基于人机共享控制的带电作业远程操作配电机器人

摘要

基于人机共享控制的带电作业远程操作配电网机器人已研制成功。实验结果表明，共享控制权重可提高轨迹效率，同时缩短任务完成时间并减少子运动次数。突发性遥操作行为检测算法有效抑制了操作员的突然动作，并在实地搭接作业中得到成功验证。

摘要

配电线路传统的带电作业依赖人工操作，具有高风险、高劳动强度和高培训成本的特点，因此研发配电带电作业机器人是替代人工操作的必由之路。然而，作业环境高度非结构化且动态变化，存在复杂户外光照和不可预测的风力条件等挑战。现有机器人主要采用主从遥操作或完全自主作业模式，这给操作人员带来较重的心理负担，容易发生误操作，且环境适应能力有限。

为解决这些问题，本研究提出了一种基于人机协同控制的远程操作配电带电作业机器人。末端执行器的最终运动轨迹由操作人员和机器人自动规划模块分别提供的两条参考轨迹经线性加权组合得到。该方法降低了机器人对操作人员的依赖性，减轻了操作者的心理负担，提高了作业效率，并防止操作人员出现突发性误操作。最后，本文介绍了系统设计，并通过在实际带电搭接作业中的应用验证了其有效性。

引言

带电作业是高压设备检查、测试和维护的关键方法。中国的带电作业量正在迅速增长。从行业需求的角度来看，解决带电作业中人员安全问题是一项长期而艰巨的任务。在方法、技术、设备和理念方面，仍需进行创新和改进。

配电带电作业是带电作业中最常见的类型之一，用于配电线路的带电维护。由于配电线路环境光照复杂、设备布局密集，且相间及相地距离较小，此类作业目前主要依赖传统人工方式。然而，传统方法面临作业风险高、劳动强度大、培训成本高等问题¹。因此，研发具备带电作业能力的机器人以替代人工操作，已成为未来配电网运维发展的必然趋势。

自20世纪80年代以来，日本和美国等国家已在此领域开展了研究与试验（如图1所示）。最早的系统为主从跟踪式遥操作机器人。例如，日本的二期带电作业机器人²除配备一个双自由度（DOF）电动机械臂外，还在平台上安装了一个三自由度（DOF）的辅助操作臂，由操作人员在近距离通过操作杆进行控制。

美国的TOMCAT³模型采用了一种由工作斗内的人类操作员控制的液压机械手。类似地，中国的山东电网⁴也采用了由站在工作斗中的操作员控制的液压机械手。此外，为了增加主从端之间的允许距离，西班牙的ROBTET^5,6使用了光纤电缆进行远程通信，使操作员能够从地面执行遥操作。这些机器人遥操作模式可归纳为主从跟踪模式。此类模式存在自主智能不足的问题，需要操作人员近距离观察环境并控制机器人，承受较大的心理负担，因此无法在高压、危险环境中完全替代人类。

为解决机器人智能不足的问题，需要开展对计算机视觉、轨迹规划和人机远程交互等智能技术的研究，以增强机器人的自主能力。

在配电网带电作业中，搭接任务约占总工作量的20%⁷（配电线如图2所示）。因此，利用视觉传感器识别并定位导线及其剥除绝缘层的区域（即裸露区域），以引导机器人操作至关重要。2020年，国网瑞嘉⁸研制出一种可实现远程交互的配电网带电作业机器人，通过融合激光雷达与双目相机信息进行目标识别与定位。此外，还采用结合形态学操作与霍夫变换的算法来辅助电力线提取^9,10。首先利用霍夫变换检测电力线，再通过立体视觉算法将检测到的二维像素数据转换为三维空间坐标¹¹。国网湖北电力科学研究院¹²提出了一种基于颜色–深度图融合的滤波方法，该方法可滤除电力线周围复杂的背景干扰，然后通过分析邻域内像素值差异提取清晰的电力线轮廓。此外，中国科学技术大学¹³提出了一种基于深度学习的电力线识别算法，实现了对多条电力线的快速识别与定位。

尽管计算机视觉算法发展迅速，户外作业仍然具有挑战性。复杂的光照条件和导线表面的反光常常导致深度信息丢失，从而使严重依赖深度数据的方法出现识别率低和定位误差大的问题¹³。同时，由于配电线路存在多种不规则形变，一系列直线检测方法已不再适用，如图3所示。此外，高空风向的变化会引起线路的垂直移动，导致现有离线算法的结果产生厘米级的误差。

在这些可称为特种作战环境的高度危险、非结构化且动态的环境中，机器人的视觉和动态决策能力受到限制，难以自主完成复杂任务。

因此，仍有必要引入人类的智能决策能力，并将其与机器人的高精度运动控制相结合。上述早期遥操作技术为人类干预提供了通道。通过将这些技术与快速发展的远程交互和遥操作技术相结合，一系列关于智能遥操作配电网带电作业机器人的研究应运而生。

中国科学技术大学¹⁴在主从端之间实现了增量式位置映射，并采用人工势场法（APF）实现机器人的避障功能。随后，在配电网 带电作业机器人中实现了基于导纳控制的遥操作。该方法在主从跟踪的基础上，使机器人能够根据环境接触力的变化动态调整自身位姿。电子科技大学¹⁵在主端施加虚拟约束力，以增强操作者的远程临场感。此外，曼尼托巴大学¹⁶在遥操作过程中建立了一系列虚拟约束装置，以增强操作者触觉感知的沉浸体验。

然而，上述遥操作机器人仍面临若干挑战。从动端的任务是跟踪主端的运动轨迹，因而高度依赖于操作者生成的参考轨迹。由于工作时间短、需避障等要求，主端操作者承受较大的精神负担，不利于长时间和复杂的操作任务。操作者可能执行不当或错误的操作，导致机械臂实际轨迹出现突变，进而引发与环境碰撞或相间短路等安全问题。

共享控制是一种有效结合人类与机器人决策能力的方法^17,18。通常，该方法要求人类与机器人同时生成期望的轨迹或轨迹点，然后通过线性加权组合计算出一条新的共享轨迹。该方法可通过调整人类与机器人在决策中的权重，来调节系统对共享轨迹的偏好程度。

因此，本文设计了一种基于人机共享控制的配电网带电作业遥操作机器人。主要贡献如下：首先，针对遥操作过程中人类操作员输入参考轨迹频率过高的问题，研究了一种人机共享控制方法。通过为操作员与机器人分配控制权重，并对两者的参考轨迹进行线性加权组合，系统降低了参考轨迹对操作员的依赖性，从而减轻了操作员负担。此外，通过配电线路搭接作业的现场实验验证了不同操作员权重的影响。其次，针对主控端轨迹中存在的危险行为，设计了一种突发操作行为检测方法，以确保机械臂实际轨迹的平滑性与安全性。第三，在特殊作业环境（带电作业）下开展了物理实验，验证了共享控制算法及遥操作系统有效性。

本文其余部分首先介绍遥操作机器人的共享控制方法，然后阐述系统硬件与设置，最后通过实验室实验以及在实际10 kV配电网上的现场部署验证该方法的有效性。

方案

所有涉及操作者的实验均按照安全指南进行。遥操作实验由三名经过培训的操作者（均为右利手，且接受过至少1小时的培训）完成，这些操作者均为研究团队成员。本研究未招募外部人类受试者，因此无需机构伦理审查。志愿者已被告知实验流程，且研究过程中未收集任何个人或敏感数据。

共享控制框架

在带电作业场景中，输电线的不规则弯曲、复杂户外光照导致的深度信息丢失以及输电线的随机运动，构成了高度非结构化和动态的环境。这些因素使得机器人难以在环境中准确识别和定位输电线。因此，完全依赖机器人自主操作将导致任务失败。

为解决全自主机器人操作适应性有限的问题，人类操作员通过遥操作介入机器人的决策过程，利用人类经验帮助机器人适应环境。此外，针对遥操作过程中人类操作员输入参考轨迹过于频繁的问题，研究了一种人机共享控制方法。该方法降低了实际轨迹对操作员的依赖，从而减轻操作员的心理负担，实现人类智能决策能力与机器人高精度控制能力的有效结合。

本文提出的基于共享控制的遥操作配电带电作业机器人结构如图4所示。其中，x_h为遥操作设备输出的轨迹点，r_h为人操作者提供的参考轨迹点（映射至机械臂的笛卡尔空间），r_r为机器人自主规划的参考轨迹点，起辅助作用。r为发送至从动机械臂的综合参考轨迹点（下文中称为共享轨迹），f_o为机械臂末端力传感器采集的原始数据，f_e为机械臂末端工具与环境接触后经重力补偿的接触力，x为机械臂当前位姿。

遥操作配电网带电作业机器人分为主端和从端两部分。主端位于地面，由操作人员控制遥操作设备的运动。操作人员通过接收设备传递到手部的力反馈以及视觉系统反馈的信息，实现沉浸式操作。从端是位于高处的机器人，接收来自主端的位姿x_h后，进行空间映射得到r_h，并将采集到的视觉和触觉数据反馈回主端。

由于机器人与操作者在实际环境中对接触力、目标和障碍物的感知存在不完全对齐，操作者必须保持高度集中，以尽量降低r_h带来的风险。为了减少r对r_h的依赖，并减轻操作者在长时间操作中的心理负担，机器人需要基于包含真实世界误差的感知信息，自主规划一条近似最短且安全的辅助轨迹r_r。随后，将该r_r与r_h进行线性加权，得到指令发送给机械臂的目标位姿r。

运动空间映射

采用增量法计算由操作人员给出的轨迹增量 Δx_h：

Δx_h = x_h - x^′_h     (1)
其中 x^′_h 表示主端操作起始点的位姿。对于主从端运动空间存在显著差异的带电作业机器人，增量映射允许操作者任意选择一个方便的位姿，并将其设为遥操作的起始位姿。

随后将轨迹增量 Δx_h 映射到从动端机器人的笛卡尔空间，以最终获得 r_h。 此映射的数学表达式如下：

Δr_h = Δx_h * k，r_h = x^′ + Δr_h       （2）
其中，k 为线性映射参数，x' 为遥操作起始时刻操作臂的位姿。

自主轨迹规划
自主轨迹规划过程采用线性插值法，计算从当前位姿到目标位姿 P 的最短轨迹 r_r。计算过程如下：

      (3)

其中，P 是由视觉系统（包括双目相机和立体激光雷达）计算得到的目标点。该计算可通过鼠标选点，并利用手眼标定矩阵进行坐标变换来实现。N 为插值点的数量，i 为插值点的序号。需要注意的是，在复杂光照条件下，视觉系统计算出的 P 存在误差，这导致 r_r 无法独立完成任务。

共享控制方法

为了结合 r_h 对环境的适应性与 r_r 的高效性，有必要设计一个集成两条轨迹的共享控制器。该共享控制器采用固定的参数仲裁权重 α，其实现过程如下：

r = (1 - α) × r_r + α × r_h （4）

突变操作行为检测方法

在远程遥操作过程中，操作者可能会产生错误操作行为，导致轨迹发生突变，甚至引发与环境的碰撞。为了确保从端机械手安全平稳地运动，有必要在主端检测并处理此类过度的遥操作行为。包含突变行为检测在内的共享控制算法流程如图5所示。

遥操作系统构建

带电作业环境具有高度非结构化和动态的特点。因此，机器人无法仅依靠自身的自主感知和决策能力来完成任务，必须借助人类智能。遥操作是一种将人工干预融入机器人轨迹规划过程的有效技术。在这种系统中，主端由操作员在地面控制遥操作设备，而从端在高处则由多个子系统组成。

本研究详细阐述了一种专为配电网作业设计的遥操作机器人系统的开发，旨在执行带电搭接任务。

遥操作机器人系统的介绍

遥操作系统包括感知子系统、控制子系统、机械臂子系统、工具子系统、绝缘承载子系统以及主端人机交互设备。机器人所携带的系统中各子系统的详细用途见表1，硬件系统见图6。

感知子系统：该子系统负责提供二维RGB图像和空间深度信息，以引导机器人运动并确保操作安全。为实现这一目标，系统配备了激光雷达，用于远距离大范围环境建模；双目相机，用于近距离高精度目标识别与定位；以及云台变焦（PTZ）监控相机，用于提供操作视野并在整个过程中将画面反馈给操作人员。此外，系统还集成了力传感器，用于感知外部作用力并向操作人员提供力反馈，有助于防止因机器人末端与环境之间接触力过大而导致的系统停机。

机械臂子系统：作为任务的主要执行者，该子系统由两个以同构双臂结构布置的机械臂组成。

控制子系统：作为带电作业机器人的核心子系统，该系统充当平台的计算、控制和能源供应中心，负责向所有其他子系统分派操作指令。为实现与地面侧的绝缘和安全隔离，电源模块采用位于高处平台上的独立供电方式。系统使用48V直流电源进行供电和驱动控制，从而减少逆变损耗，进而降低电源系统的体积和重量。

末端执行器子系统：在机械臂末端安装有专用的末端执行器（工具），用于执行特定操作。已开发出一系列具有标准接口的专用工具，以适应不同任务。对于配电网作业，这些工具包括剥线工具和压接工具（如图7所示），其中剥线工具采用三个80 W、波长为450 nm的激光发生器，聚焦光斑尺寸为130 × 180 µm，并通过5 V PWM进行调制。在环境温度条件下，以额定全功率运行时，对直径为18–24 mm的配电电缆上一段120 mm长的区域进行剥线，平均操作时间约为2分钟。压接工具则负责通过夹具将分支导线牢固地连接至主电源线上，从而实现电气连通。

绝缘承载子系统：该子系统用于将机器人运送至高处作业位置。通常由履带式或轮式绝缘高空作业平台（也称为斗臂车）组成。为了实现对整个机器人系统的集成控制，该平台具备数字控制能力（如图8所示）。

主控端人机交互子系统：在运行过程中，操作人员通过手持平板电脑、个人计算机、遥操作手柄及其他计算设备向机器人系统发送指令。这些设备复现来自机器人的传感器数据，包括视觉信息和接触力反馈，使操作人员能够实时监控机器人的状态，并将操作者手部的运动映射到机械臂末端执行器的运动上。各子系统之间的通信连接如图9所示。

遥操作设备

在此系统中，遥操作的主设备和从设备分别为力反馈装置和机械臂。将介绍各自的Denavit-Hartenberg（DH）参数。

如图10A、B所示，这些是机械臂的连杆坐标系。针对机械臂的六个旋转关节（L₁,L₂,L₃,L₄,L₅,L₆），根据右手定则以及Denavit-Hartenberg（DH）准则的原理，为每个关节建立一个坐标系。

在 图10B，x₁∼x₆，y₁∼y6, z₁∼z₆，代表 x,y,z 各关节坐标系的轴。基于这些已建立的连杆坐标系，可构建机械臂的正向运动学模型。DH表示法使用四个参数： a_iα_i，d_i 和 θ_i. 

这些参数定义如下：a_i：表示将第 i 个连杆的 z 轴沿其 x 轴方向移动到第 (i+1) 个连杆的 z 轴的距离；α_i：表示将第 i 个连杆的 z 轴绕其 x 轴旋转至第 (i+1) 个连杆的 z 轴所转过的角度；d_i：表示将第 i 个连杆的 x 轴沿其 z 轴方向移动到其自身 x 轴的距离；θ_i：表示将第 i 个连杆的 x 轴绕其 z 轴旋转至其自身 x 轴所转过的角度。

采用DH参数法建立运动学模型，机械臂的DH参数如下方表2所示。

主从操作手柄是用作主操作器的触觉装置，其关节以串联结构配置。关节坐标系如图10C所示；建模方法与从动操作器相同。

实验设计

为在实地部署前对所提出的共享控制算法进行定量验证，我们在一个6自由度机械臂遥操作平台上进行了两项实验室实验，该平台以50 Hz运行，由一台标准PC上的Python脚本实现。在每个控制周期中，脚本读取主端位姿，计算共享轨迹，并将目标笛卡尔位姿发送给机械臂。连续命令之间强制执行20 ms的固定间隔，从而实现50 Hz的更新频率，与实验室平台一致。该实验室平台与遥操作系统构建中所述的带电作业机器人具有相同的控制架构和共享控制算法（公式4），仅在机械臂运动学和工作空间尺度上有所不同。实验采用模拟搭接任务：在存在障碍物（一个水瓶和一根铝柱）的情况下，操作员将机械臂末端执行器从起始位置A控制到目标位置B，模拟导线搭接操作，如图11所示。为确保实验室实验的完全可重复性，物理障碍物和目标终点在从动机械臂基坐标系中被精确定位。工作空间中安装了两个主要障碍物：一个塑料水瓶（底面尺寸：8 cm × 8 cm，高度：25 cm），其底部中心位于坐标（X = 55 cm，Y = 5 cm）；一根铝型材（底面尺寸：2 cm × 2 cm，高度 > 50 cm），其底部中心位于坐标（X = 35 cm，Y = -30 cm）。遥操作任务的目标终点设定在坐标（X = 50 cm，Y = -17 cm，Z = 26 cm）处。随后，将经过验证的算法部署到带电作业机器人上进行实地演示。

实验过程通过一个连续且集成的工作流程进行。首先，在系统初始化阶段，从动端和主端操作器均被通电，同时启动控制软件，以验证在50 Hz频率下稳定的双向通信。为防止遥操作开始时出现突然的控制跳变，在主动遥操作之前执行主从对齐阶段。在此阶段，操作员手动引导主端操作器，直到其末端执行器的笛卡尔坐标（定义在主端基坐标系中）与从动端操作器当前末端执行器的笛卡尔坐标（定义在从动端基坐标系中）之间的距离在30 mm以内。这些笛卡尔坐标直接来自各操作器内置控制器的反馈信号，同时控制软件实时监测它们之间的欧几里得距离。一旦对齐成功，当前从动端位置将被记录为起始位置，记作位置A。随后，通过操作员手动引导从动端末端执行器至期望的目标位置，以记录其笛卡尔坐标，该坐标被指定为目标位置B。接着，自主规划器生成一条从起始位置指向位置B的线性参考轨迹。之后，操作员启动共享控制遥操作任务。在主动执行过程中，系统以20 ms的控制周期运行，持续读取主端位置作为输入，执行在线检测以识别任何突发的操作员行为，计算共享控制轨迹作为输出（如公式4所示），并向从动端操作器发送相应指令。作为一项安全措施，若检测到突发运动，从动端操作器将立即冻结并保持在其最后一个有效位置，进入专用的位置保持模式；要从此状态恢复并自动重新开始共享控制遥操作，操作员必须手动将主端操作器移回，直到主从末端执行器之间的欧几里得距离低于20 mm的恢复阈值。最后，当从动端末端执行器到达并保持在目标位置B的5 mm范围内时，试验完成并被视为成功。

实验1：突发操作行为检测
本实验在实验平台上验证检测机制。在50 Hz的遥操作过程中，监测主端执行器每帧的位移。当位移超过D_th = 6 mm/帧（瞬时速度300 mm/s）时，系统进入冻结状态：从端机械臂停止跟踪并保持其最后一个有效位姿。从端将保持冻结状态，直到操作者将主端返回至距离冻结位置20 mm范围内为止。

实验2：共享控制性能比较

在实验平台上比较了三种仲裁权重 α=0.3、α=0.8 和 α=1.0，相关实验过程记录于补充视频1、补充视频2和补充视频3中。共进行了45次实验试验，由三名操作者在三种仲裁条件下各完成五次重复。系统性能通过三个关键评估指标进行评价。第一，完成时间 T：从操作者首次输入至从端执行器到达目标位置 B 的总时长；时间越短，表明操作效率越高。第二，轨迹效率 η=L_straight/L_actual，其中 L_straight 为起始位置 A 到目标位置 B 的欧氏距离，L_actual 为试验过程中从端执行器实际经过的路径总长度；当 η=1 时，表示路径完全高效且直接；数值越低，表明运动中冗余越多，存在更多迂回。第三，子运动次数 N_sub 表示独立运动段的数量，通过主端执行器平滑速度曲线中的过零点数量计算得出；数值越小，表明操作更连续、更自信，操作者的认知负荷更低。最后，采用 Kruskal-Wallis H 检验对三种仲裁条件之间的差异进行统计学显著性分析，并通过成对 Mann-Whitney U 检验进行事后比较。

实验3：野外部署

在实验室验证后，共享控制算法（α=0.3）和突变行为检测被部署到远程操作系统构建中所述的带电作业机器人上。

结果

突发操作行为检测
图12展示了在实验平台上一次代表性试验的时间序列分析结果，其中包括两次故意的突然动作。
两次突发动作均被成功检测到（真阳性率 = 100%），检测时间分别为1.81 s和5.72 s，在13.2 s的正常操作期间无任何误报（假阳性率 = 0%）。冻结响应时间：1帧（20 ms），通过控制循环时序测量。

共享控制性能
图13展示了在实验室平台上进行的45次试验（3名操作者 × 5次重复 × 3种条件）的对比结果，详细数据见表3。
结果表明，适当的共享控制权重可显著提升遥操作性能。在机器人主导的共享控制模式下（α=0.3），与纯遥操作（α=1.0）相比，任务完成时间减少了31.4%，子运动次数减少了37.9%，从而通过减少校正操作和决策需求降低了操作者的认知负担。同时，轨迹效率提高了...

讨论

本研究提出了一种基于人机共享控制的配电网带电作业遥操作机器人系统。与在动态户外光照和非结构化背景条件下表现困难的完全自主系统¹²，以及对操作人员造成较高认知与体力负荷的传统主从跟踪式遥操作^14,15,16相比，本方法融合了人类意图与机器人自主规划能力。此外，本研究提出一种突发动态检测算法，以应对潜在的操作人员误操作，确保作业安全性。该研究通过在高压维护场景中实现经过现场验证的共享控制集成，推动了极端环境下物理人机交互（pHRI）领域的发展，弥合了理论上的共享控制框架^17,18与实际工业应用之间的差距。

实验结果表明，采用适当的共享控制权重可以显著缩短操作人员的任务完成时间，降低手动控制负荷（减少子运动次数），同时提高轨迹效率。具体而言...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
Hikvision DS-2DC2D20IW-DE3	Hikvision	https://www.hikvision.com/cn/products/pdplist/161056/	云台变焦（PTZ）监控摄像头
KUNWEI KWR75	KUNWEItech	https://www.kunweitech.com/products/866.html	力传感器
Livox AVIA	Livox(DJI)	https://www.livoxtech.com/cn/avia	激光雷达（LiDAR）
Piper	AGILEX	https://www.agilex.ai/page/690abe7b5e78cfa260412c92?mi=1&rn=PIPER+%E6%A0%87%E5%87%86%E7%89%88	用于实验平台验证的主从操作器
Python	Python Software Foundation	https://www.python.org/	编程语言
RealSense D435	Intel	https://store.realsenseai.com/buy-intel-realsense-depth-camera-d435.html	双目相机
Touch	3D Systems	https://cn.3dsystems.com/haptics-devices/touch	触觉反馈设备
Ubuntu 24.04	Canonical Ubuntu	https://ubuntu.cn/	操作系统
UR10	Universal Robots	https://www.universal-robots.cn/	带电作业机器人的操作臂