CN108321722A - 自动避障的可纵向弯曲树障清理空中机器人和避障方法 - Google Patents

Abstract

本发明公开了一种自动避障的可纵向弯曲树障清理空中机器人和避障方法，包括为空中机器人提供飞行动力的多旋翼平台、固定连接在多旋翼平台正下方的机身、与机身纵向轴平行且固连于机身前端的中臂、与机身纵向轴平行且固连于机身后端的后臂、通过内置驱动电机的纵向弯曲关节与中臂连接的前臂、固连于前臂前端的刀具组件、固连于后臂后端的电池组、安装于多旋翼平台上部中心的激光雷达、布置在机身底部的测高雷达，多旋翼平台前侧、两侧和电池组后侧均布置有摄像头。本发明实现障碍物的实时监测，有利于实施空中机器人高精度的避障控制，采用可纵向弯曲的刀具作业臂的机器人适合于进入树障密集区域实施清障作业。

Description

自动避障的可纵向弯曲树障清理空中机器人和避障方法

技术领域

本发明涉及一种自动避障的可纵向弯曲树障清理空中机器人和避障方法，属于输电线路树障清理装置技术领域。

背景技术

树障是输电线路通道存在的一种安全隐患，表现为通道内树木的不断增生逐渐威胁到输电线路的运行安全。为此，各级电力部门每年都要投入大量的人力、物力与财力对辖区内的通道树障进行清理整治。目前的树障清理主要依赖于人工清理，存在着效率不高，安全风险大的不足，因此亟需一种电力线路通道树障自动清理空中机器人。

空中机器人在对树障进行清理作业时，往往与输电线路、建筑物、其它树木等环境物体距离较近，一旦发生碰撞极易造成空中机器人损毁，以及环境物体特别是电力线路的损伤，导致严重的安全事故。因此，使树障清理空中机器人具备环境感知与自主避障的能力非常重要。

发明内容

本发明解决的技术问题是：提供一种自动避障的可纵向弯曲树障清理空中机器人和避障方法，能够实现线路通道附近障碍物位置感知与自主避障，清理效率高，安全风险低，以解决现有技术中存在的问题。

本发明采取的技术方案为：一种自动避障的可纵向弯曲树障清理空中机器人，包括为空中机器人提供飞行动力的多旋翼平台、固定连接在多旋翼平台正下方的机身、与机身纵向轴平行且固连于机身前端的中臂、与机身纵向轴平行且固连于机身后端的后臂、通过内置驱动电机的纵向弯曲关节与中臂连接的前臂、固连于前臂前端的刀具组件、固连于后臂后端的电池组、安装于多旋翼平台上部中心的激光雷达、布置在机身底部的测高雷达，多旋翼平台前侧、两侧和电池组后侧均布置有摄像头。

优选的，上述空中机器人还包括相互连接的信号处理器、飞行控制器和通信模块；激光雷达、摄像头和测高雷达连接到信号处理器的信号输入端，飞行控制器连接到多旋翼平台的动力模块、纵向弯曲关节的驱动电机、刀具组件的刀具控制器，通信模块用于向地面站传输飞行数据与机载图像。

优选的，上述机身为前后狭长结构；空中机器人为左右对称结构。

优选的，上述电池组包括向刀具组件、向多旋翼平台、向纵向弯曲关节、向信号处理器、向飞行控制器和向机载传感器供电的电池。

优选的，上述前臂为两段结构，并通过保护关节连接为一体，保护关节包括固定叉、十字轴、活动叉)、圆柱套、弹簧)和螺钉，固定叉、活动叉、圆柱套均为中空圆柱形，十字轴分别通过轴承与固定叉的前部、活动叉的后部连接，由此构成万向节，固定叉的后部与前臂的后段固连，圆柱套的前部与前臂的前段固连，圆柱套的后部以可轴向滑动、可相对旋转的套筒形式与活动叉的前部连接，弹簧为圆柱形，以包裹形式安装于固定叉、活动叉和圆柱套的外部，弹簧的两端通过两螺钉分别与固定叉和圆柱套固连。

一种自动避障的树障清理空中机器人的避障方法，该方法步骤如下：

1)安装激光雷达使其激光扫描线略高于多旋翼旋转平面，通过激光雷达对周围环境进行360度水平扫描，探测并感知空中机器人四周物体到激光雷达的距离；

2)摄像头获取空中机器人前后左右的环境影像并送入信号处理器，然后采用机器视觉算法对输电线路通道内外的导线、杆塔、树木和其它物体进行识别与图像定位，其中，杆塔包含绝缘子和金具，其它物体包括建筑物、桥梁和山峦地形；

3)将步骤1)所感知的二维距离信息与步骤2)所识别的障碍物进行信息融合，获得障碍物的距离信息进行空中机器人主动避障：

——若所感知的障碍物为导线、杆塔、通道外树木和其它物体，且这些障碍物与空中机器人的距离≤预设的安全距离阈值，即令空中机器人实施主动避障控制，同时向地面监控站发送安全告警信息；

——若所感知的障碍物为通道内的树木，则空中机器人实施清障，同时向地面监控站发送清障动作信息；

——除了上述两种情况外，无需避障控制；

4)通过向下安装的测高雷达探测空中机器人相对地面的高度，将此相对高度用于空中机器人的高度保持，以及空中机器人高度避障的依据。

优选的，步骤2)采用机器视觉算法对环境物体进行识别与定位的方法如下：

A)对于导线障碍物，采用直线参数化方法对其进行检测：首先，利用最大类间方差法将所有障碍物从背景中分割出并进行二值化，然后，对图像平面中所有像素值不为0的像素点进行直线建模，假设一个不为0的像素点坐标为(x,y)，则其必然属于一条直线，该直线的方程可表示为：

ρ＝xcosθ+ysinθ

其中ρ表示该点所属直线相对于原点坐标的距离，θ表示该直线相对于原点的法线与x轴正方向的夹角，通过在ρ-θ空间寻找最大值，将图像中的所有点转化为直线方程；最后，根据将夹角及长度满足一定阈值条件的直线识别为输电线并将其二维几何信息反馈给信息融合算法；

B)对于杆塔和树木，采用深度卷积神经网络方法进行对象检测：

首先，建立海量的杆塔和树木图像库，用于目标检测时的模型训练和检测。在建立图像库过程中，需要采集各种光照、角度、焦距、天气环境下的对象图像，并做标注；

其次，建立检测网络模型。检测模型由5个卷积层、3个池化层和2个全连接层组成；检测模型将分为候选区选择、特征提取、对象的分类与检测框的回归三个部分组成；候选区选择采用SelectiveSearch方法对每张图像提取2000个RoIs；然后将这些RoIs进行卷积和池化操作，以提取RoIs的特征；对象的分类和检测将有两个输出：一个输出用来描述每个RoI所属类型的概率值p＝(p₀,p₁,...,p_u)，概率p由最后一层的全连接层结合softmax计算得到；另一个输出层是boundingbox回归层，该层输出目标对象的坐标位置信息t^u＝(t_x ^u,t_y ^u,t_w ^u,t_h ^u)，其中，u为障碍物的个数索引，(x,y)表示目标对象的左上角坐标，(w,h)表示目标对象的宽度和高度，RoI为感兴趣区；

对于每一个带标签的RoIs作类别训练和位置回归时，都将输出一个相应的ground-truth类型标签u和ground-truth的boundingbox回归目标v。然后计算多任务损失函数L：

L(p,u,t^u,v)＝L_cls(p,u)+λ[u≥1]L_loc(t^u,v)

其中，L_cls(p,u)＝-logp_u为真实类别u的log损失；第二项回归损失函数L_loc是真实对象位置信息v＝(v_x,v_y,v_w,v_h)和预测对象位置信息之间的误差损失；参数λ用于平衡两个损失函数，可以取λ＝1；

对于L_loc采用L1平滑损失函数：

其中

上式中，d＝t^u-v；

最后，将训练好的网络移植到带有GPU加速的嵌入式图像处理计算机上，实时对图像中的绝缘子进行标注并将其二维几何信息反馈给信息融合算法；

C)线路通道外的树木和其它障碍物，均为空中机器人主动避障的目标，故不需识别具体对象，因此对于这类对象通过激光雷达进行探测即可，将距离小于阈值的物体作为障碍物；

优选的，步骤3)信息融合的障碍物距离信息获取方法如下：

首先，通过坐标变换将激光雷达采集到的距离信息与四向摄像头采集到的图像进行对准，得到图像中每个像素点相对于激光雷达的物理坐标；

其次，将步骤2)中求出的导线、杆塔、树木和其它障碍物的二维几何信息通过坐标变换为三维信息，变换方法为：

其中(x,y)为相机中一个像素点的二维坐标，(u₀,v₀)表示相机光心坐标，f_x和f_y分别表示相机在x和y方向上的焦距，障碍物实际相对图像中心的距离在x和y方向上的分量分别为X和Y，Z为导线所属直线(Z_l)或绝缘子(Z_d)所属矩形区域的平均距离；

再次，找出激光雷达检测出的最大距离区域，将该区域的平均距离记为Z_r，比较Z_r、Z_l和Z_d的大小，将最小的距离记为Z_p，则Z_p即为步骤3)中障碍物的距离信息；

最后，得到Z_p相对的图像矩形或线性区域的大小，即(X,Y,Z_p)，并将其作为避障的依据。

优选的，一种自动避障的树障清理空中机器人的避障方法，步骤3)或步骤4)中空中机器人避障的控制方法为：

1)若只有前向摄像头发现障碍物，且障碍物距离≤安全距离阈值，则立即进行紧急制动，并向地面站发送告警信息，然后由操作人员通过地面站监控视频或实地观察，对空中机器人前方场景进行再次判断后实施进一步避障操作：①对于导线或杆塔类障碍物，依据原航向缓慢向上爬升或侧向移动直到障碍物从摄像头视野中移出，或自主降落等待工作人员进行回收，或人工操控空中机器人飞越或绕过障碍物；②对于通道内的待清除的树木，则继续向前实施清障作业；

2)若只有左或右向摄像头发现障碍物，且障碍物距离≤安全距离阈值，则立即进行紧急制动，然后缓慢向障碍物相反方向移动，直到障碍物从摄像头视野中移出；

3)若前、左和右向摄像头都发现障碍物，且障碍物距离≤安全距离阈值，则立即进行紧急制动，并向地面站发送告警信息，然后由操作人员通过地面站监控视频或实地观察，对空中机器人前、左和右向场景进行再次判断后实施进一步避障操作：缓慢垂直爬升直到障碍物从摄像头视野中移出，或自主降落等待工作人员回收，或由人工全面接管手动实施清障操作；

4)若测高雷达探测的空中机器人相对地面的高度≤安全高度阈值，即令空中机器人上升以实施主动高度避障控制，并通过通信模块向地面监控站发送安全告警信息。

本发明的有益效果：与现有技术相比，本发明的效果如下：

1)本发明基于多旋翼平台，采用激光雷达+多摄像头+测高雷达组合的环境感知方式，探测周围环境物体与空中机器人的距离，实现障碍物的实时检测，有利于实施空中机器人高精度的自主避障控制；

2)空中机器人为狭长结构，配合纵向弯曲关节，适合于进入树障与导线密集相交区域实施清障作业；

3)本发明在机体安装旋翼组件以及在作业臂上设置纵向弯曲关节，可使作业臂在纵向平面内弯曲，确保作业刀具垂直于待清理树枝，有效提升树障清理效率，减少刀具打滑，通过空中机器人清理树障，效率高，避免操作人员靠近树障处的高压输电线，操作更加安全，可有效降低操作风险，解决了现有技术中存在的人工清理效率不高和安全风险大的问题；

4)本发明的前臂设置的保护关节具有四个方向的机械缓冲自由度，可有效减弱树障反作用力或力矩以及作业刀具的振动对空中机器人飞行姿态的影响；

5)电池组置于空中机器人的后部，起到良好的配重作用，同时前臂与后臂相对机体可前后伸缩并锁定，有利于快速调节空中机器人的重心。

附图说明

图1为本发明的仰视立体结构示意图；

图2为本发明的俯视立体结构示意图；

图3为保护关节结构示意图；

图4为保护关节整体示意图。

图中，1—多旋翼平台，2—机身，3—前臂，4—中臂，5—后臂，6—刀具组件，7—电池组，8—激光雷达，9—摄像头，10—测高雷达，11—纵向弯曲关节，12—保护关节。

1201—固定叉，1202—十字轴，1203—活动叉，1204—圆柱套，1205—弹簧，1206—螺钉。

具体实施方式

下面，结合附图及具体的实施例对本发明进行进一步介绍。

实施例1：如图1-图4所示，一种自动避障的可纵向弯曲树障清理空中机器人，包括为空中机器人提供升力的多旋翼平台1、固定连接在多旋翼平台1正下方的机身2、与机身2纵向轴平行且固连于机身2前端的中臂4、与机身2纵向轴平行且固连于机身2后端的后臂5、通过内置驱动电机的纵向弯曲关节11与中臂4连接的前臂3、固连于前臂3前端的刀具组件6、固连于后臂5后端的电池组7、安装于多旋翼平台1上部中心的激光雷达8、布置在机身2底部的测高雷达10，多旋翼平台1前侧、两侧和电池组7后侧均布置有摄像头9。多旋翼平台1外形左右对称，测高雷达10为无线电雷达或超声波雷达，刀具组件6通过可拆卸的接头连接到前臂3前端，所述接头可采用法兰盘连接或螺帽-螺杆快速连接，相应的连接部位设有电气接插头，因而具有机械和电气双重连接功能，结构紧凑，可实现刀具组件6的快速更换。

优选的，上述空中机器人还包括相互连接的信号处理器、飞行控制器和通信模块；激光雷达8、摄像头9和测高雷达10连接到信号处理器的信号输入端，输入端的物理接口包括用于摄像头9接入的视频接口(如HDMI、DP、CVBS等)和用于雷达接入的数字总线接口(如USB、RS-232/485/422、CAN等)，信号处理器内置高性能神经网络芯片和图像处理器；飞行控制器连接到多旋翼平台1的动力模块、纵向推进器的驱动电机以及刀具组件6的刀具控制器以及惯性测量单元、气压高度计、卫星导航接收机，通信模块用于向地面站传输飞行数据与机载图像。飞行控制器内置于多旋翼平台1或机身2，与现有的多旋翼无人机飞行控制器硬件相似，包括飞行控制计算机和与惯性测量单元、气压高度计、卫星导航接收机，刀具控制器连接有刀具电机、刀具转速传感器以及刀具温度传感器。

优选的，上述机身2为前后狭长结构，空中机器人为左右对称结构。

优选的，上述电池组7包括向刀具组件6、多旋翼平台1、纵向弯曲关节11、信号处理器、飞行控制器和机载传感器供电的电池。

优选的，一种自动避障的树障清理空中机器人的避障方法，该方法步骤如下：

1)安装激光雷达8使其激光扫描线略高于多旋翼旋转平面，通过激光雷达8对周围环境进行360度水平扫描，探测并感知空中机器人四周物体到激光雷达8的距离；

2)摄像头9获取空中机器人前后左右的环境影像并送入信号处理器，然后采用机器视觉算法对输电线路通道内外的导线、杆塔、树木和其它物体进行识别与图像定位，其中，杆塔包含绝缘子和金具，其它物体包括建筑物、桥梁和山峦地形；

3)将步骤1)所感知的二维距离信息与步骤2)所识别的障碍物信息进行融合，获得障碍物的距离信息进行空中机器人主动避障：

——若所感知的障碍物为导线、杆塔、通道外树木和其它物体，且这些障碍物与空中机器人的距离≤预设的安全距离阈值，即令空中机器人实施主动避障控制，同时向地面监控站发送安全告警信息；

——若所感知的障碍物为通道内的树木，则空中机器人实施清障，同时向地面监控站发送清障动作信息；

——除了上述两种情况外，无需避障控制；

4)通过向下安装的测高雷达10探测空中机器人相对地面的高度，将此相对高度用于空中机器人的高度保持，以及进行空中机器人高度避障。

优选的，上述步骤2)采用机器视觉算法对环境物体进行识别与定位的方法如下：

A)对于导线障碍物，采用直线参数化方法对其进行检测：首先，利用最大类间方差法将所有障碍物从背景中分割出并进行二值化；然后，对图像平面中所有像素值不为0的像素点进行直线建模，假设一个不为0的像素点坐标为(x,y)，则其必然属于一条直线，该直线的方程可表示为：

ρ＝xcosθ+ysinθ

其中ρ表示该点所属直线相对于原点坐标的距离，θ表示该直线相对于原点的法线与x轴正方向的夹角，通过在ρ-θ空间寻找最大值，将图像中的所有点转化为直线方程；最后，根据将夹角及长度满足一定阈值条件的直线识别为输电线并将其二维几何信息反馈给信息融合算法；

B)对于杆塔和树木，采用深度卷积神经网络方法进行对象检测：

首先，建立海量的杆塔和树木图像库，用于目标检测时的模型训练和检测。在建立图像库过程中，需要采集各种光照、角度、焦距、天气环境下的对象图像，并做标注；

其次，建立检测网络模型。检测模型由5个卷积层、3个池化层和2个全连接层组成；检测模型将分为候选区选择、特征提取、对象的分类与检测框的回归三个部分组成；候选区选择采用SelectiveSearch方法对每张图像提取2000个RoIs；然后将这些RoIs进行卷积和池化操作，以提取RoIs的特征；对象的分类和检测将有两个输出：一个输出用来描述每个RoI所属类型的概率值p＝(p₀,p₁,...,p_u)，概率p由最后一层的全连接层结合softmax计算得到；另一个输出层是boundingbox回归层，该层输出目标对象的坐标位置信息t^u＝(t_x ^u,t_y ^u,t_w ^u,t_h ^u)，其中，u为障碍物的个数索引，(x,y)表示目标对象的左上角坐标，(w,h)表示目标对象的宽度和高度，RoI为感兴趣区；

对于每一个带标签的RoIs作类别训练和位置回归时，都将输出一个相应的ground-truth类型标签u和ground-truth的boundingbox回归目标v。然后计算多任务损失函数L：

L(p,u,t^u,v)＝L_cls(p,u)+λ[u≥1]L_loc(t^u,v)

其中，L_cls(p,u)＝-logp_u为真实类别u的log损失；第二项回归损失函数L_loc是真实对象位置信息v＝(v_x,v_y,v_w,v_h)和预测对象位置信息之间的误差损失；参数λ用于平衡两个损失函数，可以取λ＝1；

对于L_loc采用L1平滑损失函数：

其中

上式中，d＝t^u-v；

最后，将训练好的网络移植到带有GPU加速的嵌入式图像处理计算机上，实时对图像中的绝缘子进行标注并将其二维几何信息反馈给信息融合算法；

C)线路通道外的树木和其它障碍物，均为空中机器人主动避障的目标，故不需识别具体对象，因此对于这类对象通过激光雷达8进行探测即可，将距离小于阈值的物体作为障碍物。

优选的，步骤3)信息融合的障碍物距离信息获取方法如下：

首先，通过坐标变换将激光雷达8采集到的距离信息与四向摄像头采集到的图像进行对准，得到图像中每个像素点相对于激光雷达8的物理坐标；

其次，将步骤2)中求出的导线、杆塔、树木和其它障碍物的二维几何信息通过坐标变换为三维信息，变换方法为：

其中(x,y)为相机中一个像素点的二维坐标，(u₀,v₀)表示相机光心坐标，f_x和f_y分别表示相机在x和y方向上的焦距，障碍物实际相对图像中心的距离在x和y方向上的分量分别为X和Y，Z为导线所属直线(Z_l)或杆塔障碍物(Z_d)所属矩形区域的平均距离；

再次，找出激光雷达8检测出的最大距离区域，将该区域的平均距离记为Z_r，比较Z_r、Z_l和Z_d的大小，将最小的距离记为Z_p，则Z_p即为步骤3)中障碍物的距离信息；

最后，得到Z_p相对的图像矩形或线性区域的大小，即(X,Y,Z_p)，并将其作为避障的依据。

优选的，一种自动避障的树障清理空中机器人的避障方法，空中机器人避障的控制方法为：

需要实施主动避障的障碍物包括：电力走廊内的电力线、杆塔，电力走廊外的树木和其它障碍物；

1)若只有前向摄像头9发现障碍物，且障碍物距离≤安全距离阈值，则立即进行紧急制动，并向地面站发送告警信息，然后由操作人员通过地面站监控视频或实地观察，对空中机器人前方场景进行再次判断后实施进一步避障操作：①对于导线或杆塔类障碍物，依据原航向缓慢向上爬升或侧向移动直到障碍物从摄像头9视野中移出，或自主降落等待工作人员进行回收，或人工操控空中机器人飞越或绕过障碍物；②对于通道内的待清除的树木，则继续向前实施清障作业；

2)若只有左或右向摄像头9发现障碍物，且障碍物距离≤安全距离阈值，则立即进行紧急制动，然后缓慢向障碍物相反方向移动，直到障碍物从摄像头9视野中移出；

3)若前、左和右向摄像头9都发现障碍物，且障碍物距离≤安全距离阈值，则立即进行紧急制动，并向地面站发送告警信息，然后由操作人员通过地面站监控视频或实地观察，对空中机器人前、左和右向场景进行再次判断后实施进一步避障操作：缓慢垂直爬升直到障碍物从摄像头9视野中移出，或自主降落等待工作人员回收，或由人工全面接管手动实施清障操作；

4)若测高雷达10探测的空中机器人相对地面的高度≤安全高度阈值，即令空中机器人上升以实施主动高度避障控制，并通过通信模块向地面监控站发送安全告警信息。

优选的，上述前臂3为两段结构，并通过保护关节12连接为一体；如图3、图4所示，保护关节12具有受力缓冲与作业力度感知功能，包括固定叉1201、十字轴1202、活动叉1203、圆柱套1204、弹簧1205和螺钉1206，固定叉1201、活动叉1203、圆柱套1204均为中空圆柱形，十字轴1202分别通过轴承与固定叉1201的前部、活动叉1203的后部连接，由此构成具有上下旋转(俯仰)和左右旋转(航向)自由度的万向节，固定叉1201的后部与前臂3的后段固连，圆柱套1204的前部与前臂3的前段固连，圆柱套1204的后部以可轴向滑动、可相对旋转(滚转)的套筒形式与活动叉1203的前部连接，弹簧1205为圆柱形，以包裹形式安装于固定叉1201、活动叉1203和圆柱套1204的外部，弹簧1205的两端通过两螺钉1206分别与固定叉1201和圆柱套1204固连。保护关节12拥有四个方向的机械缓冲自由度，可有效减弱树障反作用力或力矩以及刀具的振动对空中机器人飞行姿态的影响。

十字轴1202与固定叉1201之间设有感知二者相对左右旋转(航向)幅度的航向角度传感器，十字轴1202与活动叉1203之间设有感知二者相对上下旋转(俯仰)幅度的俯仰角度传感器，圆柱套1204与活动叉1203之间设有感知二者轴向相对运动(轴向)幅度的轴向位移传感器、感知二者相对旋转运动(滚转)幅度的滚转角度传感器，因此保护关节12可感知刀具组件6所受四个方向的树障反作用力或力矩，并作为刀具进给或退出、空中机器人姿态或高度微调的控制输入，使清障控制更加精确。其中，上述各角度传感器均可采用光电编码器或电位器等，上述位移传感器可采用滑动变阻器或光栅尺等，作用力或力矩的计算：通过各位移传感器和角度传感器测得的位移与弹簧的拉伸刚度、弯曲刚度以及扭转刚度，进行计算获得各个作用力(拉伸或压缩)或力矩(俯仰力矩、航向力矩、扭转力矩)。

采用标定方法标定保护关节12的两端(圆柱套1204与固定叉1201)相对受力-位移或受力矩-角度的曲线，从而得出保护关节12的轴向刚度曲线、俯仰刚度曲线、航向刚度曲线和扭转刚度曲线，通过各刚度曲线和对应的位移或角度，即可求得保护关节12两端的受力或力矩。

所述飞行控制器针对上述角度传感器和位移传感器，设有相应的模拟量(电压或电流)或数字量(包括总线)、脉冲量、频率量等类型接口，还针对旋翼组件设置PWM或总线接口，针对信号处理器、通信模块和刀具控制器设置总线接口。所述总线包括CAN、RS-485/422/232、以太网或机载总线等类型。

优选的，多旋翼平台1包括平台支架、固定连接在平台支架上的多个旋翼组件(数量为≥4的偶数)，旋翼组件包括旋翼和旋翼电机，旋翼固定连接在旋翼电机的输出轴上，旋翼电机固定连接在平台支架上。

优选的，刀具组件6包括刀具杆、连接在刀具杆上的作业刀具、嵌入或安装于刀具杆的刀具控制器，作业刀具连接有驱动电机，驱动电机固定连接在刀具杆的前端。

优选的，基于保护关节12的空中机器人控制方法如下：

1)实时采集空中机器人的姿态角、角速率、加速度、卫星定位、高度和速度等信息，结合地面遥控指令(通过飞行控制器与地面遥控器的无线连接)，计算各个旋翼的转速指令并输出给上述旋翼组件，以实现空中机器人姿态与位置的稳定与控制；

2)执行清障进给指令时，根据树障枝条的生长方向与切割位置，同步：①向纵向弯曲关节11输出运动指令，驱动该关节转动以保持作业刀具相对被清理树枝的垂直角度；②向所有旋翼组件输出转速指令，驱动多旋翼平台1向前倾转并配合调整升力，使空中机器人形成沿刀具平面向前进给的推进动力，同时保持树障枝条干扰下的机器人姿态稳定；两者的协同最终使作业刀具沿其旋转平面向前推进并以接近垂直的角度切入树障枝条；

3)执行退出指令时，首先驱动作业刀具先刹车后反转，然后同步：①调节纵向弯曲关节11以保持作业刀具相对被清理树枝的垂直角度；②调节旋翼转速使多旋翼平台1向后倾转并配合调节升力，使空中机器人沿刀具平面向后运动退出作业；以上两者的相同可避免退出过程中刀具的卡阻或折损；当作业刀具脱离树障一定距离后，空中机器人自动恢复水平悬停；

4)通过保护关节12感知刀具组件6所受的树障反作用力(轴向)或力矩(俯仰、航向、滚转)，一旦达到或超过预定的保护门限，可判定刀具处于过载状态，即令刀具控制器和飞行控制器自动同步进入保护模式：控制刀具组件6先刹车后反转，同时控制空中机器人沿刀具平面向后运动退出作业；

5)若上述反作用力或力矩小于预定的保护门限，将作为空中机器人运动微调的控制输入，具体控制方法如下：

A)设清障时保护关节12感知的轴向力为X，向后为正，相应的作业门限为λ_X、不灵敏区为为δ_X，其中，λ_X＞0，0≤δ_X＜λ_X，有：

——若X<0，判定空中机器人受到树障的前向拉力，飞行控制器可采取如下措施之一：①控制空中机器人沿刀具平面向前运动微调，若X正向增加则继续当前清障作业，若X不变或负向增加则转到②；②控制空中机器人进入悬停状态，并通过通信模块向地面站发送安全报警信息，以求人工干预；

——若X＜λ_X-δ_X，飞行控制器控制空中机器人沿刀具平面向前运动微调，使轴向力增大，实现轴向自动作业进给；

——若|X-λ_X|≤δ_X，飞行控制器控制空中机器人保持悬停，轴向进给量为零；

——若X＞λ_X+δ_X，飞行控制器控制空中机器人沿刀具平面向后运动微调，使轴向力减小，实现轴向自动保护回退。

B)设清障时保护关节12感知的航向力矩为N，俯视向右为正，相应的作业门限为λ_N、不灵敏区为δ_N，其中，λ_N＞0，0≤δ_N＜λ_N，有：

——若|N|＜λ_N-δ_N，飞行控制器控制空中机器人向使|N|增大的方向运动微调航向，实现水平侧向自动作业进给；

——若||N|-λ_N|≤δ_N，飞行控制器控制空中机器人保持当前航向，水平侧向进给量为零；

——若|N|＞λ_N+δ_N，飞行控制器控制空中机器人向使|N|减小的方向运动微调航向，实现水平侧向自动保护回退。

C)设清障时保护关节12感知的俯仰力矩为M，向上为正，相应的不灵敏区为δ_M，其中，δ_M≥0，有：

——若|M|＞δ_M，飞行控制器控制空中机器人向使|M|减小的方向运动微调高度；

——若|M|≤δ_M，飞行控制器控制空中机器人保持当前高度。

优选的，上述机身2的下端设置有减振装置，上述中臂4和后臂5通过减振装置分别连接到机身2的下端。减振装置为弹簧-阻尼器结构。

优选的，上述中臂4和后臂5活动地穿过减振装置，并分别通过锁紧螺栓锁紧伸出长度，由此可对空中机器人的整体重心进行调节。

空中机器人下方设有起落架。

本发明的优点如下：

1)在多旋翼平台上搭载激光雷达、多摄像头和测高雷达，构造了三者组合环境感知模式，探测周围环境物体与空中机器人的距离，有利于实施空中机器人高精度的避障控制，该架构与无人驾驶汽车技术相仿；；

2)采用信号处理器+飞行控制器的串联组合架构，将环境探测与避障控制的软硬件功能合理分割，实现了系统功能与实现的模块化，方便各个模块的独立实现、升级与维护；

3)本发明在作业臂上设置纵向弯曲关节，通过该关节的转动调节，保持作业刀具相对被清理树枝的垂直角度，同时控制多旋翼平台前倾(或后倾)并配合调节升力，使空中机器人沿刀具平面向前进给(或向后退出)运动，以实施清障作业(或清障退出)。该结构相对多旋翼平台+轴向推进器的结构方式较为简单，易于工程实现；相应的作业方式能有效减少刀具打滑，提升树障清理效率，降低树障清理的风险并提高作业安全性；

5)空中机器人总体结构扁平，配合纵向弯曲关节和前视摄像头观察带来的可视化作业刀具变向，相比单纯的水平进给方式，可在对树障实施精准切割的同时减少空中机器人深入枝叶茂密区域的几率，从而降低了作业风险；

6)通过前视摄像头可对树障的外部形态、树障清理的效果进行近距离观察，并实时监视作业刀具的工作状态；

7)所设置的保护关节具有四个方向的机械缓冲自由度，可有效减弱树障反作用力或力矩以及作业刀具的振动对空中机器人飞行姿态的影响；

8)通过减振装置可有效滤除作业刀具的振动对机体的影响；

9)电池组置于空中机器人的后部，起到良好的配重作用，同时中臂与后臂相对机体可前后伸缩并锁定，有利于快速调节空中机器人的重心；

10)具有自动避障功能的空中机器人将具有更广阔的应用前景。

以上所述，仅为本发明的具体实施方式实例，本发明的保护范围并不局限于此。熟悉该技术领域的技术人员在本发明揭露的技术范围内，可轻易找到变化或替换方式，这些都应涵盖在本发明的保护范围之内。为此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种自动避障的可纵向弯曲树障清理空中机器人，其特征在于：包括为空中机器人提供飞行动力的多旋翼平台(1)、固定连接在多旋翼平台(1)正下方的机身(2)、与机身(2)纵向轴平行且固连于机身(2)前端的中臂(4)、与机身(2)纵向轴平行且固连于机身(2)后端的后臂(5)、通过内置驱动电机的纵向弯曲关节(11)与中臂(4)连接的前臂(3)、固连于前臂(3)前端的刀具组件(6)、固连于后臂(5)后端的电池组(7)、安装于多旋翼平台(1)上部中心的激光雷达(8)、布置在机身(2)底部的测高雷达(10)，多旋翼平台(1)前侧、两侧和电池组(7)后侧均布置有摄像头(9)。

2.根据权利要求1所述的一种自动避障的可纵向弯曲树障清理空中机器人，其特征在于：还包括相互连接的信号处理器、飞行控制器和通信模块；激光雷达(8)、摄像头(9)和测高雷达(10)连接到信号处理器的信号输入端，飞行控制器连接到多旋翼平台(1)的动力模块、纵向弯曲关节(11)的驱动电机、刀具组件(6)内的刀具控制器以及惯性测量单元、气压高度计、卫星导航接收机，通信模块用于传输飞行数据与机载图像。

3.根据权利要求1所述的一种自动避障的可纵向弯曲树障清理空中机器人，其特征在于：机身(2)为前后狭长结构，空中机器人为左右对称结构。

4.根据权利要求1所述的一种自动避障的可纵向弯曲树障清理空中机器人，其特征在于：电池组(7)包括向刀具组件(6)、多旋翼平台(1)、纵向弯曲关节(11)、信号处理器、飞行控制器和机载传感器供电的电池。

5.根据权利要求1所述的一种自动避障的树障清理空中机器人，其特征在于：前臂(3)为两段结构，并通过保护关节(12)连接为一体，保护关节(12)包括固定叉(1201)、十字轴(1202)、活动叉(1203)、圆柱套(1204)、弹簧(1205)和螺钉(1206)，固定叉(1201)、活动叉(1203)、圆柱套(1204)均为中空圆柱形，十字轴(1202)分别通过轴承与固定叉(1201)的前部、活动叉(1203)的后部连接，由此构成万向节，固定叉(1201)的后部与前臂(3)的后段固连，圆柱套(1204)的前部与前臂(3)的前段固连，圆柱套(1204)的后部以可轴向滑动、可相对旋转的套筒形式与活动叉(1203)的前部连接，弹簧(1205)为圆柱形，以包裹形式安装于固定叉(1201)、活动叉(1203)和圆柱套(1204)的外部，弹簧(1205)的两端通过两螺钉(1206)分别与固定叉(1201)和圆柱套(1204)固连。

6.根据权利要求1-5所述的一种自动避障的可纵向弯曲树障清理空中机器人的避障方法，其特征在于：该方法步骤如下：

1)安装激光雷达(8)使其激光扫描线略高于多旋翼旋转平面，通过激光雷达(8)对周围环境进行360度水平扫描，探测并感知空中机器人四周物体到激光雷达(8)的距离；

2)摄像头(9)获取空中机器人前后左右的环境影像并送入信号处理器，然后采用机器视觉算法对输电线路通道内外的导线、杆塔、树木和其它物体进行识别与图像定位，其中，杆塔包含绝缘子和金具，其它物体包括建筑物、桥梁和山峦地形；

3)将步骤1)所感知的二维距离信息与步骤2)所识别的障碍物信息进行融合，获得障碍物的距离信息进行空中机器人主动避障：

——若所感知的障碍物为导线、杆塔、通道外树木和其它物体，且这些障碍物与空中机器人的距离≤预设的安全距离阈值，即令空中机器人实施主动避障控制，同时向地面监控站发送安全告警信息；

——若所感知的障碍物为通道内的树木，则空中机器人实施清障，同时向地面监控站发送清障动作信息；

——除了上述两种情况外，无需避障控制；

4)通过向下安装的测高雷达(10)探测空中机器人相对地面的高度，将此相对高度用于空中机器人的高度保持，以及进行空中机器人主动避障。

7.根据权利要求5所述的一种自动避障的可纵向弯曲树障清理空中机器人的避障方法，其特征在于：步骤2)采用机器视觉算法对环境物体进行识别与定位的方法如下：

A)对于导线障碍物，采用直线参数化方法对其进行检测：首先，利用最大类间方差法将所有障碍物从背景中分割出并进行二值化；然后，对图像平面中所有像素值不为0的像素点进行直线建模，假设一个不为0的像素点坐标为(x,y)，则其必然属于一条直线，该直线的方程可表示为：

ρ＝xcosθ+ysinθ

其中ρ表示该点所属直线相对于原点坐标的距离，θ表示该直线相对于原点的法线与x轴正方向的夹角，通过在ρ-θ空间寻找最大值，将图像中的所有点转化为直线方程；最后，根据将夹角及长度满足一定阈值条件的直线识别为输电线并将其二维几何信息反馈给信息融合算法；

B)对于杆塔和树木，采用深度卷积神经网络方法进行对象检测：

首先，建立杆塔和树木图像库，用于目标检测时的模型训练和检测，在建立图像库过程中，需要采集各种光照、角度、焦距、天气环境下的对象图像，并做标注；

其次，建立检测网络模型，检测模型由5个卷积层、3个池化层和2个全连接层组成，检测模型分为候选区选择、特征提取、对象的分类与检测框的回归三个部分组成，候选区选择采用SelectiveSearch方法对每张图像提取2000个RoIs；然后将这些RoIs进行卷积和池化操作，以提取RoIs的特征；对象的分类和检测有两个输出：一个输出用来描述每个RoI所属类型的概率值p＝(p₀,p₁,...,p_u)，概率p由最后一层的全连接层结合softmax计算得到；另一个输出层是boundingbox回归层，该层输出目标对象的坐标位置信息t^u＝(t_x ^u,t_y ^u,t_w ^u,t_h ^u)，其中，u为障碍物的个数索引，(x,y)表示目标对象的左上角坐标，(w,h)表示目标对象的宽度和高度，RoI为感兴趣区；

对于每一个带标签的RoIs作类别训练和位置回归时，都将输出一个相应的ground-truth类型标签u和ground-truth的boundingbox回归目标v。然后计算多任务损失函数L：

L(p,u,t^u,v)＝L_cls(p,u)+λ[u≥1]L_loc(t^u,v)

其中，L_cls(p,u)＝-logp_u为真实类别u的log损失；第二项回归损失函数L_loc是真实对象位置信息v＝(v_x,v_y,v_w,v_h)和预测对象位置信息之间的误差损失；参数λ用于平衡两个损失函数，取λ＝1；

对于L_loc采用L1平滑损失函数：

其中

上式中，d＝t^u-v；

最后，将训练好的网络移植到带有GPU加速的嵌入式图像处理计算机上，实时对图像中的绝缘子进行标注并将其二维几何信息反馈给信息融合算法；

C)线路通道外的树木和其它障碍物，均为空中机器人主动避障的目标，通过激光雷达进行探测即可，将距离小于阈值的物体作为障碍物。

8.根据权利要求6所述的一种自动避障的可纵向弯曲树障清理空中机器人的避障方法，其特征在于：步骤3)信息融合的障碍物距离信息获取方法如下：

首先，通过坐标变换将激光雷达(8)采集到的距离信息与四向摄像头采集到的图像进行对准，得到图像中每个像素点相对于激光雷达(8)的物理坐标；

其次，将步骤2)中求出的导线、杆塔、树木和其它障碍物的二维几何信息通过坐标变换为三维信息，变换方法为：

其中(x,y)为相机中一个像素点的二维坐标，(u₀,v₀)表示相机光心坐标，f_x和f_y分别表示相机在x和y方向上的焦距，障碍物实际相对图像中心的距离在x和y方向上的分量分别为X和Y，Z为导线所属直线(Z_l)或杆塔障碍物(Z_d)所属矩形区域的平均距离；

再次，找出激光雷达(8)检测出的最大距离区域，将该区域的平均距离记为Z_r，比较Z_r、Z_l和Z_d的大小，将最小的距离记为Z_p，则Z_p即为步骤3)中障碍物的距离信息。

最后，得到Z_p相对的图像矩形或线性区域的大小，即(X,Y,Z_p)，并将其作为避障的依据。

9.根据权利要求6所述的一种自动避障的可纵向弯曲树障清理空中机器人的避障方法，其特征在于：步骤3)和步骤4)中空中机器人避障的控制方法为：

需要实施主动避障的障碍物包括：电力走廊内的电力线、杆塔，电力走廊外的树木和其它障碍物。

1)若只有前向摄像头(9)发现障碍物，且障碍物距离≤安全距离阈值，则立即进行紧急制动，并向地面站发送告警信息，然后由操作人员通过地面站监控视频或实地观察，对空中机器人前方场景进行再次判断后实施进一步避障操作：①对于导线或杆塔类障碍物，依据原航向缓慢向上爬升或侧向移动直到障碍物从摄像头(9)视野中移出，或自主降落等待工作人员进行回收，或人工操控空中机器人飞越或绕过障碍物；②对于通道内的待清除的树木，则继续向前实施清障作业；

2)若只有左或右向摄像头(9)发现障碍物，且障碍物距离≤安全距离阈值，则立即进行紧急制动，然后缓慢向障碍物相反方向移动，直到障碍物从摄像头(9)视野中移出；

3)若前、左和右向摄像头(9)都发现障碍物，且障碍物距离≤安全距离阈值，则立即进行紧急制动，并向地面站发送告警信息，然后由操作人员通过地面站监控视频或实地观察，对空中机器人前、左和右向场景进行再次判断后实施进一步避障操作：缓慢垂直爬升直到障碍物从摄像头(9)视野中移出，或自主降落等待工作人员回收，或由人工全面接管手动实施清障操作；

4)若测高雷达(10)探测的空中机器人相对地面的高度≤安全高度阈值，即令空中机器人上升以实施主动高度避障控制，并通过通信模块向地面监控站发送安全告警信息。