基于人工智能技術的電力巡檢機器人自動化控制系統

張 健，柯春根，戎 瑜，代 飛

（國網安徽省電力有限公司馬鞍山供電公司，馬鞍山 243000）

電力巡檢機器人可以代替工作人員進行強度較高以及高位環境下的多數巡檢工作。通過視覺導航以及路徑規劃，能夠對變電站的電力設備及設備環境進行巡檢，以實現現場工作正常，作業環境更加安全的目的。目前電力巡檢機器人主要存在視覺識別精確度不高以及路徑運行控制穩定性較差等缺點。通過Elman 神經網絡，能夠對視覺誤差進行校正，以保證視覺誤差盡可能最小。同時，增量PID控制方式具備更高的動態性能，累計誤差較小，更適合電力巡檢機器人的運動控制。

1 系統整體控制方案

基于人工智能技術[1]的電力巡檢機器人自動化控制系統整體結構設計，如圖1 所示。

圖1 系統整體結構構建圖Fig.1 Overall system structure construction diagram

圖1 中，系統機器人的供電電源采用鋰離子電池。通過高清相機采集的圖像數據信息經通信模塊傳入中央控制模塊，結合Elman 神經網絡校正對應的視覺誤差[2]。視覺校正后的圖像信息與溫、濕度信息及其他現場信息等進行數據信號轉換，并進行PID控制，實現電力巡檢機器人的路徑行進控制。

2 校正視覺誤差

2.1 測量視覺誤差

設對于路標點j，高清相機在第n 幀圖像數據中觀測到該路標點位，運動過程中，在m 幀圖像數據中也觀測到該路標點位。機器人自身坐標系用b表示，世界坐標系用w 表示。那么其投影點數可以表示為

式中：在第n 幀圖像中，機器人自身坐標系用bn表示；機器人對應路標點位的坐標系位置用un表示；由機器人坐標系到世界坐標系變換過程中需要的平移量用表示；需要的旋轉量用表示。

由投影點數，計算關于視覺重投影的誤差函數，計算方式為

式中：qj表示第1 次觀測到路標點位j 對應的逆深度。

逆深度與路標點位的關系可以表示為

式中：觀測到該路標點位巡檢機器人對應的速度用vn表示；對應的姿態信息用pn表示。

由此可以推得要保證重投影的誤差最小，需要對逆深度、平移量以及旋轉量進行優化[3-5]。優化后得到的目標函數可以表示為

式中：實際輸出用yn表示；期望輸出用dn表示。

綜上，電力巡檢機器人測量視覺誤差的整體流程如圖2 所示。

圖2 視覺誤差測量流程Fig.2 Flow chart of visual error measurement

2.2 校正視覺誤差

設計結合Elman 神經網絡[6-7]校正視覺誤差，其具體流程如圖3 所示。

圖3 視覺誤差校正流程Fig.3 Visual error correction flow chart

圖3 中，誤差的平均百分比測量可以表示為

3 系統控制模塊

本文采用增量式PID 控制[8]的方式，下一時刻的PID 輸出量通過累加得到。

控制輸出可以表示為

式中：對于常數i，其對應的輸出用u（i）表示，第i 次與第i-1 次的輸入誤差分別表示為e（i）與e（i-1）。比例常數表示為kp，微分常數表示為kd，積分常數表示為ki。其中比例常數可以起到及時響應誤差調節的作用，微分常數可以起到調節度的規劃，提高動態調節效果的作用，積分常數可以起到系統在不同工作情況下都能保證穩定的作用。

電力巡檢機器人行進時，對應左側車輪的行進速度表示為vl′，右側車輪的行進速度表示為vr′，采集車輪轉速的周期用T 表示，左側車輪在周期T 內，輸出的脈沖信號表示為Nl，右側車輪在周期T 內，輸出的脈沖信號表示為Nr。當機器人按照直線路徑進行巡檢時，可以得到當前行進角度為0，那么左側車輪以及右側車輪對應的實際行進速度可以表示為vl與vr，左側車輪的行進速度可以表示為

式中：Δl（i）表示左側車輪在該段直線中行駛的距離。

右側車輪的行進速度可以表示為

式中：Δl（r）表示右側車輪在該段直線中行駛的距離。

依據求取的實際行進速度與給定的預期行進速度，可以得到相應的速度誤差。左右兩側車輪對應的速度誤差可以表示為

電力巡檢機器人可以在預定路徑行進的過程當中及時識別障礙，調整行進路徑，進行避障越障，保證路徑行進的靈活性。

4 實驗設計與分析

4.1 實驗設計

實驗用電力巡檢機器人通過相機采集的圖像分辨率統一采用的像素規格為256×256，同步輪設置1.2 cm 半徑，減速比設置為1∶5。通過Matlab 進行仿真計算。在結合Elman 神經網絡進行視覺誤差校正時，設置修剪系數的值為0.18，折扣因子的值為1.21，熵損失權重的值為0.02，樣本迭代數量的值設定為5，步長的值設定為0.002。神經網絡初始的學習率設定為0.02，丟棄率設定為0.5。視覺誤差校正的方式按照本文改進方法實現，訓練周期設定為100。其它實驗參數如表1 所示。

表1 實際實驗其他參數設計Tab.1 Design of other parameters in the actual experiment

針對電力巡檢機器人自動化控制系統的實驗測試，主要分為2 個方面，一是對其運動軌跡進行實驗測試；二是測試結合Elman 神經網絡進行視覺校正之后的檢測能力與避障能力。

4.2 機器人運動軌跡測試

機器人運動軌跡測試選擇實驗室作為巡檢環境的模擬，對機器人運行軌跡進行分析。其實際的運行軌跡如圖4 所示。

圖4 設定運行軌跡圖Fig.4 Set the track chart

圖4 中，三角點位為電力巡檢機器人設定軌跡行駛的起點，圓形點位為電力巡檢機器人設定軌跡行駛的終點。電力巡檢機器人完成巡檢之后，自動駛回起點位置，按照順時針方向進行軌跡行駛。電力巡檢機器人的實際運動軌跡如圖5 所示。

圖5 實際運行軌跡對比Fig.5 Comparison of actual running tracks

圖5 中，電力巡檢機器人的實際運行軌跡與設定運行軌跡基本吻合，可以看出文本設計的控制模塊效果較好，能夠保證電力巡檢機器人基本按照設定軌跡運行。其中在機器人需要較大彎度行駛或者停止啟動時，路徑偏離較大。這是由于機器人本身重量的慣性作用，以及在此類行駛狀態下，機器人需要進行速度變化，因此形成了相對較大的誤差。選擇機器人行駛路徑中的幾個特征點位進行對比，驗證機器人軌跡行駛的偏離程度。對比結果如表2所示。

表2 軌跡點位對比Tab.2 Comparison of trajectory points

表2 中，特征點位中最大偏離值在設定點位（34，48）處出現，該點位偏離值為0.06 m。整體點位偏離程度較小，平均偏離值控制在0～4 cm 的范圍之內。

4.3 避障能力檢測

避障能力檢測主要檢測電力巡檢機器人在行駛過程中，對目標障礙檢測的準確性以及規避的及時性。在設定實驗環境中，根據設定路徑設置不同障礙，共分為3 組，驗證其避障能力。實際巡檢機器人的行駛軌跡如圖6 所示。

圖6 機器人避障行駛軌跡Fig.6 Trajectory of robot obstacle avoidance

圖6 中，電力巡檢機器人能夠通過視覺誤差校正以及PID 控制進行準確的避障行駛。圖6（a）中，（20，48）點位處設置相鄰較近障礙物，且均距離設定行駛軌跡較近，可以看到電力巡檢機器人在繞過第1 個故障時，按照程序嘗試回到設定行駛軌跡，當檢測到第2 個故障點時，迅速調整行駛路線，繞過故障之后才回到預定軌跡。圖6（c）中，在該點位附近設置相似故障，但兩個故障點之間距離較大，因此電力巡檢機器人只繞過第1 故障之后便回到設定軌跡。這是由于本文自動控制系統中結合Elman神經網絡進行了視覺誤差校正，在進行障礙物識別時能夠更加精準及時，有助于機器人在行駛過程中進行更加精確的路徑選擇。

同時將本文改進系統與基于深度學習的控制系統以及雙模式匹配的控制系統進行對比，驗證改進系統的準確率。其結果如圖7 所示。

圖7 不同系統避障準確率對比Fig.7 Comparison of obstacle avoidance accuracy of different systems

圖7 中，雙模式匹配控制的方式最高準確率在70%左右，且存在一定波動幅度，精確率不高，也即機器人自動控制不夠精準。深度學習算法的控制方式避障精確度最高可以達到83%左右，但是波動幅度很大，且整體精確度不高。本文改進方式避障精確度平均在97%左右，其波動幅度較小。一方面是由于視覺誤差校正能夠更精確地檢測障礙物信息，另一方面是由于增量PID 控制能夠保證整體的運動控制更加平穩。

5 結語

設計的基于Elman 神經網絡的電力巡檢機器人自動化控制系統，通過視覺誤差校正以及增量PID控制，提高了巡檢機器人控制系統的動態性能以及穩定性。經過實驗驗證，在能夠穩定進行軌跡行駛的基礎上，電力巡檢機器人能夠在設定路徑進行避障行駛時，具有更加靈活和準確的避障能力，動態性能更高。同時與其他基于人工智能的控制系統相比，本文設計系統具有更高的避障準確率和更好的控制能力。