關鍵詞：變電站；巡檢機器人；軌跡糾偏

中圖分類號：TP242.6；TM63 文獻標識碼：A

0 引言

作為電力系統(tǒng)中的關鍵節(jié)點，變電站承擔電能轉換和分配的重要任務。因此，保證變電站設備的穩(wěn)定運行是確保整個電力系統(tǒng)效率和安全的基礎。近年來，機器人技術在變電站的應用逐漸增多，特別是在設備巡檢方面。使用機器人進行巡檢可以有效減少人工作業(yè)中的安全風險和勞動強度，提高巡檢工作的自動化和智能化水平。然而，由于變電站內(nèi)部環(huán)境復雜，存在大量電磁干擾、設備布局狹窄等情況，因此對巡檢機器人的軌跡控制系統(tǒng)提出了更高的要求[1-2]。

在變電站的實際巡檢過程中，軌跡偏移是一個常見且棘手的問題。機器人因為定位系統(tǒng)的誤差、地面條件的不均勻或周圍設備的電磁干擾而偏離預設軌跡。這種偏移不僅影響巡檢質量、降低設備故障的早期發(fā)現(xiàn)概率，還可能引起機器人的碰撞事故，造成設備損壞和巡檢任務的失敗[3]。因此，開發(fā)一種精確的軌跡糾偏控制算法，以確保機器人能夠在復雜環(huán)境中準確、穩(wěn)定地執(zhí)行巡檢任務，是目前急需解決的技術難題。本文旨在研究和開發(fā)一套高效的軌跡糾偏控制算法，以提高變電站巡檢機器人的軌跡準確性和可靠性。

1 相關技術

1.1 機器視覺導航技術

機器視覺導航技術是一門集成計算機視覺、機器學習、信號處理及機器人學的復合學科技術，旨在使機器人或自動化系統(tǒng)通過分析視覺數(shù)據(jù)來理解其所處環(huán)境，并且實現(xiàn)定位、導航與避障等功能。此技術的核心組成包括圖像采集設備和高級處理算法，涉及圖像去噪與對比度增強、特征提取、場景識別、深度估計和對象識別等關鍵步驟[4]。這些步驟的目的是提取圖像中的有用特征，并保持其對視角、光照變化的不變性。在處理完視覺信息后，系統(tǒng)使用同步定位與地圖構建（simultaneouslocalization and mapping，SLAM）技術來估計機器人的位置并構建環(huán)境地圖，同時執(zhí)行路徑規(guī)劃，即規(guī)劃一條從起點到終點的最優(yōu)或可行路徑[5]。盡管這項技術已廣泛應用于工業(yè)自動化、無人駕駛汽車及無人機導航等領域，其在變電站巡檢的實際應用中仍面臨多種挑戰(zhàn)，包括復雜多變的環(huán)境條件、算法實時處理效率較低等。

1.2 SLAM技術

SLAM 技術是一種允許機器人在未知環(huán)境中同時進行自我定位和環(huán)境地圖構建的關鍵技術，是機器人導航和自主移動領域的一個重要研究方向。SLAM 技術通過集成來自機器人的各種傳感器數(shù)據(jù)，特別是視覺傳感器和慣性測量單元，解決定位和地圖構建相互依賴的問題。在SLAM 過程中，機器人首先初始化其位置，并對環(huán)境進行粗略估計。其次，隨著機器人的移動，它會持續(xù)地收集周圍環(huán)境中的傳感器數(shù)據(jù)，通過特征提取和數(shù)據(jù)關聯(lián)技術識別環(huán)境中的特征點或地標，然后使用這些特征來更新其在環(huán)境中的位置以及對環(huán)境地圖的估計。SLAM 的核心算法通常包括粒子濾波、擴展卡爾曼濾波和圖優(yōu)化等方法，這些方法可以有效地處理傳感器噪聲和數(shù)據(jù)關聯(lián)中的不確定性。SLAM 技術不僅對于提高機器人在復雜環(huán)境中的導航能力至關重要，而且對于增強機器人執(zhí)行復雜任務時的自主性和效率也具有顯著影響。

2 基于機器視覺導航的循線方法研究

本文提出一種基于機器視覺導航的循線方法，機器視覺導航流程如圖1 所示。首先，使用攝像機進行數(shù)據(jù)采集，采集過程中會判斷攝像機是否對焦，若沒有對焦，則需要調(diào)整焦距。其次，將采集的圖像進行數(shù)據(jù)預處理，對圖像進行引導軌線邊緣檢測和引導軌線中心線擬合；引導軌跡識別是識別并確定機器人的導航路徑，引導軌跡中心線跟蹤則負責確保機器人沿預定路徑準確移動。最后，判斷圖像是否偏離中心線，若偏離中心線，則需要調(diào)整機器人左、右輪的速度差來糾正路徑偏差。

2.1 引導軌線的數(shù)字圖像預處理

RGB模型基于三原色光的疊加原理，即紅（red）、綠（green）和藍（blue）。由于RGB 模型能直接匹配顯示硬件的工作方式，因此在電腦顯示和數(shù)字成像設備中廣泛使用。在RGB 模型中，可以通過改變3 種顏色分量的強度，形成數(shù)以百萬計的顏色變化。本文所獲取的圖像同樣是RGB 圖像。

在獲取RGB 圖像后，首先對圖像進行灰度化處理?；叶然菍⒉噬珗D像轉換為灰度圖像的過程，其目的是簡化后續(xù)處理步驟?；叶戎?G 可通過加權平均法計算得出，計算公式：

G =0.299R+0.587G+0.114B。 （ 1）

式中，R、G、B 分別為紅、綠、藍通道的強度。

本文以灰度閾值為標準進行二值化處理，通過二值化處理，可以有效地將引導軌線區(qū)域與其他地面部分進行區(qū)分，以便機器人的導航。

2.2 機器人視野中心線提取

在變電站巡檢機器人的軌跡糾偏中，道路的岔口是關鍵節(jié)點，其中直道轉為彎道的設計對于確保機器人正確導航至關重要。針對這一應用場景，需要對引導軌線進行精確建模。機器人視野中心線提取步驟如下。

步驟1：利用Canny 邊緣檢測算法識別和提取圖像中的軌線邊緣。先使用高斯濾波器對圖像進行平滑處理，減少圖像中的噪聲，再使用Sobel 算子方法計算圖像每個點處的邊緣強度和方向。

步驟2：根據(jù)邊緣強度和方向確定引導軌線左、右邊界點，計算邊界中心點構成中心點線的離散點。

步驟3：對于直線部分，使用線性回歸擬合；對于彎道部分，使用多項式回歸擬合技術。將擬合的軌跡繪制在原始圖像上，檢查擬合軌跡是否符合實際軌線。

2.3 機器人軌跡偏差計算

利用全球定位系統(tǒng)（global positioning system，GPS）、慣性測量單元（inertial measurement unit，IMU） 和輪式編碼器等多種傳感器集成系統(tǒng)來獲取機器人的實時位置和姿態(tài)數(shù)據(jù)。數(shù)據(jù)融合通常采用卡爾曼濾波器或粒子濾波器來提高位置估計的準確性。計算機器人當前位置到虛擬定標線的最短歐氏距離（橫向偏差d）和沿軌跡的前進偏差（縱向偏差d），橫向偏差d計算公式：

最后，基于檢測到的偏差，通過設計和實施反饋控制算法來糾正偏差，使機器人回到預定軌跡。采用比例積分微分（proportional integral derivative，PID）控制器，根據(jù)橫向偏差調(diào)整機器人的轉向角度，計算公式：

3 實驗結果與分析

本文使用基于虛擬定標線的PID 控制方法對機器人的軌跡偏差進行了仿真和實際應用測試，以評估控制策略的有效性。仿真結果對比如圖2 所示，通過對比仿真曲線與實際曲線，可以深入分析PID控制器在實際應用中的表現(xiàn)和調(diào)整需求。在仿真環(huán)境中，機器人具有較高的軌跡跟蹤精度，仿真曲線與虛擬定標線幾乎重合。這表明理想環(huán)境下的PID參數(shù)配置可以有效控制機器人行為。然而，在實際應用測試中，雖然機器人的軌跡大體遵循了預定路徑，但與仿真曲線相比，實際曲線顯示出輕微的偏差和波動。這種差異主要歸因于實際環(huán)境中的不可預見因素，如地面不平、機器人系統(tǒng)的內(nèi)部摩擦力和傳感器誤差等。因此，對PID 參數(shù)的實時調(diào)整和優(yōu)化將是未來工作的重點，以確保機器人在多變環(huán)境中的穩(wěn)定運行和高精度軌跡跟蹤。

4 結論

在變電站環(huán)境中，保證巡檢機器人的精確軌跡對提高巡檢效率和安全性至關重要。本文提出了一種基于虛擬定標線的軌跡糾偏控制算法，旨在優(yōu)化機器人的導航精度。首先，將攝像機拍攝的圖像進行灰度化等預處理；其次，提取視野中心線；最后，計算軌跡偏差。實驗結果表明，該算法能顯著改善機器人在復雜變電站環(huán)境中的軌跡跟蹤性能，尤其是在處理環(huán)境干擾和機械誤差方面表現(xiàn)出色。未來將進一步探索算法的自適應調(diào)整機制，以應對更多變的環(huán)境因素，同時考慮集成更先進的感知技術，如深度學習技術，以增強系統(tǒng)的整體穩(wěn)定性和可靠性。