法、主動(dòng)三角法等，其中適合機(jī)械臂檢修維護(hù)的是主動(dòng)三角法。主動(dòng)三角法基于三角測(cè)量學(xué)理論，通過一條或多條平面光束實(shí)現(xiàn)對(duì)隧道襯砌的高精度三維測(cè)量，平面光束三角法掃描成像原理如圖(3)所示[17]。

圖3 三角法掃描三維成像原理圖[17]

結(jié)構(gòu)光投影三維成像技術(shù)利用投影儀向隧道襯砌表面照射特制的結(jié)構(gòu)光圖案，采集結(jié)構(gòu)光照射后的襯砌表面圖像，再對(duì)表面圖像進(jìn)行處理，從而確定隧道襯砌表面的病害信息。

再根據(jù)世界坐標(biāo)系和相機(jī)坐標(biāo)系的轉(zhuǎn)化關(guān)系：

式(2)中：0是圖像坐標(biāo)原點(diǎn)在像素坐標(biāo)系下的橫坐標(biāo)；s是每單位mm的像素個(gè)數(shù)，x和x分別是像素坐標(biāo)系和圖像坐標(biāo)系的橫坐標(biāo)[18]。推導(dǎo)知像素坐標(biāo)系下橫坐標(biāo)x?和x?滿足關(guān)系：

由圖4可知，和在相機(jī)坐標(biāo)系下的相似原則為[18]：

式(5)代入式(4)可得：

圖4 三維點(diǎn)云成像系統(tǒng)數(shù)學(xué)模型

Fig. 4 Mathematical model of 3d point cloud imaging system

在隧道檢測(cè)過程中，檢修一體化機(jī)器人系統(tǒng)可憑借雙目立體視覺三維成像技術(shù)獲取多個(gè)視點(diǎn)的襯砌病害圖像，對(duì)獲取圖像經(jīng)過上述過程處理得到病害大致位置，為機(jī)械臂進(jìn)一步位置確定和角度確定提供基礎(chǔ)。綜上所述，以上4種三維視覺成像技術(shù)都有各自的優(yōu)缺點(diǎn)和適應(yīng)范圍(如圖5所示)，但考慮到隧道這一特殊環(huán)境、檢測(cè)時(shí)常伴隨著位置移動(dòng)和噪音干擾、檢測(cè)速率和檢測(cè)數(shù)據(jù)的精確性以及機(jī)器人系統(tǒng)的經(jīng)濟(jì)性等因素，加之雙目立體視覺三維成像技術(shù)具有抗干擾能力強(qiáng)、測(cè)量結(jié)果可靠性高、數(shù)據(jù)精確和環(huán)境要求低等優(yōu)點(diǎn)，結(jié)合襯砌結(jié)構(gòu)表面簡(jiǎn)單，不易遮擋的特性，綜合分析可知雙目立體視覺三維成像技術(shù)十分適合檢修一體化機(jī)器人系統(tǒng)在隧道環(huán)境中進(jìn)行病害的檢測(cè)修復(fù)，該技術(shù)的可行性最高。

圖5 4種三維視覺成像技術(shù)比較

3 機(jī)器學(xué)習(xí)優(yōu)化機(jī)械臂檢修模型

機(jī)械臂的精細(xì)化操作國(guó)內(nèi)外已有了諸多研究。如國(guó)外Redmon等[19]研究了卷積神經(jīng)網(wǎng)絡(luò)如何構(gòu)件抓取回歸模型，Kumra等[20]研究了將采集的復(fù)雜多物體圖像劃分成單一物體圖像來簡(jiǎn)化操作，Pinto等[21]研究了基于深度學(xué)習(xí)的機(jī)械臂采用自監(jiān)督學(xué)習(xí)來優(yōu)化機(jī)械臂操作模型。國(guó)內(nèi)杜學(xué)丹等[22]研究了機(jī)械臂基于深度學(xué)習(xí)的操作模型，張森彥等[23]研究了先驗(yàn)知識(shí)對(duì)于機(jī)械臂精細(xì)操作時(shí)深度學(xué)習(xí)的加速效果。本節(jié)基于前人的研究基礎(chǔ)，探討了基于深度學(xué)習(xí)的機(jī)械臂襯砌檢測(cè)修復(fù)技術(shù)。

3.1 TSPN(二階段漸進(jìn)網(wǎng)絡(luò))實(shí)現(xiàn)隧道檢修

考慮到隧道檢修這一特殊過程，隧道檢修一體化機(jī)器人檢測(cè)系統(tǒng)可采用基于TSPN的隧道檢修方法，該方法采用了擅長(zhǎng)圖片分析的卷積神經(jīng)網(wǎng)絡(luò)作為主體結(jié)構(gòu)，對(duì)采集的三維圖像進(jìn)行智能分析從而實(shí)現(xiàn)病害的定性分析以及修復(fù)。該方法可分為兩階段，一階段利用病害探測(cè)網(wǎng)絡(luò)收集當(dāng)前位置的病害分布，二階段在病害可能性最高的位置周圍探測(cè)候選病害位置，并且利用評(píng)估網(wǎng)絡(luò)確定最終病害修復(fù)位置。

機(jī)械臂對(duì)隧道襯砌平面上的目標(biāo)進(jìn)行修復(fù)有2種方法，分別是直接提取當(dāng)前圖像最可能病害位置的端對(duì)端方法和從提取的全部可能病害位置中提取最可能病害位置的采集評(píng)估方法。而基于TSPN的檢修方法是將端對(duì)端和采集評(píng)估方法進(jìn)行融合，利用端對(duì)端方法確定病害位置*(位置函數(shù)*由式(7)可知)，再利用采集評(píng)估方法確定修復(fù)角度*(角度函數(shù)*由式(8)可知)[23]。

是某一時(shí)刻機(jī)械臂工作區(qū)域內(nèi)的每一個(gè)位置，t是輸入圖像[23]。Pinto等[21, 23]將機(jī)械臂的操作成功率定義為可抓取性，借此可設(shè)本文中的可修復(fù)性即為可抓取性?？尚迯?fù)性可由式(9)表示：

是修復(fù)項(xiàng)評(píng)估函數(shù)，()的值在0到1之間，修復(fù)成功概率越高，()值越接近1，反之接近 于0[23]。

機(jī)器人系統(tǒng)的檢修關(guān)鍵還在于對(duì)隧道病害的識(shí)別分析，而由上文可知檢修過程涉及2個(gè)核心函數(shù)，分別是可修復(fù)性函數(shù)(,v)和評(píng)估函數(shù)(*)。在此借鑒張森彥等[23]對(duì)TSPN網(wǎng)絡(luò)的研究成果，利用(,v)函數(shù)構(gòu)建了一種端對(duì)端的網(wǎng)絡(luò)模塊G- Net，該網(wǎng)絡(luò)模塊輸入端為雙目立體視覺系統(tǒng)采集的襯砌表面信息，輸出端為像素級(jí)的可修復(fù)性分布，對(duì)應(yīng)襯砌表面每一位置的可修復(fù)性，再利用(*,)函數(shù)構(gòu)建評(píng)估網(wǎng)絡(luò)模塊E-Net，輸入端為可修復(fù)性分布的特征，輸出端為各位置的修復(fù)的成功率評(píng)估值。

基于TSPN網(wǎng)絡(luò)架構(gòu)的大致檢修過程如圖6所示，該過程主要包括2個(gè)階段，分別是確定修復(fù)位置和確定修復(fù)角度。在確定修復(fù)位置階段，雙目立體視覺系統(tǒng)通過云拼接生成襯砌表面的深度圖，而G-Net網(wǎng)絡(luò)模塊則根據(jù)深度圖上的病害分布，輸出為襯砌表面病害的可修復(fù)性，并最終確定檢修位置。在確定修復(fù)角度階段，機(jī)器人檢修系統(tǒng)圍繞修復(fù)位置分別獲取不同角度下的局部圖像特征，而E-Net評(píng)估網(wǎng)絡(luò)模塊對(duì)各個(gè)角度下的候選修復(fù)目標(biāo)逐個(gè)評(píng)估，得到最終的修復(fù)角度。最后檢修機(jī)器人系統(tǒng)再根據(jù)已確定的修復(fù)位置和修復(fù)角度，實(shí)現(xiàn)對(duì)隧道襯砌病害的修復(fù)。

圖6 TSPN網(wǎng)絡(luò)架構(gòu)

3.2 先驗(yàn)知識(shí)引導(dǎo)機(jī)器學(xué)習(xí)

基于深度學(xué)習(xí)的機(jī)器人系統(tǒng)存在的最大障礙是需要大量的樣本數(shù)據(jù)來優(yōu)化操作模型，Lenz 等[24?25]通過對(duì)大量圖像數(shù)據(jù)人為標(biāo)注位置的方式來優(yōu)化操作模型，但易造成人力物力的浪費(fèi)和操作模型過擬合。Pinto等[21]采用自監(jiān)督學(xué)習(xí)優(yōu)化操作模型，機(jī)械臂進(jìn)行了大量操作嘗試，機(jī)械臂性能提高卻導(dǎo)致時(shí)間成本較大，機(jī)械臂磨損嚴(yán)重。張森彥等[23]提出的先驗(yàn)知識(shí)引導(dǎo)自監(jiān)督學(xué)習(xí)方法，即在機(jī)器學(xué)習(xí)初期用先驗(yàn)知識(shí)引導(dǎo)進(jìn)行操作嘗試，取代傳統(tǒng)的隨機(jī)操作嘗試，加快了學(xué)習(xí)速度，減少了時(shí)間成本和機(jī)械磨損。因此隧道檢修一體化機(jī)器人系統(tǒng)可采用先驗(yàn)知識(shí)引導(dǎo)來提升機(jī)器學(xué)習(xí)速度，優(yōu)化系統(tǒng)檢測(cè)修復(fù)能力，提高系統(tǒng)性能。

先驗(yàn)知識(shí)引導(dǎo)隧道機(jī)器人檢修學(xué)習(xí)的流程主要包含3部分，分別是隧道病害特征分析、待學(xué)習(xí)的TSPN檢修模型和決策機(jī)(如圖(7)所示)，其中隧道病害特征分析引導(dǎo)學(xué)習(xí)，TSPN檢修模型接收學(xué)習(xí)，決策機(jī)依據(jù)檢修模型成熟度決定機(jī)器人學(xué)習(xí)自主性。檢修模型成熟度的依賴于隧道檢修過程收集的數(shù)據(jù)和檢修結(jié)果，初始(成熟度)為0.01，隨學(xué)習(xí)時(shí)間線性增長(zhǎng)到0.99，當(dāng)成熟度達(dá)到0.99時(shí)學(xué)習(xí)過程基本完成[23]。

圖7 先驗(yàn)知識(shí)引導(dǎo)自監(jiān)督檢修模型

TSPN檢修模型的學(xué)習(xí)過程主要是對(duì)其網(wǎng)絡(luò)模塊G-Net和E-Net的訓(xùn)練優(yōu)化。訓(xùn)練程序應(yīng)按順序展開，先利用深度學(xué)習(xí)框架Keras構(gòu)建TSPN檢修模型，再憑借Adam算法對(duì)E-Net網(wǎng)絡(luò)模塊進(jìn)行訓(xùn)練，并使用二元交叉熵作為損失函數(shù)來優(yōu)化模 型[23]。當(dāng)E-Net模塊訓(xùn)練完成后，可將E-Net評(píng)估的樣本可修性為襯砌表面深度數(shù)據(jù)附上可修行標(biāo)簽，再基于RMSprop算法和襯砌表面深度數(shù)據(jù)對(duì)G-Net網(wǎng)絡(luò)模塊進(jìn)行訓(xùn)練，確定襯砌表面修復(fù)位 置[23]。上述過程通過不斷迭代，不斷更新G-Net和E-Net網(wǎng)絡(luò)模塊的模型數(shù)據(jù)，增加檢修過程的魯棒性，最終實(shí)現(xiàn)整個(gè)TSPN檢修模型訓(xùn)練優(yōu)化。

4 隧道檢修一體化機(jī)器人系統(tǒng)設(shè)計(jì)

4.1 早期與現(xiàn)在的隧道機(jī)器人檢測(cè)系統(tǒng)

早期日本設(shè)計(jì)的一種隧道檢測(cè)機(jī)器人系統(tǒng)基于沖擊聲學(xué)方法[26]，如圖8(a)所示)。憑借機(jī)械臂上的撞擊單元對(duì)混凝土墻進(jìn)行撞擊，再將沖擊信號(hào)轉(zhuǎn)化成電信號(hào)，同時(shí)該系統(tǒng)的3名檢測(cè)人員進(jìn)行信號(hào)診斷以此實(shí)現(xiàn)對(duì)襯砌結(jié)構(gòu)上剝落與空洞的檢測(cè)。這一時(shí)期的隧道檢測(cè)機(jī)器人系統(tǒng)十分簡(jiǎn)陋，檢測(cè)技術(shù)不成熟，檢測(cè)效率低下，整個(gè)過程離不開作業(yè)人員的參與，導(dǎo)致作業(yè)人員和系統(tǒng)同處于復(fù)雜的隧道環(huán)境中，未能發(fā)揮機(jī)器人檢測(cè)的優(yōu)勢(shì)。近年歐盟FP7項(xiàng)目人員研發(fā)的ROBO-SPECT檢測(cè)系統(tǒng)[27](如圖8(b)所示)配備超聲波傳感器和高精度定位的機(jī)械臂，同時(shí)憑借機(jī)器視覺技術(shù)和三維激光技術(shù)實(shí)現(xiàn)對(duì)隧道襯砌裂縫、變形等其他病害的檢測(cè)。目前隧道檢測(cè)機(jī)器人系統(tǒng)搭配成熟的隧道檢測(cè)技術(shù)，檢測(cè)效率和自動(dòng)化程度有很大提升，但存在智能化程度較低、無法對(duì)隧道病害進(jìn)行同步修復(fù)等問題。

4.2 機(jī)械臂設(shè)計(jì)及修復(fù)技術(shù)分析

本文提出的機(jī)器人檢修一體化系統(tǒng)基本架構(gòu)如圖9所示，其主體結(jié)構(gòu)是一個(gè)可以3個(gè)方向的平動(dòng)以及繞3個(gè)軸轉(zhuǎn)動(dòng)的6 自由度機(jī)械臂，三維成像采用雙目立體視覺三維成像技術(shù)。在機(jī)械臂前端左右兩側(cè)分別存在一個(gè)深度相機(jī)，借此實(shí)現(xiàn)隧道檢修過程中的三維機(jī)器視覺實(shí)時(shí)采集隧道表面病害信息，在對(duì)隧道襯砌的病害進(jìn)行定性分析的基礎(chǔ)上并將病害信息傳輸給TSPN檢修模型進(jìn)一步分析，確定檢修位置與檢修角度。機(jī)械臂前端存在修復(fù)材料注射噴頭和修復(fù)材料運(yùn)輸導(dǎo)管，噴頭會(huì)根據(jù)裂縫、滲漏水等病害的類型與程度來決定噴射速度、噴射次數(shù)、噴射角度和噴射的修復(fù)材料類型，修復(fù)材料由修復(fù)導(dǎo)管運(yùn)輸?shù)絿婎^之中。

在隧道病害檢測(cè)過程中，可憑借機(jī)器視覺實(shí)現(xiàn)對(duì)隧道病害的檢測(cè)。在修復(fù)過程中基于現(xiàn)有機(jī)器人的智能化程度和修復(fù)材料的性能局限，暫時(shí)只能針對(duì)病害占比最大的裂縫和滲漏水進(jìn)行修復(fù)，且病害的修復(fù)成功率和病害的嚴(yán)重程度相關(guān)，當(dāng)病害嚴(yán)重到一定程度時(shí)，噴射為主的修復(fù)方式將無法修復(fù)。未來將會(huì)研發(fā)更加智能的機(jī)械臂和高性能的修復(fù)材料，實(shí)現(xiàn)針對(duì)不同類型和不同程度病害的修復(fù)。

(a) 日本沖擊法機(jī)器人檢測(cè)[26]；(b) RoBo-SPECT系統(tǒng)[27]

圖9 機(jī)械臂及其細(xì)部構(gòu)造概念設(shè)計(jì)圖

在隧道病害檢測(cè)過程中，可憑借機(jī)器視覺實(shí)現(xiàn)對(duì)隧道病害的檢測(cè)。在修復(fù)過程中基于現(xiàn)有機(jī)器人的智能化程度和修復(fù)材料的性能局限，暫時(shí)僅針對(duì)病害占比最大的裂縫和滲漏水進(jìn)行修復(fù)，且病害的修復(fù)成功率和病害的嚴(yán)重程度相關(guān)，當(dāng)病害嚴(yán)重到一定程度時(shí)，噴射為主的修復(fù)方式將無法修復(fù)。未來將會(huì)研發(fā)更加智能的機(jī)械臂和高性能的修復(fù)材料，實(shí)現(xiàn)針對(duì)不同類型和不同程度病害的修復(fù)。

4.3 機(jī)器人車載系統(tǒng)設(shè)計(jì)

隧道檢修一體化機(jī)器人系統(tǒng)的數(shù)據(jù)提取、襯砌修復(fù)等過程可在機(jī)械臂上完成，由處理中心進(jìn)行數(shù)據(jù)分析，如圖10所示。此外通過搭載卡車或火車實(shí)現(xiàn)對(duì)公路隧道和鐵路隧道檢測(cè)與修復(fù)。整個(gè)機(jī)器人系統(tǒng)的處理中心設(shè)置在駕駛艙，便于檢修人員操作。系統(tǒng)還搭配了修復(fù)材料儲(chǔ)存?zhèn)}，該儲(chǔ)存?zhèn)}內(nèi)被隔成幾個(gè)部分，根據(jù)病害類型不同，儲(chǔ)存?zhèn)}會(huì)對(duì)應(yīng)儲(chǔ)存不同的修復(fù)材料，使機(jī)械臂能針對(duì)病害特點(diǎn)實(shí)現(xiàn)修復(fù)。

(a) 公路檢修；(b) 鐵路檢修

檢修一體化機(jī)器人雖然能通過搭載卡車或火車實(shí)現(xiàn)公路隧道以及鐵路隧道的檢測(cè)，但存在易造成人力物力的浪費(fèi)以及更換車載時(shí)可能造成機(jī)械臂損壞等問題。針對(duì)解決這種問題，未來的檢修一體化機(jī)器人系統(tǒng)可搭配公鐵兩用隧道檢測(cè)車，該車可通過車輪的轉(zhuǎn)化來實(shí)現(xiàn)公路隧道和鐵路隧道的檢修，以解決成本浪費(fèi)和機(jī)械臂損壞等問題。

5 結(jié)論

1) 雙目立體視覺三維成像技術(shù)因其抗干擾能力強(qiáng)、測(cè)量結(jié)果可靠性高、數(shù)據(jù)精確和環(huán)境要求低等優(yōu)點(diǎn)，適合檢修一體化機(jī)器人系統(tǒng)在隧道環(huán)境中進(jìn)行病害的檢測(cè)修復(fù)。

2) 檢修一體化機(jī)器人系統(tǒng)可采用TSPN檢修模型實(shí)現(xiàn)機(jī)器學(xué)習(xí)，利用先驗(yàn)知識(shí)引導(dǎo)學(xué)習(xí)，改善機(jī)械臂學(xué)習(xí)效率，提高機(jī)器人系統(tǒng)的智能化程度。

3) 檢修一體化機(jī)器人系統(tǒng)能在對(duì)隧道病害進(jìn)行檢測(cè)的過程中，可實(shí)現(xiàn)對(duì)病害程度較低的裂縫和滲漏水的修復(fù)，避免了因忽視造成的結(jié)構(gòu)病害發(fā)展。

4) 隨著人工智能和材料性能等領(lǐng)域發(fā)展，隧道檢修一體化機(jī)器人系統(tǒng)存在的問題將得以解決，檢測(cè)一體化機(jī)器人系統(tǒng)也將取代檢測(cè)系統(tǒng)和人工修復(fù)，實(shí)現(xiàn)隧道運(yùn)營(yíng)維護(hù)的多功能、高精度、智能化發(fā)展。

[1] 傅鶴林, 黃震, 王慧, 等. 地鐵安全事故分析及安全管理[J]. 隧道與地下工程災(zāi)害防治, 2019, 1(2): 59?66. FU Helin, HUANG Zhen, WANG Hui, et al. Accident analysis and management of metro safety[J]. Hazard Control in Tunnelling and Underground Engineering, 2019, 1(2): 59?66.

[2] 洪開榮. 我國(guó)隧道及地下工程近兩年的發(fā)展與展望[J]. 隧道建設(shè), 2017, 32(2): 123?134. HONG Kairong. Development and prospects of tunnels and underground works in china in recent two years[J]. Tunnel Construction, 2017, 32(2): 123?134.

[3] 楊新安, 黃宏偉. 隧道病害與防治[M]. 上海: 同濟(jì)大學(xué)出版社, 2003. YANG Xinan, HUANG Hongwei. Tunnel diseases and control[M]. Shanghai: Tongji University Press, 2003.

[4] YUAN C, LI S C, LI S C. Study on the defects characteristics of water leaking of old tunnels in cold regions[C]// ASCE Selected Papers from the 2011 Geohunan International Conference. Hunan, China: American, Society of Civil Engineers, 2011.

[5] Puente I, González-Jorge H, Martínez-Sánchez J, et al. Automatic detection of road tunnel luminaires using a mobile LiDAR system[J]. Measurement, 2014, 47: 569? 575.

[6] Puente I, González-Jorge H, Riveiro B, et al. Accuracy verifification of the lynx mobile mapper system[J]. Opt Laser Technol, 2013, 45: 578?586.

[7] Puente I, González-Jorge H, Martínez-Sánchez J, et al. Review of mobile mapping and surveying technologies[J]. Measurement, 2013, 46(7): 2127?2145.

[8] 北京力鐵軌道交通設(shè)備有限公司. GRP5000隧道掃描系統(tǒng)[EB/OL]. (2016?01?01) [2020?05?09]. http://www. brailtec.com/index/products.html?id=8 Beijing Litie Rail Transit Equipment Co., Ltd. GRP5000 tunnel scanning system[EB/OL]. (2016?01?01) [2020? 05?09].http://www.brailtec.com/index/products.html?id= 8

[9] HUANG H W, SUN Y, XUE Y D, et al. Inspection equipment study for subway tunnel defects by grey-scale image processing[J]. Advanced Engineering Informatics, 2017, 32:188–201.

[10] 武大卓越科技有限公司.隧道快速檢測(cè)系統(tǒng)TFS[EB/OL]. (2017?06?15) [2020?05?12]. http://www. zoyon.com.cn/view/22.html Wuda excellence Technology Co., Ltd. Tunnel rapid detection System TFS[EB/OL]. (2017?06?15) [2020? 05?12].http://www.zoyon.com.cn/view/22.html.

[11] Hultman E, Leijon M. A cable feeder tool for robotized cable winding[J]. Robotics and Computer-Integrated Manufacturing, 2014, 30(6): 577?588.

[12] Berenson D, Srinivasa S, Kuffner J. Task space regions: A framework for pose-constrained manipulation planning[J]. The International Journal of Robotics Research, 2011, 30(12): 1435?1460.

[13] 羅欣, 丁曉軍. 地面移動(dòng)作業(yè)機(jī)器人運(yùn)動(dòng)規(guī)劃與控制研究綜述[J/OL]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào). http:// kns.cnki.net/kcms/detail/23.1235.T.20200408.1627.012.html LUO Xin, DING Xiaojun. A review of the research on motion planning and control of ground mobile robots[J]. Journal of Harbin Institute of Technology. http://kns. cnki.net/kcms/detail/23.1235.T.20200408.1627.012.html

[14] 朱華, 由韶澤. 新型煤礦救援機(jī)器人研發(fā)與試驗(yàn)[J]. 煤炭學(xué)報(bào), 2020, DOI:10.13225/j.cnki.jccs.ZN20.0352. ZHU Hua, YOU Shaoze. Research and experiment of a new type of coal mine rescue robot[J]. Journal of China Coal Society, 2020, DOI:10.13225/j.cnki.jccs.ZN20. 0352.

[15] 盧榮勝, 史艷瓊, 胡海兵. 機(jī)器人視覺三維成像技術(shù)綜述[J]. 激光與光電子學(xué)進(jìn)展, 2020, 57(4): 040001?1～040001?19. LU Rongsheng, SHI Yanqiong, HU Haibing. Review of three-dimensional imaging techniques for robotic vision[J]. Laser & Optoelectronics Progress,2020, 57(4): 040001?1～040001?19.

[16] 徐德, 譚民, 李原. 機(jī)器人視覺測(cè)量與控制[M].3版.北京: 國(guó)防工業(yè)出版社, 2016.XU De, TAN Min, LI Yuan. Robot vision measurement and control[M]. 3rd ed. Beijing: National Defense Industry Press, 2016.

[17] Ettl S. Introductory review on ‘Flying Triangulation’: A motion-robust optical 3D measurement principle[J]. Contemporary Physics, 2015, 56(2): 144?158.

[18] 郝麗婷, 楊興雨, 王賀龍, 等. 基于雙目立體視覺的遠(yuǎn)距離目標(biāo)實(shí)時(shí)三維點(diǎn)云成像技術(shù)[J]. 激光雜志, 2019, 40(12): 14?18.HAO Liting, YANG Xingyu, WANG Helong, et al. Real-time 3D point cloud imaging technology for long-distance target based on binocular stereo vision[J]. Laser Journal, 2019, 40(12): 14?18.

[19] Redmon J, Angelova A. Real-time grasp detection using convolutional neural networks[C]// IEEE International Conference on Robotics and Automation. Piscataway, USA: IEEE, 2015: 1316?1322.

[20] Kumra S, Kanan C. Robotic grasp detection using deep convolutional neural networks[C]// IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway, USA: IEEE, 2017: 769?776.

[21] Pinto L, Gupta A. Supersizing self-supervision: Learning to grasp from 50 k tries and 700 robot hours[C]// IEEE International Conference on Robotics and Automation. Piscataway, USA: IEEE, 2016: 3406?3413.

[22] 杜學(xué)丹, 蔡瑩皓, 魯濤, 等. 一種基于深度學(xué)習(xí)的機(jī)械臂抓取方法[J]. 機(jī)器人, 2017, 39(6): 820?828, 837. DU Xuedan, CAI Yinghao, LU Tao, et al. A grasping method of robotic arm based on deep learning[J]. Robot, 2017, 39(6): 820?828, 837.

[23] 張森彥, 田國(guó)會(huì), 張營(yíng), 等. 一種先驗(yàn)知識(shí)引導(dǎo)的基于二階段漸進(jìn)網(wǎng)絡(luò)的自主抓取策略[J/OL]. 機(jī)器人, DOI：10.13973/j.cnki.robot.190623.ZHANG Senyan, TIAN Guohui, ZHANG Ying, et al. An autonomous grasping strategy based on two-stage progressive network guided by prior knowledge[J/OL]. Robot. DOI: 10.13973/j.cnki.robot.190623.

[24] Lenz I, Lee H, Saxena A. Deep learning for detecting robotic grasps[J]. International Journal of Robotics Research, 2015, 34(4?5): 705?724.

[25] ZHANG H B, LAN X G, BAI S T, et al. ROI-based robotic grasp detection for object overlapping scenes [DB/OL]. (2019?05?14) [2019?11?10].https://arxiv.org/ abs/1808.10313v6.

[26] Suda T, Tabata A , Kawakami J, et al. Development of an impact sound diagnosis system for tunnel concrete lining[J]. Tunnelling and Underground Space Technology, 2004, 19(4): 328?329.

[27] Menendez E, Victores J G, Montero R, et al. Tunnel structural inspection and assessment using an autonomous robotic system[J]. Automation in Construction, 2018, 87(3): 117?126.

Research on the integrated robot system of tunnel detection and maintenance and analysis of key technologies

HUANG Zhen1, 2, ZHANG Chenlong1, MA Shaokun1, 2, CHEN Yimiao1, LIAO Minxing1

(1. College of Civil Engineering and Architecture, Guangxi University, Nanning 530004, China;2. Guangxi University Key Laboratory of Engineering Disaster Prevention and Structural Safety, Nanning 530004, China)

As an innovative technology that can replace manual work and greatly improve work efficiency, robot has attracted much attention in tunnel maintenance. In recent years, researchers have developed a variety of tunnel detection equipment based on robot system, which is difficult to achieve the function of tunnel repair synchronously. At present, the detection and maintenance of operating tunnels in our country were carried out separately, and the maintenance process was still dominated by traditional manual maintenance. This problem leads to some serious tunnel structural diseases not repaired in time, which further produces a huge potential safety hazard. Meanwhile, detection and maintenance workers are in a complex and closed tunnel environment for a long time, which is not conducive to their health. Based on this, this paper proposes a concept of tunnel detection and maintenance integrated robot system, and analyzes the three-dimensional imaging structure form and technology of the system, and the optimization method of tunnel detection and maintenance, which can solve the key maintenance problems of tunnel disease imaging, repair positioning, repair ability and so on. Combined with the current tunnel robot detection system, an integrated detection and maintenance robot system is designed, which provides a new idea for the detection and maintenance methods of operating tunnels in China.

tunnel engineering; maintenance integration; robot system; binocular stereo vision; machine learning

TU96；U457

A

1672 ? 7029(2021)03 ? 0767 ? 10

10.19713/j.cnki.43?1423/u.T20200506

2020?06?09

國(guó)家自然科學(xué)基金資助項(xiàng)目(51538009，51608537，51678166)；廣西高校中青年教師科研基礎(chǔ)能力提升項(xiàng)目(2020KY01011)；廣西高等教育本科教學(xué)改革工程立項(xiàng)項(xiàng)目(2020JGA114)

馬少坤(1972?)，男，湖南湘潭人，教授，博士，從事地下及巖土工程教學(xué)與科研工作；E?mail：mashaokun@sina.com

(編輯 蔣學(xué)東)