王曉玲，王 棟，任炳昱，陳文夫，譚堯升，關(guān) 濤

（1. 天津大學(xué) 水利工程仿真與安全國家重點(diǎn)實(shí)驗(yàn)室，天津 300072；2. 中國三峽建工（集團(tuán)）有限公司，四川 成都 610041；3. 中國長江三峽集團(tuán)有限公司，北京 100038）

1 研究背景

混凝土振搗是常態(tài)混凝土澆筑密實(shí)的關(guān)鍵環(huán)節(jié)［1-2］，其施工質(zhì)量對(duì)于混凝土壩壩體結(jié)構(gòu)抗震、防滲、抗凍等性能具有重要的影響。混凝土振搗主要是通過振搗器的高頻振動(dòng)，使得可塑性混凝土內(nèi)部組成進(jìn)行空間重構(gòu)，進(jìn)而排出混凝土中夾雜的空氣，以達(dá)到密實(shí)的過程。常態(tài)混凝土拱壩建設(shè)主要依靠人工操控機(jī)械或者手持振搗器進(jìn)行施工作業(yè)［3］，其中，人工振搗作業(yè)存在工作強(qiáng)度高、效率低、主觀性強(qiáng)等不足；此外，質(zhì)量控制主要通過監(jiān)理旁站方式評(píng)估振搗操作和混凝土表面圖像特征是否滿足規(guī)范要求［4-5］。該方式受旁站人員經(jīng)驗(yàn)差異的影響，振搗施工質(zhì)量難以得到有效控制。隨著我國高混凝土壩建設(shè)逐漸向高寒、高海拔等地區(qū)轉(zhuǎn)移，惡劣的施工環(huán)境帶來的人機(jī)效率下降、勞動(dòng)力短缺等難題進(jìn)一步給澆筑質(zhì)量控制帶來了巨大挑戰(zhàn)。此外，新一代信息化、智能化筑壩技術(shù)的興起驅(qū)動(dòng)著新理論、新技術(shù)、新裝備的快速發(fā)展，推動(dòng)傳統(tǒng)人工施工方式迫切需要轉(zhuǎn)型升級(jí)。因此，亟待突破現(xiàn)有倉面人工振搗施工技術(shù)瓶頸，研究可替代人工振搗作業(yè)的混凝土振搗機(jī)器人技術(shù)，研發(fā)混凝土振搗機(jī)器人系統(tǒng)對(duì)于解決這一關(guān)鍵問題具有重要的科學(xué)與現(xiàn)實(shí)意義。

近年來，機(jī)器人技術(shù)的飛速發(fā)展以及與建筑領(lǐng)域?qū)W科知識(shí)深度融合為解決該問題帶來了曙光［6-7］。世界最早用于施工的建筑機(jī)器人可追溯至1982 年日本清水公司研發(fā)的名為SSR-1 耐火材料噴涂機(jī)器人［8］。此后，大量建筑機(jī)器人研究內(nèi)容圍繞建筑全生命周期的各個(gè)環(huán)節(jié)展開，包括施工前準(zhǔn)備工作、施工過程中建造活動(dòng)以及施工完成后的維護(hù)和拆除等［6］?？傮w來講，現(xiàn)場建筑機(jī)器人可以歸納為兩類：基于現(xiàn)有機(jī)械進(jìn)行改裝制造和針對(duì)特定任務(wù)研發(fā)的建筑機(jī)器人，從而實(shí)現(xiàn)無人化作業(yè)。

對(duì)于改裝機(jī)械研發(fā)的建筑機(jī)器人，全自主智能建筑機(jī)器人是研究的最高目標(biāo)，少數(shù)研究實(shí)現(xiàn)了特定場景下的全自主智能無人施工，如時(shí)夢(mèng)楠等［9］研發(fā)的多料種全覆蓋自主碾壓機(jī)群協(xié)同作業(yè)系統(tǒng)實(shí)現(xiàn)了全天候無人碾壓機(jī)群作業(yè)，并成功應(yīng)用于300 m級(jí)兩河口水電站大壩碾壓施工，開創(chuàng)了世界大規(guī)模無人碾壓機(jī)群筑壩的先河；Zhang 等［10］研發(fā)的自主挖掘系統(tǒng)實(shí)現(xiàn)了24 h 無人接管自主挖掘作業(yè)；蘇黎世聯(lián)邦理工學(xué)院研發(fā)的自主行走挖掘機(jī)在溝壑挖掘、石墻組裝、森林作業(yè)等實(shí)際施工場景下表現(xiàn)突出［11］。相比于全自主智能機(jī)器人，基于人-機(jī)協(xié)作的建筑機(jī)器人研究成果更多且應(yīng)用更為廣泛［12-15］，該類型建筑機(jī)器人解決了其應(yīng)對(duì)復(fù)雜多變施工環(huán)境時(shí)感知能力匱乏及分析決策欠佳的不足，充分發(fā)揮了人的知識(shí)與機(jī)器人的自動(dòng)化專長，提高了建筑機(jī)器人作業(yè)的普適性。對(duì)于特定任務(wù)的建筑機(jī)器人，目前已有大量研究成果將建筑機(jī)器人應(yīng)用于現(xiàn)場特定任務(wù)施工過程中，如基于“輪廓工藝”技術(shù)的3D打印機(jī)器人［16-17］、墻體砌筑機(jī)器人［18-19］、房屋裝飾機(jī)器人［20-21］等，非標(biāo)準(zhǔn)化鋼筋結(jié)構(gòu)制作［22-23］等。上述建筑機(jī)器人基本結(jié)構(gòu)組成主要包括移動(dòng)式行走裝置、多自由度機(jī)械臂和末端執(zhí)行機(jī)構(gòu)，該設(shè)計(jì)能夠滿足大型施工現(xiàn)場跨度大和空間復(fù)雜性強(qiáng)的作業(yè)任務(wù)要求。上述研究成果對(duì)機(jī)器人技術(shù)應(yīng)用于建筑施工領(lǐng)域進(jìn)行了有益探索，為本文研究提供了良好借鑒思路。在水利工程施工領(lǐng)域，天津大學(xué)水利工程智能建設(shè)團(tuán)隊(duì)針對(duì)碾壓工藝開展無人碾壓機(jī)群施工技術(shù)研究［9，24］并成功應(yīng)用在工程建設(shè)現(xiàn)場。由于不同壩型施工工藝的區(qū)別，對(duì)于高拱壩復(fù)雜環(huán)境下混凝土澆筑振搗過程，尤其是涉及到混凝土材料分區(qū)、振搗工藝變化、非結(jié)構(gòu)化地面等復(fù)雜不確定工況，有必要開展?jié)M足高拱壩倉面復(fù)雜施工環(huán)境下振搗工藝的機(jī)器人技術(shù)研究，實(shí)現(xiàn)無人振搗作業(yè)，從而解決人工振搗作業(yè)方式面臨的振搗質(zhì)量控制難題。

振搗質(zhì)量的智能化分析與控制是實(shí)現(xiàn)無人振搗作業(yè)的核心。在混凝土振搗質(zhì)量分析與控制方面，現(xiàn)有研究主要集中在對(duì)振搗設(shè)備進(jìn)行智能監(jiān)控［5，25-27］，通過采用高精度GNSS、測(cè)距傳感器等實(shí)現(xiàn)振搗位置、作業(yè)時(shí)間、插入深度等參數(shù)的實(shí)時(shí)監(jiān)控。然而，規(guī)范要求一次振搗是否結(jié)束應(yīng)根據(jù)混凝土表面圖像特征進(jìn)行定性評(píng)估［4］，現(xiàn)有研究采用預(yù)先設(shè)定的振搗時(shí)間策略，從而間接滿足該項(xiàng)要求，未能考慮混凝土異構(gòu)性對(duì)振搗時(shí)間的影響。因此，在作者團(tuán)隊(duì)研究基礎(chǔ)上［28］，引入機(jī)器視覺方法建立混凝土表面圖像智能識(shí)別模型，并在振搗過程中實(shí)時(shí)分析混凝土表面圖像，從而滿足規(guī)范對(duì)振搗結(jié)束時(shí)表面圖像的要求，實(shí)現(xiàn)振搗質(zhì)量的智能分析。

針對(duì)上述問題，綜合考慮混凝土壩倉面非規(guī)則性、多障礙物的環(huán)境特征，本文基于工業(yè)機(jī)器人、自動(dòng)化控制、機(jī)器視覺等技術(shù)，以高拱壩倉面混凝土振搗環(huán)節(jié)為研究對(duì)象，開展無人振搗施工智能化關(guān)鍵技術(shù)研究，研發(fā)無人振搗機(jī)器人系統(tǒng)，該系統(tǒng)能夠?qū)崿F(xiàn)倉面復(fù)雜環(huán)境下行走、振搗、避障等功能，以及高拱壩倉面混凝土振搗效果的機(jī)器視覺識(shí)別。此外，能夠?qū)崿F(xiàn)云端可視化監(jiān)控和遠(yuǎn)程操控。

2 振搗機(jī)器人系統(tǒng)

2.1 系統(tǒng)總體設(shè)計(jì)振搗機(jī)器人系統(tǒng)總體結(jié)構(gòu)如圖1 所示，包括振搗機(jī)器人本體、云端監(jiān)控平臺(tái)和通訊三大子系統(tǒng)。振搗機(jī)器人本體能夠在復(fù)雜環(huán)境下實(shí)現(xiàn)外界環(huán)境及振搗作業(yè)等多源信息的感知與集成，并通過運(yùn)動(dòng)學(xué)模型、圖像識(shí)別算法等實(shí)現(xiàn)振搗動(dòng)作、質(zhì)量等屬性的分析與決策，進(jìn)一步實(shí)現(xiàn)行走、振搗、避障等行為控制，確保振搗機(jī)器人本體能夠安全、有效作業(yè)；云端監(jiān)控平臺(tái)通過無線網(wǎng)絡(luò)連接云服務(wù)器實(shí)時(shí)可視化振搗機(jī)器人本體作業(yè)過程中產(chǎn)生的多源信息，并能夠?qū)|(zhì)量進(jìn)行監(jiān)控，同時(shí)下達(dá)相關(guān)控制指令，實(shí)現(xiàn)對(duì)車體的運(yùn)動(dòng)控制；通訊子系統(tǒng)是振搗機(jī)器人本體不同模塊間以及振搗機(jī)器人本體和云端監(jiān)控平臺(tái)間連接的通信橋梁。

圖1 振搗機(jī)器人系統(tǒng)總體框架圖

2.2 振搗機(jī)器人本體設(shè)計(jì)

2.2.1 振搗機(jī)器人本體結(jié)構(gòu)設(shè)計(jì) 振搗機(jī)器人本體結(jié)構(gòu)包括行走模塊、機(jī)械臂模塊、振搗棒組模塊、能源模塊、感知模塊和機(jī)載控制器，如圖2 所示。主要參數(shù)如下：車體總質(zhì)量8.7 t，長×寬×高為5.5 m×2.4 m×3.1 m；機(jī)械臂具有6自由度，運(yùn)動(dòng)范圍≤2.60 m，控制精度達(dá)0.1 mm，最大載重200 kg。

（1）行走模塊。行走模塊通過接收車體遙控器或者云端監(jiān)控平臺(tái)下發(fā)的指令實(shí)現(xiàn)振搗機(jī)器人本體的啟動(dòng)、行走、轉(zhuǎn)彎、急停等功能。

（2）機(jī)械臂模塊?？紤]復(fù)雜振搗工藝及精準(zhǔn)姿態(tài)控制的需求，采用多關(guān)節(jié)ABB IRB 6700-260型工業(yè)機(jī)器人夾持振搗棒組單元進(jìn)行振搗作業(yè)，并在車體尾部設(shè)計(jì)了動(dòng)平衡機(jī)構(gòu)，防止機(jī)械臂運(yùn)動(dòng)過程中因重心偏移導(dǎo)致車體傾覆，從而提高車體穩(wěn)定性。

（3）振搗棒組模塊。該模塊是振搗機(jī)器人振搗作業(yè)的核心部件。考慮高拱壩倉面橫縫凹凸形狀以及上下游復(fù)雜鋼筋網(wǎng)的特點(diǎn)，設(shè)計(jì)了滿足系統(tǒng)振搗和復(fù)振兩種施工工藝類型的振搗棒組（3 支振搗棒）。其中，適用于系統(tǒng)振搗工藝的振搗棒能夠?qū)崿F(xiàn)棒間橫向30 ～60 cm 間距調(diào)整（“一字型”排列），以及中間振搗棒5 ～20 cm 縱向移動(dòng)（“三角形”排列），以滿足橫縫周邊凹凸鍵槽模板的非規(guī)則區(qū)域的施工要求，結(jié)構(gòu)如圖2（b）所示。適用于復(fù)振工藝的振搗棒采用下放和回收方式，滿足狹窄鋼筋網(wǎng)環(huán)境下振搗棒穿越鋼筋網(wǎng)障礙物并進(jìn)行振搗作業(yè)要求，結(jié)構(gòu)如圖2（c）所示。

圖2 振搗機(jī)器人本體結(jié)構(gòu)圖

（4）能源模塊。綜合考慮振搗機(jī)器人本體能源需求不均衡、工作時(shí)間長的特點(diǎn)，配備一套凱馬柴油發(fā)動(dòng)機(jī)以滿足振搗機(jī)器人多模塊、長歷時(shí)能源需求。

（5）感知模塊。感知模塊是由安裝在車體上的多源傳感器構(gòu)成。采用兼容北斗定位的高精度GNSS、姿態(tài)傳感器等實(shí)現(xiàn)位姿的感知；采用混合激光/超聲傳感器進(jìn)行測(cè)距感知；采用RGB相機(jī)實(shí)現(xiàn)振搗圖像智能感知；采用避障雷達(dá)和32線固態(tài)激光雷達(dá)等傳感器實(shí)現(xiàn)倉面環(huán)境下多尺度、動(dòng)/靜態(tài)障礙物的感知。

（6）機(jī)載控制器。該模塊為振搗機(jī)器人的核心部件，采用滿足多種通訊方式和高性能計(jì)算要求的工業(yè)控制器。一方面集成感知單元的信息，基于相關(guān)智能算法進(jìn)行分析與決策，實(shí)現(xiàn)振搗機(jī)器人本體的控制；另一方面，接收云端監(jiān)控平臺(tái)的指令信息，同時(shí)上傳振搗機(jī)器人運(yùn)行中多維度信息。

2.2.2 振搗機(jī)器人本體運(yùn)動(dòng)學(xué)模型 運(yùn)動(dòng)學(xué)模型旨在通過幾何關(guān)系構(gòu)建車體運(yùn)動(dòng)的模型。振搗機(jī)器人本體運(yùn)動(dòng)學(xué)建模是實(shí)現(xiàn)振搗機(jī)器人本體空間運(yùn)動(dòng)分析、軌跡規(guī)劃，以及振搗位置參數(shù)計(jì)算、運(yùn)動(dòng)控制等的基礎(chǔ)，亦是振搗機(jī)器人系統(tǒng)實(shí)現(xiàn)自動(dòng)振搗的關(guān)鍵內(nèi)容。本文研發(fā)的振搗機(jī)器人系統(tǒng)是一個(gè)復(fù)雜的裝備系統(tǒng)，通過各模塊間有機(jī)配合與聯(lián)動(dòng)，從而實(shí)現(xiàn)系統(tǒng)智能無人振搗的功能。建立振搗機(jī)器人D-H 運(yùn)動(dòng)學(xué)模型，如圖3 所示，包括世界坐標(biāo)系{O-XOYOZO}、車體坐標(biāo)系{A-XAYAZA}、機(jī)械臂基坐標(biāo)系{B-XBYBZB}、機(jī)械臂末端工具坐標(biāo)系{C-XCYCZC} 。不同坐標(biāo)系間關(guān)系可通過齊次變換矩陣進(jìn)行關(guān)聯(lián)［29］。以右邊振搗棒末端點(diǎn)L為例，則點(diǎn)L在世界坐標(biāo)系{O} 的空間位置OLP可表示為：

圖3 振搗機(jī)器人D-H坐標(biāo)系

式中：OAT、BAT、BCT分別為坐標(biāo)系{O} 和{A}、{A} 和{B}、{B} 和{C} 之間轉(zhuǎn)換關(guān)系；CLP為L點(diǎn)位于坐標(biāo)系{C} 中的位置。

笛卡爾空間下坐標(biāo)系{O} 和{A} 關(guān)系可采用4×4維度的齊次變換矩陣表示。設(shè)坐標(biāo)系{A} 原點(diǎn)與車體上安裝的GNSS天線中心重合，故OAT可表示為：

式中：c1、c2、c3分別為cosθ1、cosθ2、cosθ3；s1、s2、s3分別為sinθ1、sinθ2、sinθ3；θ1、θ2、θ3分別為ZA、YA、XA方向旋轉(zhuǎn)的歐拉角度，以右手定則判別旋轉(zhuǎn)正方向，單位為°；xgnss、ygnss、zgnss為GNSS 測(cè)量的大地空間坐標(biāo)，單位為m。

車體為剛性，坐標(biāo)系{}A與{}B相對(duì)靜止，故二者間關(guān)系可表示為：

式中：XAB、YAB、ZAB分別為坐標(biāo)系{}B原點(diǎn)相對(duì)于坐標(biāo)系{}A原點(diǎn)在軸XA、YA、ZA的歐式距離。

由機(jī)器人學(xué)［29］可知，6 自由度機(jī)械手末端坐標(biāo)系{}C原點(diǎn)在基坐標(biāo)系{}B可表示為CBT=(XBC,YBC,ZBC,q1,q2,q3,q4)，其中(XBC,YBC,ZBC)和四元數(shù)(q1,q2,q3,q4)分別為坐標(biāo)系{C} 原點(diǎn)位于坐標(biāo)系{B} 下的空間位置以及姿態(tài)，可表示矩陣形式：

進(jìn)一步，由于振搗棒與機(jī)械手末端中心點(diǎn)剛性連接，故振搗棒末端L、R、K三點(diǎn)位于坐標(biāo)系{}C中可表示為：

式中：lmw、lmb、lh分別為振搗棒L點(diǎn)位于坐標(biāo)系{C} 下C-XC、C-YC、C-ZC方向的投影距離；lkw為中間振搗棒在XC方向的移動(dòng)距離。其中，lmb和lkw變化范圍分別是［30，60］和［5，20］，cm。式（2）—（5）代入式（1）中，求得振搗點(diǎn)空間坐標(biāo)。同理，若已知振搗作業(yè)點(diǎn)位于坐標(biāo)系{O} 下的坐標(biāo)，可通過矩陣逆運(yùn)算求得振搗點(diǎn)在機(jī)械臂基坐標(biāo)系{B} 下的位置，從而進(jìn)行軌跡規(guī)劃、運(yùn)動(dòng)分析等。

2.2.3 振搗機(jī)器人系統(tǒng)工作流程 振搗機(jī)器人自動(dòng)振搗流程如圖4所示，主要步驟概括如下：

圖4 振搗機(jī)器人自動(dòng)振搗工作流程

步驟1，啟動(dòng)振搗機(jī)器人系統(tǒng)，對(duì)系統(tǒng)本體各組成模塊進(jìn)行上電操作，并初始化系統(tǒng)參數(shù)（圖像識(shí)別算法、振搗施工標(biāo)準(zhǔn)參數(shù)等），確保系統(tǒng)正常啟動(dòng)及各模塊間信號(hào)連接正常。

步驟2，信息感知與集成。多源信息感知是振搗機(jī)器人工作的基礎(chǔ)，機(jī)載感知模塊實(shí)現(xiàn)振搗參數(shù)信息和外界環(huán)境信息的采集。采用基于Linux 的機(jī)器人操作系統(tǒng)（Robot Operating System，ROS）建立多個(gè)單元節(jié)點(diǎn)，每一個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)傳感器采集的信息，通過發(fā)布消息與訂閱消息的方式實(shí)現(xiàn)節(jié)點(diǎn)間的通信，從而實(shí)現(xiàn)多源信息的集成、共享與管理。

步驟3，自動(dòng)導(dǎo)航與避障。車體控制器接收云端監(jiān)控平臺(tái)或遙操作指令信息后，基于CAN 通訊將指令信息轉(zhuǎn)換后輸入車體可編程邏輯控制器（Programmable logic controller，PLC），PLC 通過繼電器對(duì)車體發(fā)動(dòng)機(jī)進(jìn)行控制，實(shí)現(xiàn)車體行走模塊的啟動(dòng)、行走、轉(zhuǎn)彎、急停等。行走過程中，高精度RTK-GNSS用于車體定位與定向，機(jī)載毫米波雷達(dá)用于障礙物的感知與避障。

步驟4，軌跡規(guī)劃。軌跡規(guī)劃是振搗機(jī)器人進(jìn)行自動(dòng)振搗的核心?？紤]振搗動(dòng)作可以分解為“插入-振搗-拔出”的循環(huán)步驟，振搗運(yùn)動(dòng)路徑可以分解為經(jīng)過一系列關(guān)鍵點(diǎn)集合M{P0,P1,P2,P3} 的空間運(yùn)動(dòng)，如圖5（a）所示。其中，圖5（b）至5（e）分別為振搗棒初始位置P0、振搗棒展開位置P1、振搗作業(yè)點(diǎn)上方位置P2、滿足插入深度要求的振搗位置P3。基于2.2.2 節(jié)建立的運(yùn)動(dòng)學(xué)模型，將集合M轉(zhuǎn)換到機(jī)器人基坐標(biāo)系{B} 下的坐標(biāo)，實(shí)現(xiàn)機(jī)械臂經(jīng)過關(guān)鍵點(diǎn)位的軌跡規(guī)劃，進(jìn)一步基于相關(guān)插值算法實(shí)現(xiàn)關(guān)鍵線路間的運(yùn)動(dòng)插值規(guī)劃，其中，起始點(diǎn)P0與P1之間采用關(guān)節(jié)空間多項(xiàng)式插值方法［30］，其他關(guān)鍵軌跡點(diǎn)間采用笛卡爾空間直線插值方法［30］。

圖5 振搗機(jī)器人作業(yè)軌跡規(guī)劃

步驟5，運(yùn)動(dòng)控制。根據(jù)步驟4軌跡規(guī)劃結(jié)果，采用RAPID 語言實(shí)現(xiàn)機(jī)械臂模塊的運(yùn)動(dòng)控制。基于CAN 總線接收機(jī)載控制器下發(fā)的控制指令，機(jī)械臂控制器將數(shù)字信號(hào)轉(zhuǎn)換為電流信號(hào)，驅(qū)動(dòng)器接受脈沖信號(hào)驅(qū)動(dòng)伺服電機(jī)轉(zhuǎn)動(dòng)，編碼器對(duì)伺服電機(jī)執(zhí)行情況精準(zhǔn)測(cè)量并反饋至控制器，基于PID［31］算法消除伺服電機(jī)期望轉(zhuǎn)角和實(shí)際轉(zhuǎn)角間的誤差，實(shí)現(xiàn)機(jī)械臂關(guān)節(jié)運(yùn)動(dòng)的閉環(huán)控制。進(jìn)一步，機(jī)械臂控制器根據(jù)各個(gè)關(guān)節(jié)的轉(zhuǎn)角進(jìn)行運(yùn)動(dòng)學(xué)分析計(jì)算振搗棒組位置和姿態(tài)，并反饋給機(jī)載控制中心，結(jié)合測(cè)距傳感器等實(shí)現(xiàn)振搗棒組模塊插入角度、插入深度和插入速度等振搗參數(shù)的精準(zhǔn)控制。

步驟6，質(zhì)量評(píng)估，包括混凝土表面圖像智能識(shí)別和振搗時(shí)間的分析。表面圖像智能識(shí)別模型參見第3節(jié)。當(dāng)表面圖像連續(xù)N幀判別為合格類時(shí)，則可以結(jié)束振搗；另一方面，考慮圖像識(shí)別算法在應(yīng)對(duì)外界復(fù)雜環(huán)境（如光照不足、夜間環(huán)境等）干擾導(dǎo)致準(zhǔn)確性無法滿足要求時(shí)，采用設(shè)定的振搗時(shí)間（t單位：s）來輔助質(zhì)量評(píng)估，即t∈{Tmin,Tmax} ，隨機(jī)生成滿足區(qū)間[Tmin,Tmax]的振搗時(shí)間t設(shè)，當(dāng)振搗時(shí)間t達(dá)到t設(shè)時(shí)，則結(jié)束振搗。以上兩種分析方式滿足其中一種，認(rèn)為本次振搗合格。其中，表面圖像分析級(jí)別高于振搗時(shí)間分析。

步驟7，繼續(xù)振搗或復(fù)位。若下一次振搗位置在機(jī)械臂運(yùn)動(dòng)空間范圍內(nèi)，則重復(fù)步驟4—步驟6，否則重復(fù)步驟3—步驟6。如果倉面振搗作業(yè)完成，則結(jié)束振搗，控制機(jī)械臂運(yùn)動(dòng)至初始狀態(tài)（即圖5（b）），其他工況下軌跡規(guī)劃如圖5（c）—（e）所示。

2.3 云端監(jiān)控平臺(tái)及通訊子系統(tǒng)設(shè)計(jì)云端監(jiān)控平臺(tái)主要實(shí)現(xiàn)振搗機(jī)器人施工作業(yè)實(shí)時(shí)信息、多源傳感器信息、倉面規(guī)劃信息、車體狀態(tài)等信息集成展示、指令下發(fā)等，監(jiān)控界面如圖6所示。基于B/S架構(gòu)研發(fā)了云端監(jiān)控平臺(tái)，具有跨平臺(tái)、跨區(qū)域、多人協(xié)同操作的優(yōu)勢(shì)。通訊子系統(tǒng)主要負(fù)責(zé)振搗機(jī)器人本體、云端監(jiān)控平臺(tái)、云服務(wù)器等之間的通訊，一方面，振搗機(jī)器人各子系統(tǒng)間的無線通訊，如振搗機(jī)器人本體產(chǎn)生的信息通過4G 網(wǎng)絡(luò)實(shí)時(shí)傳輸至云服務(wù)器，云端監(jiān)控平臺(tái)通過無線通訊方式與云服務(wù)器間進(jìn)行信息交互；另一方面，振搗機(jī)器人本體各模塊間的有線通訊，如機(jī)載控制器與機(jī)械臂控制柜之間通過CAN方式通訊。

圖6 云端監(jiān)控平臺(tái)界面圖

3 基于改進(jìn)殘差網(wǎng)絡(luò)的振搗表面圖像識(shí)別算法

針對(duì)傳統(tǒng)振搗質(zhì)量依靠監(jiān)視人員根據(jù)混凝土表面圖像特征評(píng)估的方式存在主觀性強(qiáng)的不足，提出基于改進(jìn)深度殘差網(wǎng)絡(luò)（Residual Network，ResNet）［32］模型的機(jī)器視覺技術(shù)，對(duì)混凝土振搗過程中表面圖像進(jìn)行分類，實(shí)現(xiàn)振搗質(zhì)量的識(shí)別。

3.1 改進(jìn)ResNet模型結(jié)構(gòu)在網(wǎng)絡(luò)搭建過程中，網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練樣本大小等對(duì)模型性能有著重要的影響。本文從數(shù)據(jù)輸入以及網(wǎng)絡(luò)結(jié)構(gòu)兩方面對(duì)模型進(jìn)行改進(jìn)。在數(shù)據(jù)層面，采用在線數(shù)據(jù)增強(qiáng)方式通過擴(kuò)大樣本輸入，使得ResNet 模型能夠?qū)W習(xí)到更多圖像特征，進(jìn)而提升模型的性能和防止模型過擬合。在網(wǎng)絡(luò)結(jié)構(gòu)方面，首先，針對(duì)殘差單元的結(jié)構(gòu)形式對(duì)模型性能的影響，采用預(yù)先激活方式的ResNet-V2［33］，使得模型易于優(yōu)化；其次，在ResNet 的每一個(gè)部分殘差模塊中融入卷積塊注意模塊（Convolutional Block Attention Module，CBAM）［34］，使得殘差網(wǎng)絡(luò)有偏向地選擇重要的特征圖進(jìn)行特征提取，從而提高模型精度；最后，在卷積完成后，采用全局平均池化層代替原有的平均池化層以及全連接層，從而保留提取的空間和語義特征，有利于減輕過擬合的風(fēng)險(xiǎn)，同時(shí)降低模型的參數(shù)。為了平衡計(jì)算時(shí)間和模型性能，本文采用50 層深度的ResNet 模型。所構(gòu)建的ResNet-50 模型輸入圖像大小為224×224，網(wǎng)絡(luò)最后一層連接層神經(jīng)元為3個(gè)，以對(duì)應(yīng)輸出混凝土表面圖像預(yù)測(cè)類別，即不合格類、過渡類和合格類。改進(jìn)的ResNet-50模型結(jié)構(gòu)如圖7所示。

圖7 改進(jìn)ResNet-50結(jié)構(gòu)圖

3.2 混凝土表面圖像識(shí)別模型的建立在建筑施工領(lǐng)域，尚無開源的混凝土振搗表面圖像數(shù)據(jù)集。因此，本文通過現(xiàn)場拍攝混凝土振搗過程中表面圖像，通過歸納總結(jié)其演變特征，將其劃分為3個(gè)階段，即混凝土表面圖像分為不合格類、過渡類以及合格類3個(gè)類別。建立的混凝土表面圖像數(shù)據(jù)集中不合格類、過渡類和合格類圖像數(shù)量分別為5056、4476和5474張，共計(jì)10 056張圖像。本文將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練樣本和測(cè)試樣本，二者比例分別為0.85和0.15。模型訓(xùn)練參數(shù)如下：訓(xùn)練200個(gè)迭代輪次（即完整數(shù)據(jù)集輸入模型訓(xùn)練的過程）；采用SGD 優(yōu)化算法，初始學(xué)習(xí)率和動(dòng)量分別為0.001 和0.9；批處理大小為32。運(yùn)行物理環(huán)境為Ubuntu 16.04操作系統(tǒng)，GPU 顯卡型號(hào)為NVIDIA TITAN XP，運(yùn)行內(nèi)存128 GB?；贙eras框架進(jìn)行模型的訓(xùn)練。

圖8 為模型訓(xùn)練過程中原始ResNet-50 和改進(jìn)ResNet-50 的精度與損失函數(shù)變化曲線。隨著訓(xùn)練迭代輪次的增加，模型的損失函數(shù)曲線逐漸下降并趨向平穩(wěn)，精度曲線逐漸上升最后趨于平穩(wěn)，表明模型訓(xùn)練達(dá)到優(yōu)越性能。相比于原始ResNet-50，改進(jìn)的ResNet-50 訓(xùn)練曲線波動(dòng)小，測(cè)試樣本的精度和損失函數(shù)曲線均表現(xiàn)更優(yōu)，且模型未有過擬合現(xiàn)象。常用指標(biāo)［28］精確率Precision、召回率Recall 用于評(píng)估所提模型性能，所建立模型在測(cè)試數(shù)據(jù)集上平均分類精度分別為98.36%和98.33%，表明模型性能優(yōu)越，模型有效。

圖8 訓(xùn)練過程中精度與損失函數(shù)變化曲線

4 工程實(shí)例

以中國西南地區(qū)白鶴灘水電站300 m級(jí)特高拱壩倉面混凝土澆筑施工為例，對(duì)振搗機(jī)器人系統(tǒng)的功能進(jìn)行現(xiàn)場驗(yàn)證。該混凝土壩為雙曲拱壩，壩頂高程834.0 m，最大壩高289.0 m，共分31個(gè)壩段，大壩混凝土方量約800 萬m3?，F(xiàn)場混凝土澆筑采用人工駕駛振搗臺(tái)車施工為主，鋼筋網(wǎng)及模板周邊等區(qū)域以人工振搗作業(yè)為輔的方式開展施工。根據(jù)振搗機(jī)器人系統(tǒng)組成結(jié)構(gòu)設(shè)計(jì)，進(jìn)行振搗機(jī)器人系統(tǒng)軟件和硬件的研發(fā)，振搗試驗(yàn)區(qū)域及振搗機(jī)器人本體實(shí)物如圖9所示。

圖9 振搗機(jī)器人系統(tǒng)現(xiàn)場試驗(yàn)

4.1 振搗現(xiàn)場試驗(yàn)開展兩種設(shè)計(jì)的振搗棒組在不同施工區(qū)域的振搗試驗(yàn)。第一種振搗棒組直徑為100 mm，振搗頻率可在100 ～200 Hz范圍調(diào)整，間距可在30 ～60 cm 范圍調(diào)整，上述參數(shù)設(shè)置能夠有效適用于橫縫周邊1 m 范圍內(nèi)斜拉鋼筋、水管等障礙物密集區(qū)域施工作業(yè)。振搗試驗(yàn)過程如圖10 所示，包括插入混凝土、平穩(wěn)振搗以及緩慢拔出等過程，振搗參數(shù)為垂直插入、間距設(shè)置60 cm、插入深度為60 cm、振搗頻率為150 Hz，振搗前后效果分別如圖10（c）和圖10（f）所示，振搗完成后表面微泛漿、無大氣泡排出，滿足規(guī)范對(duì)混凝土表面圖像特征的要求，振搗效果良好，驗(yàn)證了系統(tǒng)振搗棒組結(jié)構(gòu)設(shè)計(jì)的合理性。第二種振搗棒組為長度30 cm，間距30 cm，振搗頻率為200 Hz，通過滑輪控制振搗棒連接軟管的下放和回收，滿足穿越復(fù)雜障礙物進(jìn)行振搗的特殊需求。振搗過程如圖11 所示，包括振搗棒釋放、振搗、回收等過程，驗(yàn)證了復(fù)振搗棒組結(jié)構(gòu)的合理性。

圖10 系統(tǒng)振搗棒振搗作業(yè)

圖11 伸縮式復(fù)振搗棒振搗作業(yè)

4.2 振搗試驗(yàn)分析開展混凝土振搗過程參數(shù)的分析，包括混凝土振搗參數(shù)分析和混凝土表面圖像識(shí)別結(jié)果分析。

4.2.1 混凝土振搗參數(shù)分析 振搗機(jī)器人系統(tǒng)作業(yè)過程關(guān)鍵施工參數(shù)變化如圖12 所示。圖12（a）展示了機(jī)械臂運(yùn)動(dòng)過程6 個(gè)關(guān)節(jié)角度變化(J1 ～J6)，曲線平滑連續(xù)，未發(fā)生明顯的突變，表明空間運(yùn)動(dòng)平穩(wěn)、運(yùn)動(dòng)過程未發(fā)生異常振動(dòng)，運(yùn)動(dòng)軌跡控制有效；圖12（b）為振搗插入深度及垂直插入角度偏差曲線（其中，負(fù)數(shù)表示未插入至混凝土），最大插入深度接近60 cm 且維持穩(wěn)定，插入深度受控；同時(shí)，從圖12（b）中可得，插入前角度發(fā)生微小波動(dòng)（范圍為0.002°），這可能原因是振搗棒組開啟過程中高頻振動(dòng)對(duì)機(jī)械臂的輕微影響，振搗作業(yè)過程中角度偏差基本保持在0.078°左右，波動(dòng)范圍在0.001°以內(nèi)，表明垂直振搗作業(yè)嚴(yán)格受控。相比于人工經(jīng)驗(yàn)性振搗，本文通過對(duì)振搗參數(shù)的精準(zhǔn)控制，提高了振搗作業(yè)的規(guī)范化和標(biāo)準(zhǔn)化。

圖12 混凝土振搗過程參數(shù)分析

4.2.2 混凝土表面圖像識(shí)別結(jié)果分析 通過在振搗臂手抓前端安裝攝像機(jī)實(shí)時(shí)拍攝振搗過程中表面圖像，并應(yīng)用第3節(jié)建立的模型對(duì)采集的圖像進(jìn)行識(shí)別?？紤]外界光照強(qiáng)度對(duì)識(shí)別結(jié)果的影響，采用限制對(duì)比度自適應(yīng)直方圖均衡化方法（Contrast-Limited Adaptive Histogram Equalization，CLAHE）［35］對(duì)原始圖像進(jìn)行預(yù)處理。振搗過程中代表性表面圖像的人工識(shí)別及圖像識(shí)別結(jié)果如圖15 所示，其中，所選三張圖像的真實(shí)類別（由專業(yè)人員進(jìn)行圖像類別評(píng)估的結(jié)果）分別為不合格類（圖13（a））、過渡類（圖13（e））以及合格類（圖13（i）），其對(duì)應(yīng)的預(yù)處理圖像分別為圖13（c）、圖13（g）和圖13（k）。未經(jīng)過預(yù)處理的圖像識(shí)別結(jié)果分別為不合格類（圖13（b））、過渡類（圖13（f））以及過渡類（圖13（j）），預(yù)處理后識(shí)別類別分別為不合格類（圖13（d））、過渡類（圖13（h））以及合格類（圖13（l））。其中，圖像識(shí)別結(jié)果中，類別標(biāo)簽后的數(shù)字表示分類概率大小。結(jié)果表明，基于CLAHE 方法對(duì)原始圖像進(jìn)行預(yù)處理，有利于提高原始圖像表面輪廓及紋理的清晰程度，且平衡了原始圖像的曝光程度，降低了外界光照的影響，有利于圖像的準(zhǔn)確分類。同時(shí)，驗(yàn)證了所提模型能夠準(zhǔn)確實(shí)現(xiàn)振搗過程中表面圖像的分類（識(shí)別結(jié)果與技術(shù)人員判別一致），從圖像角度實(shí)現(xiàn)了混凝土振搗過程的智能分析，解決了傳統(tǒng)旁站人員根據(jù)混凝土振搗過程中表面圖像特征經(jīng)驗(yàn)性評(píng)估振搗是否密實(shí)的不足。

圖13 振搗過程中表面圖像人工評(píng)估及圖像識(shí)別評(píng)估結(jié)果

4.3 對(duì)比與討論

4.3.1 與人工振搗對(duì)比分析 采用相同型號(hào)的振搗棒（Φ100 mm，振動(dòng)頻率為150 Hz）作業(yè)，振搗機(jī)器人和人工作業(yè)的振搗效果定性對(duì)比如圖14所示。其中，振搗機(jī)器人的振搗棒間距為60 cm。圖14（a）和圖14（c）分別為振搗機(jī)器人作業(yè)和人工作業(yè)，圖14（b）和圖14（d）為對(duì)應(yīng)的效果。根據(jù)專家經(jīng)驗(yàn)及規(guī)范評(píng)估，振搗結(jié)束后表面泛漿、無大氣泡排出、粗骨料不顯著下沉，表明振搗效果良好（如圖14（b）和圖14（d）所示）。相比于傳統(tǒng)人工手持單根振搗棒作業(yè)，本文所研發(fā)的系統(tǒng)具有三個(gè)方面的潛在優(yōu)勢(shì)：（1）安全方面：振搗機(jī)器人系統(tǒng)作業(yè)避免了施工人員受到復(fù)雜環(huán)境下鋼筋的潛在傷害，以及因接觸振搗棒高頻振動(dòng)帶來的影響；（2）質(zhì)量方面：振搗機(jī)器人系統(tǒng)作業(yè)過程更加規(guī)范化和標(biāo)準(zhǔn)化，基于機(jī)器視覺對(duì)混凝土振搗過程進(jìn)行智能識(shí)別，相比于人工主觀評(píng)估方式，提高了質(zhì)量保障率；（3）效率方面：振搗機(jī)器人系統(tǒng)同時(shí)采用3支振搗棒作業(yè)，作業(yè)效率更高，且長時(shí)間工作免受體力的約束，該優(yōu)勢(shì)在高寒高海拔環(huán)境下將更加明顯。

圖14 振搗機(jī)器人系統(tǒng)與人工振搗作業(yè)效果對(duì)比

4.3.2 機(jī)器視覺算法對(duì)比分析 對(duì)比淺層神經(jīng)網(wǎng)絡(luò)BPNN 和其他深層VggNet-16 及ResNet 網(wǎng)絡(luò)方法，不同方法建立的混凝土表面圖像識(shí)別模型性能如圖15 所示。相比與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)BPNN 模型，基于深度學(xué)習(xí)的網(wǎng)絡(luò)模型（VggNet 和ResNet）具有更優(yōu)越的性能。對(duì)比VggNet 和ResNet 模型分類性能，驗(yàn)證了不同網(wǎng)絡(luò)結(jié)構(gòu)對(duì)模型性能的影響。相比于原始的ResNet-50 模型，改進(jìn)ResNet-50 在Precision 和Recall 指標(biāo)上的分類平均值分別提升了2.83%和3.74%。此外，相比于文獻(xiàn)［28］所建立的混凝土表面圖像分類模型，改進(jìn)的ResNet-50 通過引入CBAM 以及全局平均池化層后，在Precision 和Recall 指標(biāo)上的分類平均值分別提升了0.29%和0.43%，這表明所引入的策略可行、有效。

圖15 不同圖像識(shí)別算法對(duì)比

進(jìn)一步討論模型分類準(zhǔn)確的原因，采用Grad-CAM［36］模塊對(duì)最后一個(gè)卷積輸出層（即圖7 中Conv5_x 的輸出層）的特征進(jìn)行可視化分析。每一類別選取3 張代表性圖像作為分析對(duì)象，模型識(shí)別圖像類別結(jié)果與真實(shí)標(biāo)簽一致，不同模型分類結(jié)果及特征可視化如圖16 所示。結(jié)果表明，圖16 中No.1—No.3 中模型更加關(guān)注圖像表面起伏較小的泛漿區(qū)域，這符合振搗合格的圖像特征；圖16 中No.4—No.6 中模型更加關(guān)注水泥漿液和骨料交錯(cuò)的區(qū)域，尤其是圖16 中No.4 和No.6，與振搗過程中骨料下沉的特征一致；圖16 中No.7—No.9 中模型更加關(guān)注圖像中有分界的區(qū)域，圖16 中No.7 和No.9 較為明顯，關(guān)注大骨料或者漿液少的區(qū)域。通過Grad-CAM 可視化分析，表明模型能夠有效提取輸入圖像的關(guān)鍵特征，一定程度上解釋了所提模型實(shí)現(xiàn)正確分類的內(nèi)在原因，驗(yàn)證了模型的可靠性。

圖16 測(cè)試集圖像分類及其特征可視化

5 結(jié)論

針對(duì)傳統(tǒng)人工振搗作業(yè)工作強(qiáng)度高、作業(yè)主觀性強(qiáng)，且現(xiàn)有振搗監(jiān)控方法忽略了反映振搗過程混凝土密實(shí)性的表面圖像分析等不足，研發(fā)了基于機(jī)器視覺的無人振搗機(jī)器人系統(tǒng)，并在施工現(xiàn)場進(jìn)行了驗(yàn)證，取得如下成果：

（1）研發(fā)了無人振搗機(jī)器人系統(tǒng)，該系統(tǒng)包括振搗機(jī)器人本體、云端監(jiān)控平臺(tái)以及通訊子系統(tǒng)，基于工業(yè)機(jī)器人、自動(dòng)化控制、機(jī)器視覺等技術(shù)實(shí)現(xiàn)了高拱壩倉面環(huán)境下無人振搗；

（2）提出了基于改進(jìn)ResNet 的混凝土表面圖像分類模型，模型的評(píng)估指標(biāo)Precision 和Recall 平均值分別為98.36%和98.33%，實(shí)現(xiàn)了混凝土表面圖像的智能識(shí)別，為自動(dòng)振搗提供操控依據(jù)；

（3）現(xiàn)場試驗(yàn)驗(yàn)證了振搗機(jī)器人系統(tǒng)在高拱壩倉面環(huán)境下作業(yè)的有效性和可靠性，實(shí)現(xiàn)了精準(zhǔn)化振搗參數(shù)的控制以及基于機(jī)器視覺的混凝土表面圖像識(shí)別，解決了人工經(jīng)驗(yàn)性評(píng)估振搗效果存在主觀性的不足，有效保障了振搗施工質(zhì)量。

本文研究成果為高拱壩實(shí)現(xiàn)無人化振搗施工提供了新的技術(shù)手段，推進(jìn)了水電工程建設(shè)中混凝土澆筑振搗作業(yè)向智能化發(fā)展，尤其是對(duì)未來高寒地區(qū)工程實(shí)現(xiàn)少人化或無人化建設(shè)具有顯著的工程意義；此外，可以推廣應(yīng)用于其它大體積混凝土施工過程，具有一定普適性。由于振搗機(jī)器人本身是一個(gè)復(fù)雜的非線性系統(tǒng)，未來需要進(jìn)一步在不確定性環(huán)境下實(shí)現(xiàn)智能化無人振搗施工。