基于ROS的移動機器人在變電站的應用研究

曾維陽

(國網福建南平市建陽區供電有限公司,福建 南平 354200)

0 引言

變電站是連接各個城市高壓輸配電網的中心節點,變電站運行設備巡檢能有效預防電網事故的發生[1-2]。傳統的變電站運行設備巡檢需要變電運維人員人工巡檢,通過人工發現設備異常情況,并判斷運行中的設備是否出現故障。但在變電站的巡檢過程中,存在人工無法準確觀察高空電力設備詳細情況的問題,而使用移動機器人能有效解決該問題[3]。同時,使用移動機器人巡檢還能減少變電運維人員的工作負擔,具有廣闊的應用前景。

但是,移動機器人各模塊的通信配置,過程過于冗雜,而使用機器人操作系統(ROS)能有效解決移動機器人各模塊之間的通信問題。同時,在ROS中集成眾多功能包,能提高代碼復用率與規范性。

1 三維信息獲取

在變電站中,移動機器人要進行移動,往往需要采集變電站三維環境信息,并建立三維變電站環境模型,從而完成避障及目標識別。常見的三維信息獲取方法有雙目相機拍照耦合、單目相機運動拍照耦合、RGBD攝像頭通過紅外光反射。在變電站中,常使用RGBD攝像頭提取三維信息,與其他視覺相比,RGBD攝像頭能直接獲取三維點云信息,不需要復雜的數據處理,具有直觀性、簡易性?；赗OS的移動機器人可以采用ORK功能包與linemod算法及其改進算法相結合或通過對PCL(Point Cloud Library)點云庫數據處理的方法識別目標。

1.1 三維數據獲取

攝像頭(以Kinect為例)采用光編碼(Light Coding)技術獲取三維數據,獲取場景的三維信息以640×480像素分辨率、每秒30幀成像。獲取三維信息在ROS中的Rviz可視化工具內成像如圖1所示。

(a)墻體部分輪廓三維數據 (b)窗戶整體特征三維數據

1.2 點云庫數據處理

點云庫數據處理是指基于ROS的移動機器人在機器人操作系統上的PCL點云庫建立一個常見物體模型數據庫,采用一種基于顏色和法線的分割方法對Kinect點云圖像進行分割,并通過點云提取、點云分割、濾波、特征描述等處理后,實現對物體的實時識別與定位。

使用PCL點云庫進行三維點云數據處理前,首先要將目標物點云數據提取到點云庫中,并進行預處理和三維重建,獲得三維點云圖,以方便后期的數據處理。在獲取點云數據并預處理之后,點云數據將存在于點云庫中,之后需要進一步處理。

1.3 LineMod算法及其改進算法

LineMod算法由Hinterstoisser等[4-6]提出,通過使用Opencv+LineMod算法,將獲取的三維視覺信息與模型庫中的模型進行匹配,從而識別目標。該算法可以解決復雜背景下3D物體的實時檢測與定位,可以應對無紋理的情況,且不需要冗長的訓練時間。Patch-LineMod算法則是針對LineMod算法不能解決的多目標重疊物體復雜場景下的識別問題進行了改進,使LineMod算法能實現多目標重疊物體在復雜場景下的識別。CT-LineMod算法由Zhang等[7]提出,針對Patch-LineMod算法識別機制不夠合理,特征分類形成模板的過程依據不夠充分的問題,進行進一步改進,這在一定程度上解決了復雜場景重疊物體的識別問題,并提升了識別率和準確度。

測試評估LineMod、Patch-LineMod、CT-LineMod算法在3種場景下的召回率,結果如圖2所示。LineMod對咖啡杯的召回率為5%,Patch-LineMod對咖啡杯的召回率為41%,CT-LineMod對咖啡杯的召回率為44%;LineMod對果汁盒的召回率為25%,Patch-LineMod對果汁盒的召回率為44%,CT-LineMod對果汁盒的召回率為46%;LineMod對咖啡杯和果汁盒混合的召回率為1%,Patch-LineMod對咖啡杯和果汁盒混合的召回率為37%,CT-LineMod對咖啡杯和果汁盒混合的召回率為38%;LineMod的平均召回率為11%,Patch-LineMod的平均召回率為41%,CT-LineMod的平均召回率為43%。

圖2 比較結果

2 機械臂抓取控制

在變電站中,安全工具的分揀與倒閘操作可以通過控制機械臂來實現[8],而三維視覺移動機器人可以使用ROS進行機械臂控制,無需再采購機械臂配套的控制系統,可采用通用的機械臂功能包完成對機械臂的控制,降低了采購和更換機械臂的費用,在成本方面具有優勢?；赗OS的三維視覺移動機器人機械臂抓取控制常使用ROS中的MoveIt!功能包,將SolidWorks三維視覺移動機器人模型轉換成URDF文件格式導入MoveIt!功能包中,并通過MoveIt!功能包生成各種配置文件,實現物品抓取、運動規劃,解決物品碰撞規避問題。MoveIt!功能包結構框架如圖3所示,機械臂通過MoveIt!功能包在Rviz中進行機械臂路徑規劃并抓取盒子中目標的規劃如圖4所示,在Gazebo中進行真實仿真模擬如圖5所示。目前,使用ROS中的MoveIt!包的機器人有65種,MoveIt!功能包也能獨立作為一個軟件使用。

圖3 MoveIt!功能包結構框架

圖4 MoveIt!功能包在Rviz中進行機械臂路徑規劃

圖5 MoveIt!功能包在Gazebo中進行真實仿真模擬

3 智能運動底盤運動控制

在進行電力設備巡視時,當前的移動機器人無法同時進行移動與檢查電力設備運行情況,而基于ROS的三維視覺移動機器人可通過路徑規劃與SLAM(simultaneous localization and mapping)同時進行移動并檢查電力設備運行情況,節約電力設備巡視時間?；赗OS的三維視覺移動機器人智能運動底盤控制常使用Move_base功能包與Navigation導航功能包進行智能運動底盤的路徑規劃,同時使用Gmapping、ACML、Hector、Cartographer等算法包進行SLAM即時定位與地圖構建,從而獲取周圍環境信息,完成三維視覺移動機器人底盤運動控制。通過路徑規劃、導航相關功能包在Rviz中進行智能運動底盤運動控制仿真實驗,如圖6所示。

圖6 智能運動底盤運動控制仿真實驗圖

3.1 路徑規劃

基于ROS的三維視覺移動機器人智能運動底盤控制常使用Move_base功能包、Navigation導航功能包進行智能運動底盤的路徑規劃,Move_base功能包架構如圖7所示。

圖7 Move_base功能包架構

3.2 即時定位與地圖構建

基于ROS的三維視覺移動機器人智能運動底盤控制常通過使用Gmapping、Rgbdslam、ORB_SLAM、Hector-slam、Cartographer等算法包進行SLAM即時定位與地圖構建,獲取周圍環境信息進行移動與避障。運用Gmapping算法包在Rviz中進行SLAM建圖如圖8所示。

各算法包的優勢與局限性如表1所示[9-10]。

圖8 運用Gmapping算法包進行SLAM建圖

表1 SLAM算法比較表

4 多臺三維視覺的移動機器人控制

在變電站中,由于電網可靠性下降及電網風險預警等原因,需要對不同的設備進行特殊巡視,但當前的移動機器人無法很好地與其他型號的移動機器人保持足夠的安全距離,往往需要等待之前的移動機器人完成巡視任務后再進行特殊巡視。而ROS機器人操作系統提供了通用的通信系統,可以在變電站中使不同型號的移動機器人并保持足夠的安全距離,在避免事故發生的同時,提高了巡檢的工作效率。以多臺三維視覺的移動機器人協同工作為例,多臺無人機系統在Gazebo中起飛如圖9所示,多臺機器人在Rviz中進行導航與編隊如圖10所示。

圖9 多臺無人機系統在Gazebo中起飛

圖10 多臺機器人在Rviz進行導航與編隊

5 存在的挑戰

基于ROS的三維視覺移動機器人研究領域的快速發展,為三維視覺機器人在變電站應用時的識別與抓取控制提供了高效的解決方案,實現了機器人系統化控制,但在變電站實際應用過程中存在一些挑戰。一是ROS的系統內置功能包雖然強大,但是在實際開發中開發者往往只使用部分功能包。因此,會造成系統過于龐大、冗余;二是ROS中依賴關系復雜,基于ROS的三維視覺移動機器人內置功能包往往因為缺少某個所依賴的第三方庫或功能包就無法運行;三是ROS的實時性差,發布指令后,需要延遲一段時間三維視覺移動機器人才開始執行任務。

6 對策建議

針對目前基于ROS的三維視覺移動機器人在變電站中應用的研究過程中存在的挑戰,提出以下對策建議。一是裁剪冗余的功能包,開發專用的系統;二是進一步合并功能包和庫函數,減少所需依賴;三是采用DDS或其他技術手段改善ROS的實時性問題。

RGBD攝像頭與激光雷達的配合運用,在未來三維視覺移動機器人的發展中的重要作用日益體現,基于ROS的移動機器人具有其他移動機器人識別物體所不具有的簡易性、直觀性,將在能源電力領域發揮重要作用。