一种输电线路自学习机器人抓线运动规划方法

1.本发明涉及输电线路机器人领域，尤其涉及一种输电线路自学习机器人抓线运动规划方法。


背景技术：

2.电网是具有战略意义的国家重要基础设施。高压输电导线及杆塔附件长期暴露在野外，在机械载荷、电气闪络、材料老化和自然灾害等因素综合作用下，极易遭受损坏。特别是冬季多发的冰雪灾害，常导致杆塔变形、折断、甚至倾覆，从而造成整个电网结构性的破坏。因此，对输电线路实施安全巡检和线路除冰，尽可能将事故隐患消除在萌芽状态，是电网安全运行的重要保障手段。采用机器人进行输电线巡检和除冰具有功耗小、成本低、效率高、人员无伤亡、无需停电和转移负载等优点，能很好满足电网巡检和除冰的需求。然而，研制可进行线路除冰及巡检的输电线路机器人涉及机械、电子、自动化等多个学科，且其运行环境非常恶劣，因此技术实现难度大。目前国内外仅有少数几家科研机构研发出具有巡线功能的机器人样机，距离实用化还有较大差距。
3.输电线路机器人无论是除冰还是巡线用途，自主跨越输电线上的各种障碍物(如防震锤、绝缘子、悬垂线夹等)都是系统正常工作的关键。虽然除冰机器人的机构设计不同，越障规划方式也可能不同，但越障时都需经历越障手臂脱线、跨越障碍物、抓线的过程。机器人在输电线路上进行除冰作业时面临各种复杂因素影响，抓线控制的难度很大，具体分析如下：
4.①
由于模型误差、机械结构间隙、加工误差、覆冰厚度难以确定，机械振动以及自身姿态调整时重心的偏移产生的摆动等复杂情况，机器人按照既定动作规划控制容易出现偏差、抓线不成功。
②
输电线路覆冰后，导线形成非圆截面，在风力作用下容易发生驰振。这种自激振动是低频、大幅度的，振动频率一般为0.1-3hz，振幅约为输电导线直径的5-300倍。机器人工作在这样非静态的输电线路上，加大了抓线控制的难度。
③
机器人作业时输电线形状一般为在悬挂点处的导线倾角最大的“悬链线”，当线路通过山区等高差较大区域时悬垂角可达20o-25o，并且“悬链线”角度随机器人的运动而实时变化，造成输电线形状的不确定性。
④
机器人本身是一个多刚体动力学系统，而高压输电线路是大垂度柔索结构，具有柔性大且结构阻尼小的特点。一方面输电线路自身在风载等环境激励作用下产生的多种形式振动会传递到机器人本体。另一方面机器人在实现越障和变向运动过程中，姿态调整可引起重心不稳定并通过夹紧臂传给输电线一个反作用力。这样，机器人与作业环境便构成了一个较强耦合的系统，大大增加了控制难度。
5.目前，输电线路机器人越障控制方法主要包括以下几种：
①
遥操作控制方法，其局限是通信受距离、地形等因素限制，不能实现自主越障。
②
基于机器视觉的方法，其主要问题是对图像质量要求高，对环境光照变化敏感，图像分析算法复杂导致实时性难以满足实际控制要求。
③
借助非接触传感器的方法，其问题是利用局部信息，可靠性容易受到外界环境的干扰，可能会产生伪真信息，且缺乏直观性。可见，现有的控制方法存在难以保证控制
精度、无法保证实时性、环境适应性差等问题。因此，自主越障中的抓线控制是目前输电线路机器人技术研究的难点之一，也是限制其发展和应用的重要因素。


技术实现要素：

6.针对上述问题，本发明提供了一种输电线路自学习机器人抓线运动规划方法。
7.为解决上述技术问题，本发明所采用的技术方案是：该方法包括以下步骤：
8.对机器人运动学建模，实现除冰机器人空间运动轨迹的精确控制，完成预定的作业任务；
9.基于多传感器信息融合的障碍物探测与辅助控制，以准确地探测和识别障碍，实施自主越障；
10.基于自学习的自主抓线控制，以实现无需人工协助、脱线后可自主抓线的越障控制；
11.融合极限学习机的自学习算法，以实现极快的速度提供良好的泛化性能。
12.优选的，所述对机器人运动学建模具体为：
13.根据不同类型的输电线路机器人的结构参数建立相应的运动学方程。
14.优选的，所述基于多传感器信息融合的障碍物探测与辅助控制具体为：
15.利用多种检测传感器数据的冗余性和互补性，借助多传感器融合处理技术消除单一传感器的局限性和环境的随机干扰，提取完整可靠的障碍物信息，提供距离相对误差信息。
16.优选的，所述基于自学习的自主抓线控制具体为：
17.基于自学习的实时在线机器人自主抓线控制方法，即能从环境状态到动作映射的无监督学习；
18.通过试错的方法寻找最优行为策略，从而使系统行为能够适应环境变化。
19.优选的，所述基于自学习的实时在线机器人自主抓线控制方法以对自主抓线自学习算法设计、基于离线学习的模型收敛加速、连续状态空间泛化、参数选择和评价函数优化进行研究。
20.优选的，所述融合极限学习机的自学习算法具体为：
21.将极限学习机引入自学习，利用其简单的结构、快速的学习速度以及良好的泛化能力来逼近状态-动作对值函数(q函数)。
22.优选的，所述运动学建模的模型采用二阶非线性微分方程进行描述，具体包括：
[0023][0024]
其中，θ＝[θ1,θ2]
t
是关节转动角度，θ1是关节1的转动角度，θ2是关节2的转动角度，是肘关节的转动角度，如下公式所示，θ，分别定义关节转角，关节角速度和关节角加速度，τr＝[τ1,τ2]
t
是控制输入扭矩，τ1是关节1的控制输入扭矩，τ2是关节2的控制输入扭矩，mr和hr表示惯性矩阵(2
×
2)和科里奥利离心力矢量可以被表示为：
[0025]
[0026][0027]
其中，z1，z2，z3表示结构参数，可以通过物理参数表示为，
[0028][0029]
l1为第一个杆的长度，l2为第二个杆的长度，l
g1
为第一个关节到第一个杆质心的距离，l
g2
为第二个关节到第二个杆质心的距离，m1为第一个杆的质量，m2为第二个杆的质量，i1为第一个杆的瞬时惯性，i2为第二个杆的瞬时惯性。
[0030]
综上所述，本发明具有如下优点：
[0031]
本发明提出一种输电线路自学习机器人抓线运动规划方法，以输电线路机器人为研究对象，将自学习、迭代学习等智能控制方法引入到输电线路机器人多关节机械臂运动规划方法中，力争实现稳定可靠、环境适应性好的输电线路机器人多关节机械臂运动规划方法。
附图说明
[0032]
图1是本发明实施例提供的输电线路障碍物类型示意图；
[0033]
图2是本发明实施例提供的基于自学习抓线控制算法结构框图；
[0034]
图3是本发明实施例提供的平面二关节刚性结构图。
具体实施方式
[0035]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0036]
可以理解，本技术所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本技术的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
[0037]
本发明提供一种输电线路自学习机器人抓线运动规划方法，该方法包括以下步骤：
[0038]
s10、机器人运动学建模，其输电线路机器人抓线的工作实体,实际上是拟人手臂的空间机构，一般采用开链式结构；
[0039]
其中，根据不同类型的输电线路机器人的结构参数建立相应的运动学方程，以实现除冰机器人空间运动轨迹的精确控制，完成预定的作业任务，如图3所示，其运动学建模的模型采用二阶非线性微分方程进行描述：
[0040][0041]
其中，θ＝[θ1,θ2]
t
是关节转动角度，θ1是关节1的转动角度，θ2是关节2的转动角度，
是肘关节的转动角度，如下公式所示，θ，分别定义关节转角，关节角速度和关节角加速度。τr＝[τ1,τ2]
t
是控制输入扭矩，τ1是关节1的控制输入扭矩，τ2是关节2的控制输入扭矩。mr和hr表示惯性矩阵(2
×
2)和科里奥利离心力矢量可以被表示为
[0042][0043][0044]
其中，z1，z2，z3表示结构参数，可以通过物理参数表示为，
[0045][0046]
l1为第一个杆的长度，l2为第二个杆的长度。l
g1
为第一个关节到第一个杆质心的距离，l
g2
为第二个关节到第二个杆质心的距离。m1为第一个杆的质量，m2为第二个杆的质量。i1为第一个杆的瞬时惯性，i2为第二个杆的瞬时惯性。
[0047]
s20、基于多传感器信息融合的障碍物探测与辅助控制，其输电线路机器人在高压输电线上需要跨越的障碍物种类多、形状差异大，如图1所示；
[0048]
其中，为准确地探测和识别障碍，实施自主越障，利用多种检测传感器数据的冗余性和互补性，借助多传感器融合处理技术消除单一传感器的局限性和环境的随机干扰，提取完整可靠的障碍物信息，提供距离相对误差信息，为实现越障和抓线控制提供有效支撑；
[0049]
s30、基于自学习的自主抓线控制，以实现无需人工协助、脱线后可自主抓线的越障控制；
[0050]
其中，将研究基于自学习的实时在线机器人自主抓线控制方法，即能从环境状态到动作映射的无监督学习；通过试错的方法寻找最优行为策略，从而使系统行为能够适应环境变化；
[0051]
借鉴自学习算法的最新研究成果，以对自主抓线自学习算法设计、基于离线学习的模型收敛加速、连续状态空间泛化、参数选择和评价函数优化进行研究，使基于自学习的自主抓线控制成为机器人自主抓线运动学控制的有效方法。
[0052]
s40、融合极限学习机的自学习算法，以实现极快的速度提供良好的泛化性能。
[0053]
其中，将极限学习机引入自学习，利用其简单的结构、快速的学习速度以及良好的泛化能力来逼近状态-动作对值函数(q函数)，从而进一步改善自学习的效果。
[0054]
本发明提供一种输电线路自学习机器人抓线运动规划方法，具体方法包括以下步骤：
[0055]
对机器人运动学主要分为两个问题：
[0056]
第一，对一给定的机器人，已知关节变量和杆件几何参数，求出末端执行器相对于给定坐标系的姿态和位置；这个问题称为正运动学问题(direct kinematic problems,dkp)；给定坐标系为固定在大地上的笛卡尔坐标系，作为机器人的世界坐标系(world coordinate)；
[0057]
第二，已知机器人杆件的相关几何参数，给定在世界坐标系中末端执行器的相对位置和姿态，确定关节变量的大小；这个问题称为逆运动学问题(inverse kinematic problems,ikp)；由于仿真需要，使用除冰机器人的正运动学问题验证抓线算法的有效性。
[0058]
基于多传感器信息融合的处理方法：
[0059]
输电线路机器人在高压输电线上作业过程中需要安全、无碰撞地跨越防震锤、绝缘子、悬垂线夹、耐张线夹等杆塔支撑附件；为了自主跨越这些障碍物，实现长距离、大范围的行走破冰，需要研究融合精度高，收敛速度快的多传感器信息融合处理方法；将选择红外传感器和激光传感器建立障碍物信息检测系统，研究多传感器卡尔曼滤波距离融合算法，提供越障过程中机器人手臂末端和障碍物距离的相对误差信息，为机器人抓线规划提供误差信号。
[0060]
基于自学习的运动学抓线控制方法：
[0061]
根据具体的输电线路机器人模型或样机，分别研究其离散空间或连续空间的抓线控制规划方法；将抓线控制所处环境描述为一个有限状态的离散马尔科夫过程，采用自学习算法，建立离散多维向量状态值函数或行为值函数，根据评价信号和当前状态通过行为选择角度选择机器人手臂的转动角度，算法结构框图如图2所示。
[0062]
该自主抓线自学习算法具体为：
[0063]
1.1模糊基函数网络建立
[0064]
由于电缆故障具有模糊特性，因此构建模糊基函数网络，综合分析如下模糊规则组成的模糊系统：
[0065][0066][0067]
式中，分别代表论域中的语义项uj模糊集合，j＝1,2,
…
,n,xj和y分别描述模糊系统输入与输出变量。如果使用单点模糊算子，且模糊隶属函数属于gaussian隶属函数，则模糊基函数在分析某故障类fc，假设此类故障存在p下述形式：
[0068][0069]
式中是与规则对应的模糊基函数，是gaussian隶属函数的中心，是gaussian隶属函数的半径。
[0070]
则模糊系统输出变量表示为：
[0071][0072]
其中，h为模糊基函数数量，wi代表输出层权重。
[0073]
上述构建的模糊基函数网络具备较好的非线性函数逼近特征，可以直接结合输入与输出来获取系统动态行为，弥补诊断数据不足的问题，可更好地体现系统行为特性。
[0074]
1.2新增样本下模糊基函数自学习故障诊断
[0075]
由于上述网络的学习过程与工作过程是分离的，为避免发生“突然遗忘”事件，则训练样本集合必样本规模逐渐增大，训练难度也随之提高。为解决这一问题，提出新增样本的模糊基函数自学习策略。
[0076]
1)模糊基函数网络中心与半径学习
[0077]
基函数网络中心当作原始中心，对所有新增样本作一步迭代，不但能降低旧中心遗忘速度，还能避免网络出现重新学习现象，提高了学习效率，满足了自动感知需求。第i个网络单元中，中心矢量新增的第n个元素可利用下述公式递推获得：
[0078][0079]
其中，α与β分别表示自学习算法中获胜与非获胜单元的学习率，且满足0＜α＜1，0＜β＜1，ci为第i个网络单元表示的数据类型。则第i个模糊基函数网络单元的新半径计算公式为：
[0080][0081]
2)新增样本理想输出确定
[0082]
利用新样本的理想输出来反映网络已经学习到的故障分布信息，因此引入具有遗忘因子的加权平均方法。分析某故障类fc，假设此类故障存在p个样本的加权平均中心，则表示为：
[0083][0084]
式中，xi个数，λ表示遗忘因子，λ∈(0.95,1)。则加权协方差矩阵表示为：
[0085][0086]
针对已知样本xj，其期望值输出可通过以下正态型多元模糊分布获取：
[0087][0088][0089]
公式中，dj表示xj和故障类中心υ
p
之间的距离，k属于正常数，可以调节样本的理想输出。一般情况下，离υ
p
最远样本的可能输出为μj＝0.5。
[0090]
3)样本均值与协方差矩阵的递推运算
[0091]
直接计算存在遗忘因子样本的均值与协方差，必须已知全部故障样本，导致计算量较大。因此，文中提出了一种迭代计算方式。假设m个原始样本的均值与协方差矩阵分别表示为om与∑m。新加入x
m+1
个样本后，则有：
[0092][0093]
∑
m+1
＝(o
m-x
m+1
)(o
m-x
m+1
)
t
ꢀꢀ
(11)
[0094]
利用下述矩阵反演公式：
[0095]
(a+bc)-1
＝a-1-a-1
b(i+ca-1
b-1
)ca-1
ꢀꢀ
(12)
[0096]
取a＝∑m，b＝a
m+1
(o
m-x
m+1
)，c＝(o
m-x
m+1
)，因此有：
[0097][0098]
利用公式(10)～(13)即可完成遗忘因子样本的均o
m+1
值与协方差矩阵∑
m+1
的递推运算，获得样本中全部故障可能性分布信息，并在此基础上形成新样本的目标输出，以此实现故障感知。
[0099]
在本发明研究基础上，考虑到环境复杂性，高自由度机器人手臂在空中姿态存在不可知、复杂度高等特点，对应学习控制器中状态和行为空间庞大，造成动态规划的“维数灾难”；针对高自由度手臂，结合聚类算法、极限学习机等方法，研究基于资格迹的自学习泛化问题，获取连续空间内机器人手臂末端姿态变化对应的有效状态、动作解析等有效知识的表示，加快算法的收敛速度。
[0100]
本发明研究自主抓线自学习算法设计、基于离线学习的模型收敛加速、连续状态空间泛化、参数选择和评价函数优化等关键技术问题，使基于自学习的自主抓线控制成为机器人自主抓线运动学控制的有效手段，推动输电线路机器人自主抓线和越障技术的发展，促进输电线路机器人的技术应用。
[0101]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0102]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
[0103]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。