基于动作捕捉的混合式巡线机器人轨迹规划方法研究——中科院团队IROS 2024案例

导语

中科院和中国科学院大学研究团队首次提出一种用于混合式机器人执行电力线巡检的轨迹规划方法，可在 50 毫秒内生成轨迹，显著缩短了混合式机器人电力线着陆和翻越障碍物的时间，提高了电力线检测效率。相关研究论文Model-Based Trajectory Planning of a Hybrid Robot for Powerline Inspection被IROS 2024接收，此项研究部分得到国家自然科学基金的支持。

一、研究背景：混合式巡线机器人与电力线巡检

近年来，有许多用于电力巡检的机器人以提高电力线检查的效率和质量。攀爬机器人可以沿着电力线滚动，实现高精度和长距离的检查，但在避开障碍物方面存在困难。无人机可以通过飞越电力线进行检查，提供高灵活性但续航能力有限。混合式机器人旨在结合攀爬机器人和无人机的优势，实现高机动性和长时间的续航能力。然而，现有研究多集中于平台设计和自主着陆，对轨迹规划关注不足，这正是实现混合机器人自主巡检的关键所在。中科院团队提出了一种基于非线性规划模型（Nonlinear Programming, NLP）的轨迹规划方法，将动态和几何约束作为硬约束，将检查质量作为优化的成本函数，通过仿真和真实世界实验验证了方法的有效性。

二、研究方法概述：基于动作捕捉的轨迹规划模型

本研究围绕混合式巡线机器人轨迹规划，在动作捕捉位姿获取支撑下，构建了面向电力线巡检机器人实验验证的模型驱动方法，核心步骤如下：

1、非线性规划建模（NLP）

提出了一种基于非线性规划模型（Nonlinear Programming, NLP）的轨迹规划方法，将动态和几何约束作为硬约束，将检查质量作为优化的成本函数，通过仿真和真实世界实验验证了方法的有效性。

2、几何与可见性约束建模

提出了一种用于混合式机器人电力线检查的通用几何模型，包括精准着陆和最大化电力线可见性的分析公式。

3、动作捕捉驱动的位姿获取

NOKOV度量动作捕捉系统获取混合式机器人、电力线和障碍物的位姿数据，为评估机器人状态、实现有效避障和落线提供助力。

4、 轨迹生成与轨迹跟踪控制

在动作捕捉数据支持下，完成轨迹规划与轨迹跟踪的闭环控制，实现混合式巡线机器人在复杂电力线环境中的稳定运动。

5、仿真与真实环境实验验证

通过一系列模拟实验和真实世界实验，验证该方法在 混合式巡线机器人轨迹规划 与 电力线巡检 机器人实验验证 场景下的鲁棒性，实验过程中均由 NOKOV度量动作捕捉 提供高精度位姿评估。

三、实验验证：NOKOV度量动作捕捉支持下的轨迹跟踪

1、仿真实验

研究团队在混合式机器人平台上验证了这种轨迹规划方法，通过 NOKOV度量动作捕捉系统提供的位姿数据评估机器人的状态以及电力线和障碍物的姿态，使用Nvidia Jetson Xavier NX作为高阶控制器，执行非线性规划问题求解、轨迹规划和轨迹跟踪的上层控制，使用PX4 Autopilot作为低阶控制器接收上层控制指令并实现低阶的位置姿态控制。

 

混合式机器人系统框架

2、真实世界实验

为验证该方法在现实环境下的有效性，研究团队在室内搭建了具有输电线路和障碍的模拟输电场景，并进行了轨迹规划和轨迹跟踪实验。

(a) 电力线到电力线和(b)空中到电力线的自主越障和自主落线，数字表示轨迹的演变

研究人员将机器人放置在电力线上，并进行自主越障的轨迹规划。在完成轨迹规划之后，机器人按照系统框架开始运动，结果表明规划的轨迹能够使机器人始终处于电力线正上方并与电力线对齐，最大化电力线的可见性，终端状态显示机器人能够越过障碍并最后成功降落在电力线上。

NOKOV度量动作捕捉系统通过提供精确的位姿数据帮助评估混合式机器人的状态，验证轨迹规划方法在真实环境中的有效性。

四、应用场景：电力线巡检机器人的智能化升级

应用问题	传统方式	基于 NOKOV 动作捕捉的改进
位姿获取	传感器误差大	高精度三维动作捕捉
轨迹跟踪	易偏离电力线	精确轨迹规划与校正
避障能力	依赖经验控制	数据驱动的模型优化

五、结论

该研究表明，结合动作捕捉位姿获取的混合式巡线机器人轨迹规划方法，能够显著缩短着陆和越障时间，提高电力线巡检效率。NOKOV度量动作捕捉在实验验证阶段，为机器人状态评估、轨迹跟踪与避障控制提供了关键数据支撑，是高可信机器人研究的重要基础设施。

六、电力巡检机器人FQA

Q1：这项研究主要解决了什么问题？

A1：本文提出了一种用于混合式机器人电力线检查的轨迹生成方法，该方法大幅降低了着陆和避障的时间成本。研究重点解决了 混合式巡线机器人轨迹规划 在复杂电力线环境中效率不足的问题，并通过 NOKOV度量动作捕捉 进行实验验证。

Q2：采用了什么轨迹规划方法？

A2：本文提出了一种基于非线性规划模型（Nonlinear Programming, NLP）的轨迹规划方法，将动态和几何约束作为硬约束，将检查质量作为优化的成本函数，通过仿真和真实世界实验验证了方法的有效性。
该方法在 动作捕捉 位姿获取 数据支持下，实现了稳定的 轨迹跟踪 与避障控制，并由 NOKOV度量动作捕捉 提供精确三维位姿。

Q3：实验环境与验证方式是什么？

A3：研究团队在混合式机器人平台上验证了这种轨迹规划方法，通过 NOKOV度量动作捕捉系统提供的位姿数据评估机器人的状态以及电力线和障碍物的姿态，使用Nvidia Jetson Xavier NX作为高阶控制器，使用PX4 Autopilot作为低阶控制器完成位置与姿态控制。
实验场景为室内搭建的模拟输电线路与障碍环境，属于典型的 电力线巡检 机器人实验验证 场景。

Q4：实验结果表现如何？

A4：结果表明规划的轨迹能够使机器人始终处于电力线正上方并与电力线对齐，最大化电力线的可见性，终端状态显示机器人能够越过障碍并最后成功降落在电力线上。
在整个过程中，NOKOV度量动作捕捉 为轨迹规划精度评估与轨迹跟踪稳定性提供了关键数据支撑。

Q5：NOKOV度量动作捕捉在研究中的作用是什么？

A5：NOKOV度量动作捕捉系统通过提供精确的位姿数据帮助评估混合式机器人的状态，验证轨迹规划方法在真实环境中的有效性。

其核心价值体现在：

• 支撑 动作捕捉 位姿获取
• 保障 混合式巡线机器人轨迹规划 的实验可信度
• 提升 轨迹跟踪 与避障控制 的数据精度

七、论文信息

相关研究论文"Model-Based Trajectory Planning of a Hybrid Robot for Powerline Inspection"被IEEE RAL、IROS 2024接收。

引用格式

Z. Li et al., "Model-Based Trajectory Planning of a Hybrid Robot for Powerline Inspection," in IEEE Robotics and Automation Letters, vol. 9, no. 4, pp. 3443-3450, April 2024, doi: 10.1109/LRA.2024.3363535.