朱合橋

（國網(wǎng)寧夏電力有限公司中衛(wèi)供電公司，銀川 750000）

在過去數(shù)十年間，機(jī)器人技術(shù)發(fā)展迅速，作為最具代表性的工程技術(shù)之一，在21 世紀(jì)的發(fā)展顯得尤為重要，取得了多方面的成果。機(jī)器人技術(shù)涵蓋了多個學(xué)科領(lǐng)域內(nèi)容，在研究早期被廣泛應(yīng)用于工業(yè)生產(chǎn)，主要對生產(chǎn)作業(yè)進(jìn)行編程控制，在特定環(huán)境和職責(zé)內(nèi)完成指定性的任務(wù)，具有機(jī)械性和重復(fù)性以及危險(xiǎn)性等特點(diǎn)。此類具有重復(fù)和危險(xiǎn)的工作，也成為了自動化機(jī)器人發(fā)展的根本動力。隨著應(yīng)用領(lǐng)域不斷拓廣，在各種智能技術(shù)的開發(fā)過程中，更加智能化的高精準(zhǔn)巡檢機(jī)器人誕生。尤其在電力行業(yè)領(lǐng)域，智能機(jī)器人被認(rèn)為將會參與到未來電力的發(fā)展過程中，并扮演重要角色[1]。但在巡檢機(jī)器人應(yīng)用早期，由于應(yīng)用范圍比較單一，需要人工進(jìn)行遠(yuǎn)程控制，將其按照不同形態(tài)，分配到適宜的工作環(huán)境中，即空中線路巡檢和地面設(shè)備巡檢[2]。而地面移動巡檢機(jī)器人，可以是人為遙控的非智能移動機(jī)器人，也可是帶有環(huán)境感知能力的智能移動機(jī)器人，除了能夠以人工遙控的方式進(jìn)行數(shù)據(jù)傳遞，也能夠通過有線和無線信道，直接對機(jī)器人發(fā)出控制指令，使其在規(guī)范管理下完成指定動作。本論文以分析特征深度融合技術(shù)的優(yōu)勢為基礎(chǔ)，對機(jī)器人的巡檢障礙進(jìn)行檢測，設(shè)計(jì)各種距離下的檢測算法。

1 匹配變電站實(shí)時巡檢數(shù)據(jù)

對變電站巡檢機(jī)器人障礙進(jìn)行檢測，利用攝像機(jī)實(shí)時跟蹤巡檢機(jī)器人，對其巡檢數(shù)據(jù)進(jìn)行匹配，并且將成像過程匯聚在坐標(biāo)系中。

成像過程存在4 個坐標(biāo)系，本文以圖像坐標(biāo)系和像素坐標(biāo)系為例，關(guān)系見圖1[3]。

圖1 圖像坐標(biāo)與像素坐標(biāo)關(guān)系Fig.1 Relationship between image coordinates and pixel coordinates

將圖像的左上角q0作為像素坐標(biāo)系原點(diǎn)，該點(diǎn)在圖像中的列數(shù)和行數(shù)分別為w 和e，圖像坐標(biāo)系原點(diǎn)q1處于平面中心。

引入雙目深度估計(jì)的基本思路，匹配圖像中所有的像素點(diǎn)，從而生成變電站的巡檢策略，x 軸與w軸平行，y 軸與e 軸平行，兩組坐標(biāo)系之間的關(guān)系可表示為

式中：（w0，e0）為像素點(diǎn)坐標(biāo)；rx，ry為單位像素在橫軸、縱軸的物理尺寸。

匹配巡檢圖像的列數(shù)和行數(shù)關(guān)系，表示如下[4]：

將其進(jìn)行逆轉(zhuǎn)，關(guān)系表示為

式（2）為齊次矩陣，式（3）為逆轉(zhuǎn)矩陣，在像素點(diǎn)匹配過程中，對是否存在障礙物進(jìn)行檢測，獲取圖像中包含的信息量。

2 劃分巡檢機(jī)器人障礙特征

通過巡檢機(jī)器人獲取的數(shù)據(jù)信息，以支持向量機(jī)進(jìn)行數(shù)據(jù)監(jiān)督，在數(shù)據(jù)子集的訓(xùn)練過程中，定義巡檢圖像的最大處理邊緣，以此劃分巡檢機(jī)器人的障礙特征。

假定實(shí)時訓(xùn)練數(shù)據(jù)只含有兩類樣本，按照正號和負(fù)號表示類別，分別存在超平面的兩側(cè)。設(shè)置分類器的決策邊緣表達(dá)式為

式中：p 為分類器邊緣軸線；u 和i 分別為決策邊緣參數(shù)[5]。

對不同類型的巡檢數(shù)據(jù)進(jìn)行標(biāo)記，按照二分類方式設(shè)置，表達(dá)式如下：

將圖像所在區(qū)域進(jìn)行平面分界，距離平面最近的兩個點(diǎn)分別為p1和p2，則：

還可以表示為

式中：s 為兩點(diǎn)間的向量在法向量上的長度值。

按照邊緣求解算法，對最大邊緣面進(jìn)行計(jì)算，即：

當(dāng)向量長度s 的取值越大，對特征的描述就越清晰。采用拉格朗日求解兩組參數(shù)u 和i，如下：

式中：L（u，i，λ）為拉格朗日求解函數(shù)，函數(shù)帶入值為λ，以L（u，i，λ）對u 和i 導(dǎo)數(shù)求解，將等式0 一并代入，表示為

式中：當(dāng)λ 取值為0，而λ0不等于0 時，此時對應(yīng)的p0為選定的最大邊界尺度。通過求解結(jié)果進(jìn)行特征融合，構(gòu)建變電站巡檢機(jī)器人檢測模型，自動完成障礙檢測。

3 特征深度融合構(gòu)建檢測模型

巡檢數(shù)據(jù)中無法完全還原現(xiàn)場狀況，采集到的特征信息會丟失一些特定語義，從而影響到障礙的識別精度。利用特征深度融合的技術(shù)理論，構(gòu)建巡檢機(jī)器人障礙檢測模型，對障礙目標(biāo)進(jìn)行定位。

分別從特征精準(zhǔn)度和敏感度以及特異性和準(zhǔn)確性為標(biāo)準(zhǔn)，在各類檢測指標(biāo)選擇中，建立多層障礙檢測模型。以ACC 分類指標(biāo)為基礎(chǔ)，對劃分后的樣本數(shù)據(jù)進(jìn)行分類，以此計(jì)算障礙特征的正確分類概率，如下：

式中：GH 為統(tǒng)計(jì)出的正確障礙特征樣本數(shù)，該值越大越好；GJ 為非障礙特征的樣本數(shù)據(jù)，該值越大越好；KH 為錯誤分類的障礙特征樣本，其值越小越好；KJ 為誤認(rèn)的正常數(shù)據(jù)樣本，該值越小越好。

正確劃分的特征總數(shù)為GH+GJ；采集到的所有特征總數(shù)為GH+KH+GJ+KJ[6]。計(jì)算所有識別后的樣本數(shù)據(jù)ACC 精準(zhǔn)均值，以及AUG 均值，則有：

式中：Nclassifier為檢測模型的特征分類個數(shù)；CACC為其識別精準(zhǔn)均值；CAUG為AUG 均值。

構(gòu)建巡檢障礙特征模型后，對特征指數(shù)或組合數(shù)量進(jìn)行計(jì)算，即存在關(guān)系為

式中：CNACC和CNAUG分別為巡檢障礙的特征ACC精準(zhǔn)均值和AUG 均值；Nfeature為巡檢數(shù)據(jù)中的障礙特征指數(shù)或者組合數(shù)量[7]。

在檢測模型中的特征敏感度和特異性，可以按照統(tǒng)計(jì)的樣本數(shù)據(jù)進(jìn)行獲取，如下：

式中：SEN 為巡檢障礙特征的敏感度；SPE 為特異性。對融合后的巡檢數(shù)據(jù)進(jìn)行篩選，定義出具有代表性的障礙目標(biāo)。

4 計(jì)算目標(biāo)中心自動檢測障礙

在變電站巡檢機(jī)器人障礙檢測中，直接以激光雷達(dá)方式對障礙持續(xù)掃描，在掃描區(qū)域?qū)φ系K目標(biāo)進(jìn)行處理，聚類計(jì)算出目標(biāo)中心[8]。

將障礙目標(biāo)中心表示為（nzk，mzk），其中z 為變化幀數(shù)，k 為目標(biāo)區(qū)域，利用卡爾曼濾波對當(dāng)下幀數(shù)的目標(biāo)坐標(biāo)進(jìn)行處理。設(shè)置障礙坐標(biāo)表示為（nk，mk），推導(dǎo)公式為[9]

式中：Δz 為2 組相鄰特征幀數(shù)的掃描時間；Bd-1為巡檢機(jī)器人產(chǎn)生的噪聲向量；Pd為噪聲向量[10]。

以目標(biāo)的狀態(tài)向量Vi=（ni，mi）z為前提，設(shè)置向量n= [Vd，Vd-1]z，將式（15）帶入，結(jié)果為[11-12]

式中：F 為巡檢策略矩陣；R 為觀測矩陣，表示如下：

設(shè)置協(xié)方差矩陣為Ed，濾波增益為kk，分別建立預(yù)測方程和增益方程，如下[13-14]：

5 實(shí)驗(yàn)測試分析

通過特征深度融合的技術(shù)優(yōu)勢，完成對變電站巡檢機(jī)器人障礙的檢測算法設(shè)計(jì)，為驗(yàn)證新算法的應(yīng)用效果，采用對比測試的方式進(jìn)行論證。分別采用卷積算法和語義分割算法作為對照，比較不同算法的障礙檢測效果。

5.1 劃定檢測范圍

以ATRVI 型巡檢機(jī)器人為測試對象，其具有四輪驅(qū)動原地轉(zhuǎn)彎的功能，在內(nèi)部按照有位置傳感器和激光探測雷達(dá)，掃描角度最大為180°，角分辨率最大為0.6°，掃描周期設(shè)置為25 ms。

實(shí)驗(yàn)選擇在變電站內(nèi)的狹窄空間進(jìn)行，房間尺寸為8.4 m×9.2 m，該空間內(nèi)存在多個監(jiān)測機(jī)器，且在中間位置放置了對稱的計(jì)算機(jī)設(shè)備，將控制站劃分成2 個對半空間。設(shè)置巡檢機(jī)器人的檢測路徑，隨機(jī)安置8 個障礙點(diǎn)，具體情況見圖2。

圖2 測試環(huán)境Fig.2 Test environment

如圖2 所示，Q 為機(jī)器人的初始放置位置，Q 點(diǎn)到W 點(diǎn)的連線為機(jī)器人的運(yùn)動軌跡，其中標(biāo)記的障礙點(diǎn)分別用A1～A8記錄。測試內(nèi)容包括：

（1）障礙點(diǎn)數(shù)量：對3 組算法檢測的障礙點(diǎn)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，比較不同算法的障礙點(diǎn)檢測數(shù)量是否能夠滿足機(jī)器人設(shè)定路徑的行駛軌跡。

（2）障礙點(diǎn)位置：將檢測完成的障礙點(diǎn)對應(yīng)空間位置，計(jì)算不同算法的檢測誤差。

根據(jù)設(shè)定的2 組測試內(nèi)容，將其導(dǎo)入至MATLAB測試平臺，應(yīng)用3 種檢測算法在機(jī)器人主控系統(tǒng)內(nèi)，驗(yàn)證不同算法對障礙檢測的效果。

5.2 對比障礙點(diǎn)檢測數(shù)量

障礙點(diǎn)在測試平臺后，以位置坐標(biāo)形式展現(xiàn)，具體情況見表1。

表1 各點(diǎn)位置坐標(biāo)（x，y）Tab.1 Position coordinates of each point（x，y）

按照表1 中的位置坐標(biāo)，對照不同算法檢測結(jié)果，如圖3 所示。

圖3 障礙點(diǎn)檢測對比結(jié)果Fig.3 Comparison results of obstacle detection

如圖3 所示，在2 組傳統(tǒng)算法應(yīng)用下，存在障礙點(diǎn)缺失情況，無法完成全部障礙點(diǎn)的檢測，會影響巡檢機(jī)器人的運(yùn)行。而本文方法能夠檢測出全部的障礙點(diǎn)，效果更加明顯。

5.3 分析障礙點(diǎn)匹配程度

為進(jìn)一步驗(yàn)證3 組算法的準(zhǔn)確性，對上述的檢測結(jié)果進(jìn)行誤差統(tǒng)計(jì)，缺失點(diǎn)無法計(jì)入統(tǒng)計(jì)，圖4為統(tǒng)計(jì)結(jié)果。

圖4 誤差對比結(jié)果Fig.4 Error comparison results

如圖4 所示，在本文算法應(yīng)用下，橫縱軸位置誤差在1 mm 左右，傳統(tǒng)算法檢測出的障礙點(diǎn)中，位置誤差超過了10 mm，說明本文方法有效。

6 結(jié)語

變電站巡檢機(jī)器人在工作過程中，需要對障礙點(diǎn)進(jìn)行有效檢測，多特征深度融合技術(shù)可以從多個角度對障礙物圖像進(jìn)行識別。本文根據(jù)該技術(shù)設(shè)計(jì)了一種新的障礙檢測算法，并且在與多種算法的對比下，驗(yàn)證了新算法的應(yīng)用優(yōu)勢。但障礙檢測是一個覆蓋面較廣的范圍，此次研究仍存在不足之處，如沒有對檢測過程中的噪聲情況和光照情況進(jìn)行分析，需要在后續(xù)研究中逐一解決。