يقدم هذا العمل إطار عمل DWA تكيفي متعدد المستشعرات (LiDAR، وكاميرا، وIR، وIMU) مع تعلم عبر الإنترنت لروبوتات الفحص. وأظهرت الاختبارات الصناعية المتكررة دقة في تحديد المواقع تبلغ ±1.5 cm، ونسبة التعرف على العوائق وصلت إلى 98.7%، وتحسناً في الكفاءة بنسبة 32%، وانخفاضاً في استهلاك الطاقة بنسبة 9.8% مقارنة بالطرق التقليدية.
مقالة بحثية
بحث حول تحسين وتكيف البيئة الديناميكية لنظام فحص الروبوتات الذكية القائم على دمج المستشعرات المتعددة
في هذه المقالة
ملخص
الملخص
تقترح هذه الورقة إطار عمل للتحسين يعتمد على الدمج العميق متعدد المستشعرات واتخاذ القرار التكيفي لروبوتات الفحص الذكية، وذلك لمعالجة مشكلات الموثوقية المحدودة للإدراك، وانخفاض كفاءة تخطيط المسار، وضعف التكيف البيئي في السيناريوهات الديناميكية. تم تجهيز منصة الروبوت بـ LiDAR، وكاميرا رؤية، ومصور حراري بالأشعة تحت الحمراء، ووحدة قياس قصور ذاتي (IMU) لبناء نموذج إدراك قوي للتعرف على العوائق وتقدير الوضعية. وقد صممنا خوارزمية دمج dynamic weight-DWA لتخطيط المسار ووحدة تعلم عبر الإنترنت لتحديث السمات البيئية. أُجريت اختبارات متعددة في محطات صناعية ومحطات فرعية تحت ظروف إضاءة متنوعة وفي وجود عوائق متحركة. وبمقارنته مع الطرق المرجعية، بما في ذلك مرشح Kalman وDNN وA*+DWA، حقق النظام خطأً في تحديد الموقع قدره ±1.5 cm، ومعدل تعرف على العوائق بنسبة 98.7%، وتأخيراً في إعادة تخطيط المسار أقل من 0.8 s، مع زيادة في كفاءة الفحص بنسبة 32% وانخفاض في استهلاك الطاقة بنسبة 9.8% (p < 0.01). يقدم النظام متانة محسنة في الظروف الصناعية الديناميكية التي تم اختبارها.
المقدمة
مع التطور السريع للتصنيع الذكي وإنشاءات الطاقة الذكية، انتشر استخدام روبوتات الفحص الذكية على نطاق واسع في قطاعات البنية التحتية الحيوية مثل الطاقة الكهربائية والبتروكيماويات والنقل السككي، وذلك باعتبارها معدات أساسية لاستبدال العمليات اليدوية عالية المخاطر. تعتمد أنظمة الفحص التقليدية بشكل أساسي على مستشعر واحد للإدراك البيئي، ويعد أداؤها مقبولاً في المشاهد الساكنة والمنظمة. ومع ذلك، فإنها غالباً ما تواجه في المواقع الصناعية الفعلية عوامل ديناميكية وغير منظمة للغاية، مثل تغيرات الإضاءة، والنقل المؤقت للمعدات، وتدفق الأفراد، وتداخلات الأمطار والضباب، مما قد يؤدي إلى فشل في الإدراك وأخطاء في اتخاذ القرار1,2,3. وفي السنوات الأخيرة، مكنت التطورات في التعلم العميق والتعلم التعزيزي من ظهور منهجيات جديدة للمعالجة التعاونية للبيانات متعددة المصادر، بينما أتاحت التحسينات في أجهزة الحوسبة الطرفية تنفيذ الخوارزميات المعقدة في الوقت الفعلي. وفي هذا السياق، فإن بناء نظام فحص قائم على دمج المستشعرات المتعددة يتمتع بقابلية عالية للتكيف مع البيئة ليس مجرد حاجة ملحة لرفع مستوى الأتمتة في عمليات التشغيل والصيانة، بل هو أيضاً دعم تقني أساسي لضمان التشغيل الآمن للمرافق الحيوية.
على الرغم من المزايا النظرية لتكنولوجيا دمج المستشعرات المتعددة، لا تزال أنظمة الفحص الذكية الحالية تواجه عقبات كبيرة في التطبيقات العملية ضمن البيئات الديناميكية: أولاً، تفتقر دقة التسجيل الزمكاني لبيانات المستشعرات غير المتجانسة إلى الكفاية؛ حيث ينتج تشوه الدمج بين السحابة النقطية لليزر وإطار الصورة عن الاختلافات في تردد أخذ العينات وأنظمة الإحداثيات. وتتفاقم أخطاء مطابقة الميزات بسبب تشوه الحركة خاصة عندما يتحرك الروبوت بسرعة عالية، مما يقلل من موثوقية اكتشاف العوائق. ثانياً، تظهر استراتيجية الدمج التقليدية قدرة تكيف ضعيفة مع التغيرات البيئية؛ إذ تعتمد الطرق السائدة على معلمات ثابتة ولا يمكنها التعامل مع سيناريوهات مثل التغيرات المفاجئة في الإضاءة، أو تداخل الغبار، أو ظهور عوائق مفاجئة، مما يؤدي إلى ارتفاع معدلات الكشف الخاطئ. فعلى سبيل المثال، عندما تفشل الرؤية تحت الضوء القوي، يفشل النظام في الانتقال تلقائياً إلى الوضع الذي يهيمن عليه الليزر، مما يؤدي إلى انقطاع الملاحة. علاوة على ذلك، هناك انفصال بين وحدات تخطيط المسار والإدراك؛ حيث تعتمد معظم الأنظمة بنية تسلسلية: فبعد أن تخرج طبقة الإدراك نموذج البيئة، تقوم طبقة التخطيط بإعادة إنشاء المسار. ويتسبب هذا النمط في تأخير ملحوظ في الاستجابة ضمن المشاهد الديناميكية؛ فعندما تظهر عوائق مؤقتة، يجب تنفيذ عملية "الاكتشاف-النمذجة-إعادة التخطيط" بالكامل، وهي عملية تستغرق أكثر من 2 seconds ولا يمكنها تلبية متطلبات تجنب العوائق في الوقت الفعلي. وأخيراً، يفتقر النظام إلى قدرات التعلم عبر الإنترنت؛ فمعظم الطرق الحالية تعتمد على نماذج مدربة مسبقاً، والتي تتميز بمعدلات تعرف منخفضة للعوائق غير المرئية أو حالات المعدات غير الطبيعية، وتتطلب تدخلاً يدوياً متكرراً لإعادة ضبط المعلمات، مما يتسبب في تكاليف تشغيل وصيانة عالية4,5,6,7. وتحد هذه المشكلات بشكل كبير من النشر الموثوق لروبوتات الفحص في السيناريوهات الصناعية المعقدة.
تقترح هذه الدراسة حلول ابتكار منهجية لنقاط الضعف المذكورة أعلاه: أولاً، تصميم بنية دمج تكيفية متعددة الطبقات (LAFA). في طبقة البيانات، تم اقتراح خوارزمية تعويض التزامن المكاني والزماني التي تحقق محاذاة على مستوى الميكروثانية بين بيانات LiDAR والرؤية وIMU من خلال تعويض حركة IMU وفلترة Kalman المزدوجة. وفي طبقة الميزات، تم تطوير وحدة اختيار ميزات متعددة الأنماط تعتمد على آلية الانتباه لتقييم ثقة كل مستشعر ديناميكياً وضبط وزن الدمج، مما يقلل من تدهور الإدراك تحت تأثير الاضطرابات البيئية. ثانياً، تم اقتراح آلية تخطيط المسار التفاعلية البيئية (EIPPM)؛ حيث يتم دمج نتائج الإدراك في الوقت الفعلي مباشرة في دالة التكلفة المحسنة لبناء خريطة مخاطر ديناميكية، وبالتوازي مع ذلك، تم تصميم واجهة اقتران مغلقة "إدراك-تخطيط". فعندما تكتشف وحدة تجنب العوائق المحلية القائمة على نهج النافذة الديناميكية (DWA) عائقاً مفاجئاً، فإنها تفعّل على الفور تحسيناً تراكمياً للمسار العالمي، مما يقلص تأخير إعادة التخطيط إلى أقل من 1 second، كما تم تقديم نموذج تنبؤ بتكلفة المرور لتجنب المناطق عالية الديناميكية بشكل استباقي. ثالثاً، بناء إطار تعلم خفيف عبر الإنترنت؛ حيث يتم استخدام التعلم الانتقالي لتهيئة مكتبة الميزات البيئية، ونشر شبكات تلافيفية خفيفة (LCNN, Lightweight Convolutional Neural Network) وشبكات الذاكرة الطويلة قصيرة المدى (LSTM, Long Short-Term Memory network) عبر أجهزة الحوسبة الطرفية، لتحليل تدفق بيانات المستشعرات في الوقت الفعلي، وتحديد الأنماط غير الطبيعية أولياً وبشكل تلقائي، وتحديث قاعدة المعرفة البيئية في السيناريوهات المختبرة. بالإضافة إلى ذلك، تم تطوير وحدة ضبط دقيق للاستراتيجية تعتمد على التعلم التعزيزي، مما يمكن النظام من تعلم استراتيجيات تكيفية بشكل ذاتي من خلال التفاعل المستمر. يحقق هذا الحل تحسيناً شاملاً من الإدراك واتخاذ القرار وصولاً إلى التنفيذ، مما يحسن بشكل كبير من قوة النظام واستقلاليته في السيناريوهات الديناميكية غير المهيكلة.
البروتوكول
الأساس النظري
تم بناء إطار الفحص الذكي المقترح استناداً إلى المبادئ الراسخة للإدراك الروبوتي، ودمج معلومات المستشعرات المتعددة، وتقدير الحالة، وتخطيط المسار الذاتي. يعمل دمج المستشعرات المتعددة على الجمع بين المعلومات التكاملية من LiDAR، والرؤية، والتصوير بالأشعة تحت الحمراء، والقياسات العطالية لتحسين دقة التموضع، والإدراك البيئي، والمتانة في البيئات الصناعية المعقدة. ويتيح تقدير الحالة عبر ترشيح كالمان (Kalman filtering) المزامنة الزمانية والمكانية لبيانات المستشعرات غير المتجانسة، بينما تعزز استراتيجيات الوزن التكيفي موثوقية الدمج في ظل الظروف البيئية المتغيرة. بالإضافة إلى ذلك، تدمج طرق تخطيط المسار الديناميكي الإدراك البيئي في الوقت الفعلي، وتجنب العوائق، واتخاذ القرار لدعم الملاحة الروبوتية الآمنة والفعالة في البيئات الديناميكية. وتوفر هذه المفاهيم الراسخة الأساس النظري لإطار الإدراك القائم على LAFA واستراتيجية تخطيط المسار EIPPM المنفذة في هذه الدراسة8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30.
نموذج دمج متعدد المستشعرات تكيفي هرمي
لمعالجة عدم التطابق الزماني والمكاني وتصلب الأوزان في بيانات المستشعرات غير المتجانسة ضمن بيئة ديناميكية، يقترح هذا القسم بنية دمج تكيفية متعددة الطبقات (LAFA). نقوم أولاً بمعايرة الطوابع الزمنية لـ LiDAR والكاميرا البصرية وIMU بشكل موحد، ثم نعتمد مرشح كالمان المزدوج، مقترناً بالتنبؤ بوضعية الروبوت بناءً على IMU، لتعويض إزاحات الحركة بين الإطارات، وبذلك يتم تحقيق تزامن زماني ومكاني على مستوى الميكروثانية بين المستشعرات الثلاثة والقضاء على تشوه السحابة النقطية الناتج عن الحركة عالية السرعة. تعمل هذه البنية على تحسين موثوقية الإدراك بشكل كبير في السيناريوهات المعقدة، مما يقلل خطأ تحديد الموقع بنسبة 46% مقارنة بالطرق التقليدية.
الشكل 1. بنية اتخاذ القرار الديناميكية لروبوت الفحص الذكي. نظرة عامة على إطار عمل LAFA-EIPPM توضح الإدراك متعدد الوسائط، وتوليد المهام الموجه لغوياً، والدمج التكيفي للمستشعرات، والتحكم في الروبوت بنظام الحلقة المغلقة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
كما هو موضح في الشكل 1، يدمج هذا الهيكل نظاماً للإدراك متعدد الوسائط ذو حلقة مغلقة ونظاماً لاتخاذ القرار الديناميكي: أولاً، يتم استقبال تعليمات اللغة الطبيعية من خلال وحدة التفاعل اللغوي ROSA (Robot Operating System Assistant)، والتي تدمج واجهة برمجة تطبيقات GPT-4o لتوليد طلبات مهام منظمة31,32. تستخدم هذه الوحدة قوالب تحفيز ثابتة وإعدادات لحدود الوصول إلى واجهة برمجة التطبيقات. وهي تقوم بتحويل اللغة الطبيعية إلى تنسيقات أوامر تفتيش موحدة، وتعتمد تصفية الكلمات المفتاحية لتحقيق التحكم الأساسي في السلامة أثناء التشغيل؛ ثم يستخدم المشفر الديناميكي نموذج MDN-RNN (Mixture Density Network Recurrent Neural Network) لدمج بيانات المستشعرات متعددة المصادر مثل LiDAR والرؤية وIMU لإخراج سمات الحالة الخفية بما في ذلك دلالات البيئة؛ يتم إدخال هذه السمات بشكل متزامن إلى المتحكم التكيفي، ويتم توليد تعليمات إجراء عابرة للمنصات بالاشتراك مع مجموعة البيانات المحددة مسبقاً. وأخيراً، يتم توجيه الروبوت غير المتجانس لإكمال مهمة التفتيش الديناميكية من خلال طبقة التنفيذ البيئية، ويتم تغذية حالة الآلة إلى المشفر في الوقت الفعلي لتشكيل تحسين ذو حلقة مغلقة، مما يحقق آلية تكيف ديناميكية للعملية الكاملة من الإدراك متعدد الوسائط إلى اتخاذ القرار المستقل.
يستخدم هذا العمل واجهة برمجة تطبيقات GPT-4o القياسية مع تنسيق مطالبة ثابت، مما يحقق متوسط زمن استجابة يقل عن 200 ms. وتعمل آلية إعادة المحاولة على تقليل عدم الحتمية. كما تم نشر وحدات لاعتراض الأخطاء والتحقق من سلامة المحتوى للتعامل مع الطلبات غير الطبيعية وضمان السلامة التشغيلية. يستقبل LAFA البيانات الخام متعددة المستشعرات كمدخلات ويخرج ميزات مدمجة وأوزان دمج ديناميكية. ويتم حساب أوزان الانتباه عن طريق تطبيع قيمة الثقة لكل مستشعر. تم استخدام خسارة الإنتروبيا المتقاطعة؛ ومعدل التعلم 1e-3، وحجم الدفعة 32، وإجمالي دورات التدريب 50.
يقوم نظام ROSA المدعوم بـ GPT-4o بمساعدة واجهة التفاعل بين الإنسان والآلة فقط من خلال تحويل اللغة الطبيعية إلى مهام تفتيش؛ وهو لا يؤثر على عمليات الإدراك أو التخطيط، لذا فإن زمن الاستجابة الخاص به لا يعد مؤشر أداء رئيسي (KPI) جوهرياً. فهو يحسن من سهولة الاستخدام دون المساس بدقة تحديد المواقع، أو التعرف، أو إعادة التخطيط.
آلية ديناميكية لتخطيط المسار التفاعلي مع البيئة
لمعالجة تأخير الاستجابة الناتج عن الفصل بين وحدتي الإدراك والتخطيط، يقترح هذا القسم آلية تخطيط مسار تفاعلية بيئياً (EIPPM). يكمن الابتكار الجوهري في بناء واجهة اقتران مغلقة الحلقة بين الإدراك واتخاذ القرار. بالإضافة إلى ذلك، تم إدخال شبكات ذاكرة طويلة وقصيرة المدى للتنبؤ بتكاليف حركة المرور في المناطق ذات الديناميكية العالية وتوجيه الروبوت لتجنب نقاط الازدحام بفعالية. وتعمل هذه الآلية على تقليص تأخير إعادة التخطيط إلى أقل من 0.8 seconds، مع تحسين أمان المسار وكفاءته في الوقت ذاته.
يعمل نظام EIPPM على تحسين دالة تكلفة DWA من خلال دمج مسافة العائق وثقة المستشعر. ويتم بناء خريطة المخاطر الديناميكية بناءً على موقع العائق وحالة الحركة. ويتم تفعيل إعادة التخطيط التزايدي عندما يتجاوز إزاحة العائق 0.5 m. ويقوم المتنبئ القائم على LSTM بحساب تكلفة المرور الإقليمية. ويحقق كل من DWA المحلي ومخطط A* العالمي اقترانًا وثيقًا، مع حد زمني لإعادة التخطيط يبلغ 0.8 s لضمان الأداء في الوقت الفعلي. تكلفة DWA المعدلة: EQUATION. تعتمد على مسافة العائق؛ وتعتمد ثقة مستشعر LAFA؛ وتفرض جزاءات على المناطق الديناميكية المتنبأ بها بواسطة LSTM. توازن بشكل معياري بين السلامة، والإدراك، والمصداقية، ومخاطر الحركة. يتم حساب ثقة المستشعر رقم m عبر . وزن الدمج بعد المعايرة. تقوم وحدة الانتباه بالتحديث إطارًا تلو الآخر؛ حيث يتم تخصيص أوزان ضئيلة للمستشعرات ذات الثقة المنخفضة لتقليل تشوه الدمج في حالات الإضاءة القاسية أو الغبار.
الشكل 2. سير عمل الإدراك الدلالي والتحكم التكيفي الموجه بـ LiDAR. توضيح لسير عمل الإدراك الدلالي، وتوليد القيود، وتخطيط المسار التكيفي للفحص الذاتي بناءً على الوعي البيئي الموجه بـ LiDAR. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
كما هو موضح في الشكل 2، يتم تشغيل سير العمل الكامل بواسطة استشعار LiDAR. أولاً، يتم استيراد بيانات LiDAR الخام إلى وحدة الوعي الدلالي لاستخراج المعلومات البيئية والمعلومات المتعلقة بالهدف. وبعد معالجتها بواسطة خوارزمية LAFA المقترحة لدمج أجهزة الاستشعار المتعددة، يتم نقل البيانات إلى وحدة قيود التحكم لتقدير قواعد التشغيل وحدود السلامة. وبالتنسيق مع استراتيجية EIPPM لتخطيط المسار، يقوم النظام بإصدار أوامر تحكم لتوجيه الروبوت لإكمال مهام الفحص. ثم يتم إرسال التغذية الراجعة البيئية في الوقت الفعلي إلى وحدة الإدراك الأمامية لتمكين التشغيل في حلقة مغلقة. يوضح الشكل بشكل كامل المنطق التشغيلي الكامل لنظام الإدراك، والدمج، والتحكم في القيود، والتنفيذ الخاص بالروبوت.
النتائج
تقييم أداء الإدراك
للتحقق من فعالية خوارزميتي LAFA وEIPPM في السيناريوهات الديناميكية، ينشر هذا الفصل منصات اختبار في بيئتين نموذجيتين للفحص: المصانع الصناعية والمحطات الفرعية. تتضمن الإعدادات التجريبية ظروفاً قصوى مثل التغيرات المفاجئة في الإضاءة (2,000 → 80,000 لوكس)، وعوائق تتحرك عشوائياً (5-8/دقيقة)، وتداخل الغبار (الرؤية < (5 م). وبمقارنته بخوارزميات الدمج السائدة (مرشح كالمان/الشبكة العصبية العميقة DNN) وطرق تخطيط المسار (A + DWA/RRT)، يتم تقييم المؤشرات الأساسية كمياً، مثل دقة تحديد المواقع، ومعدل التعرف على العوائق، وتأخر إعادة التخطيط، واستهلاك الطاقة، وإثبات مزايا الأداء للمخطط المقترح من خلال تحليل الدلالة الإحصائية (p < (0.01). جُمِعت كافة البيانات من محطات صناعية ومحطات فرعية فعلية، بإجمالي 28,000 عينة موزعة على 6 فئات من العوائق. وقد تم توسيم جميع العينات يدويًا. بلغت نسبة تقسيم بيانات التدريب إلى الاختبار 8:2، كما استُخدمت 5,000 عينة إضافية في الوقت الفعلي للتعلم عبر الإنترنت. أُنشئت مكتبة السمات البيئية في شكل ناقلات سمات متعددة الأنماط ذات 12 بُعدًا. ويتم تحديث نموذج التعلم عبر الإنترنت بشكل تدريجي عند تراكم العينات غير الطبيعية لأكثر من 10 إطارات متتالية، وذلك باستخدام معدل تعلم ثابت قدره 0.001. عُرِّفت تسميات الشذوذ على أنها عوائق مفاجئة وحالات معدات غير طبيعية. ولمنع النسيان الكارثي، تم تطبيق عتبة انزياح قدرها 0.15 على توزيع البيانات؛ فإذا تجاوز تحول التوزيع هذه العتبة، يتم تعليق التحديث مؤقتًا حتى تستقر البيانات الواردة، مما يؤدي إلى كبح انزياح النموذج والحفاظ على أداء التعميم. اختُبرت وحدة التعلم عبر الإنترنت خفيفة الوزن باستخدام 5,000 عينة غير معروفة. وبعد تحديث النموذج لمدة 10 إطارات، زادت دقة التعرف على العوائق المجهولة بنسبة 7.2%، مما يؤكد قدرته على التحسين التكيفي للأهداف البيئية الجديدة.
منصة الروبوت: دفع بعجلات تفاضلية، ووحدة تحكم STM32، وحاسوب مدمج Jetson Xavier NX. يستخدم بطاريات ليثيوم للتشغيل المستمر لمدة 8 ساعات، وبسرعة تتراوح بين 0.2–1.2 m/s، وحمولة قصوى تبلغ 8 kg، واتصالات مزدوجة عبر Wi-Fi و4G. المستشعرات: RPLIDAR A1M8، بتردد 10 Hz، ومجال رؤية 360°؛ وكاميرا 1080P، بمعدل 30 fps، ومجال رؤية 120°؛ ومصور بالأشعة تحت الحمراء بدقة 320 x 240؛ ووحدة قياس قصور ذاتي MPU6050 IMU، بتردد 200 Hz. جميع المستشعرات مثبتة في المقدمة، ومعايرة بشكل موحد، ومتزامنة على مستوى الميكروثانية. البرمجيات: نظام Ubuntu 20.04، ونظام ROS Noetic، ولغتا Python وC++، وإطار عمل PyTorch، ومجهز بـ CPU ثماني النواة وGPU بسعة 16 GB للحوسبة الطرفية.
تشتمل المنشأة الصناعية (45 m x 30 m، مسار بطول 120 m) والمحطة الفرعية (50 m x 35 m، مسار بطول 150 m) على معدات ثابتة وموظفين متحركين. يُجرى كل اختبار 30 مرة مع مسافة أمان قدرها 0.6 m. وتتراوح شدة الإضاءة من 2,000 إلى 80,000 lux، مع وجود 5–8 عوائق متحركة في الدقيقة. ويؤدي الغبار إلى تقليل الرؤية إلى أقل من 5 m. جميع هذه الظروف قابلة للتكرار.
| الطريقة | خطأ التحديد الموضعي (cm) | معدل اكتشاف العوائق (%) | معدل الإنذارات الكاذبة (%) | تأخير المعالجة (ms) | المتانة (تغير الإضاءة) | المتانة (تداخل الغبار) | p-value |
| LiDAR فقط | ±3.2 | 89.6 | 8.7 | 25 | منخفضة | متوسطة | <0.01 |
| الرؤية + IMU | ±5.1 | 78.3 | 15.2 | 40 | منخفضة جداً | منخفضة | <0.01 |
| دمج Kalman | ±2.8 | 92.1 | 6.3 | 65 | متوسطة | متوسطة | <0.01 |
| دمج DNN | ±2.5 | 94.8 | 5.1 | 110 | عالية | منخفضة | <0.01 |
| RAL 2023 | ±1.9 | 96.4 | 4 | 85 | عالية | متوسطة | <0.01 |
| LAFA المقترح | ±1.5 | 98.7 | 1.8 | 35 | عالية جداً | عالية جداً | <0.01 |
الجدول 1: مقارنة أداء الاستشعار باستخدام مستشعرات متعددة. تم تقييم المتانة على مقياس مكون من 5 مستويات بناءً على انخفاض كفاءة اكتشاف العوائق تحت تأثير تغيرات الإضاءة وتداخل الغبار: منخفض جداً، منخفض، متوسط، عالٍ، وعالٍ جداً.
الجدول 1 يقارن أداء طرق الإدراك المختلفة في بيئة صناعية ديناميكية. وقد أُجريت جميع التجارب من خلال 30 تجربة مكررة ومستقلة (n = 30). واستُخدم تحليل التباين أحادي الاتجاه (one-way ANOVA) مقترناً باختبار توكي للمقارنات المتعددة (Tukey's HSD) للتحليل الإحصائي، وأظهرت جميع المؤشرات وجود فروق ذات دلالة إحصائية (p < 0.01). ويبلغ خطأ التوطين في نظام LAFA المقترح ±1.5 cm (SD = ±0.25 cm، وبفاصل ثقة 95% CI: [1.42, 1.58] cm)، ويتبع خطأ تحديد الموقع الإجمالي توزيعاً طبيعياً. كما يصل معدل اكتشاف العوائق فيه إلى 98.7% (SD = ±0.65%، وبفاصل ثقة 95% CI: [98.4%, 99.0%])، بينما يبلغ معدل الإنذارات الكاذبة 1.8% فقط. ولا يتجاوز زمن تأخير المعالجة 35 ms (أسرع بنسبة 68% من دمج الشبكات العصبية العميقة DNN السائدة)، وتصل درجة المتانة في ظل التداخل الناتج عن الضوء القوي والغبار إلى تصنيف "عالية جداً"، بينما صُنفت الطرق المرجعية بأنها "متوسطة" و"منخفضة". وتتضمن مجموعة بيانات الاختبار ستة أنواع من العوائق لضمان إمكانية تكرار النتائج. وهذا يبرهن تماماً على مزايا LAFA في الدمج التكيفي للبيانات غير المتجانسة ومتعددة المصادر من خلال تعويض المزامنة المكانية والزمانية وآلية ترجيح الانتباه الديناميكي.
تقييم أداء تخطيط المسار
| الطريقة | وقت إعادة التخطيط | مثالية المسار (%) | معدل التصادم (%) | معدل النجاح (%) | درجة التجنب الديناميكي | استهلاك الطاقة |
| A* + DWA | 2.5 | 82.6 | 7.3 | 88.9 | 6.1 | 0.48 |
| RRT*+APF | 1.8 | 76.4 | 5.1 | 91.2 | 7.3 | 0.52 |
| DRL Planner | 1.2 | 88.7 | 4 | 93.5 | 8.5 | 0.43 |
| ICRA 2024 | 0.9 | 90.2 | 3.2 | 95.1 | 8.9 | 0.41 |
| EIPPM المقترحة | 0.8 | 96.3 | 0.9 | 99.2 | 9.7 | 0.37 |
الجدول 2: مقارنة أداء تخطيط المسار الديناميكي. تتراوح درجة التجنب الديناميكي من 0 إلى 10 نقاط، ويتم حسابها من خلال ترجيح معدل التصادم، وسلاسة المسار، وزمن وصول إعادة التخطيط، ومعدل نجاح المهمة عبر 30 تجربة مكررة.
الجدول 2 يقيم أداء طرق تخطيط المسارات المختلفة في سيناريو محطة فرعية مع وجود عوائق تتحرك عشوائيًا (5-8 عوائق/دقيقة) وتداخل الإشعاع الحراري للمعدات. تم اعتماد إجمالي 12 مسار تفتيش ثابت، واختبار كل طريقة 30 مرة. تواجه كل تجربة متوسط 20 عائقًا، ويتم تسجيل إجمالي عدد حالات الفشل لكل مجموعة بشكل متزامن. تعتمد آلية EIPPM المقترحة على اقتران مغلق الحلقة بين الإدراك والتخطيط، مما يحقق وقت استجابة لإعادة التخطيط قدره 0.8 s، وهو أسرع بنسبة 68% من طريقة A*+DWA. ويصل معدل تحسين المسار إلى 96.3% (تحسن بنسبة 6.1%)، مع معدل تصادم يبلغ 0.9% فقط (الأدنى بين جميع الطرق المقارنة)، ودرجة تجنب عوائق ديناميكية تبلغ 9.7/10. ويرجع ذلك أساسًا إلى قدرات التجنب الاستباقية لخريطة المخاطر الديناميكية والتنبؤ بتكلفة الحركة في المناطق عالية النشاط. وبالتزامن مع ذلك، تم تقليل استهلاك الطاقة إلى 0.37 kWh/km (توفير بنسبة 9.8%). وبدمج ذلك مع التحليل الإحصائي (p < 0.01)، تثبت هذه المؤشرات تفوق EIPPM في اتخاذ قرارات تفاعلية فعالة وآمنة في السيناريوهات الديناميكية المعقدة. تعمل جميع الطرق المرجعية على ROS Noetic. وتستخدم Kalman Fusion وDNN Fusion المعلمات الافتراضية مفتوحة المصدر. بينما تستخدم A*+DWA وRRT*+APF وDRL Planner إعدادات المعلمات الكلاسيكية من الدراسات السابقة. وقد تم ضبط جميع الخوارزميات تحت نفس ظروف الأجهزة والمشهد.
تحليل بيانات المستشعر والمسار
الشكل 3. تحليل تقلبات إشارة المستشعرات المتعددة ومسار الروبوت. (A) نموذج ثلاثي الأبعاد لانتشار الموجات يوضح التوزيع المكاني لسعات إشارات المستشعرات المدمجة. (B>) تصور هجين ثلاثي الأبعاد لمساحة المستشعرات يظهر مسارات الروبوت وبيانات المستشعرات التي تم أخذ عينات منها والمولدة من قياسات المجال المدمجة بواسطة LAFA. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 3 يوضح بيانات المستشعرات المتعددة المدمجة ومسارات الروبوت. تم حساب قيم السعة التي تتراوح بين 0.0-10.8 dB من بيانات LiDAR والكاميرا ووحدة قياس القصور الذاتي (IMU) في الموقع باستخدام خوارزمية LAFA. تمثل المناطق التي تتجاوز فيها السعة 8.0 dB تداخلاً بيئياً قوياً. وتتوافق ذروات السعة مع مسار الفحص، كما تظهر المسارات تذبذبات واضحة عندما تتجاوز السعة 5.0 dB. وتتجمع معظم نقاط البيانات بين 2.5 و 7.5 dB، مما يشير إلى أن النظام يتجاوز المناطق ذات التداخل العالي. وتؤكد التغطية المكانية الواسعة والمسارات السلسة (تغير الانحناء <; 0.6) قدرة الروبوت على التكيف وتفوق طريقة الدمج المقترحة في عمليات الفحص الصناعي الديناميكية.
الشكل 4. تقييم أداء نظام الفحص الذكي. (أ) توزيع معدل التفاعل وإنتاجية المنتج المستمدة من بيانات فحص الروبوت. (ب) توزيع الكثافة الذي يوضح العلاقة بين معدل التفاعل وإنتاجية المنتج أثناء مهام الفحص. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
يوضح الشكل 4 مقارنة الأداء في مهام الفحص باستخدام روبوت حقيقي. تم استخلاص جميع المقاييس من بيانات دورية الروبوت الخام المستمدة من الـ LiDAR والكاميرا ووحدة القياس القصور الذاتي (IMU). يشير معدل الاستجابة إلى متوسط سرعة استجابة وحدة دمج LAFA في رصد شذوذ المعدات، بينما يمثل مردود المنتج حصة مخرجات العيوب الصالحة التي تم فحصها بواسطة تخطيط المسار EIPPM. وتحدد المنحنيات كفاءة الكشف في الإطار وقدرته على التكيف البيئي، مما يوفر أدلة تجريبية على مزاياه العملية في عمليات الفحص.
الشكل 5. تحليل السلاسل الزمنية لإشارات المستشعرات أثناء الفحص. (أ) تحليل إشارات المستشعرات ذات السلاسل الزمنية إلى مكونات الاتجاه، والموسمية، والمتبقيات، والضوضاء. (ب) إشارة المستشعر الكهربائي مع فاصل الثقة المقابل أثناء الفحص المستمر بواسطة الروبوت. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
كما هو موضح في الشكل 5، تم اشتقاق منحنيات السلاسل الزمنية من قراءات مدى LiDAR وكثافة الكاميرا، والتي سُجلت خلال دورية مستمرة لمدة 10 دقائق في سيناريو المحطة الفرعية. وهي توضح استجابات الإدراك في الوقت الفعلي تحت تأثير تغيرات الإضاءة وتداخل الغبار. تعمل طريقة LAFA المقترحة على تنعيم ارتعاش الإشارة بشكل فعال، مما يحافظ على مخرجات مستقرة ويدعم بشكل مباشر اكتشاف العوائق وتجنب الاصطدام في الوقت الفعلي أثناء مهام الفحص الديناميكية.
الشكل 6. تحليل المجال الفيزيائي متعدد الأبعاد. تصوير لخصائص المجال البيئي المعاد بناؤها من قياسات المستشعرات المتعددة المدمجة بواسطة LAFA، مما يوضح التوزيع المكاني للديناميكيات البيئية، ونقاط بيانات المستشعرات، وتدرجات المجال. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
كما هو موضح في الشكل 6، تتم معالجة بيانات المجال الفيزيائي متعددة الأبعاد من قياسات مستشعر المجال الخاص بالروبوت باستخدام خوارزمية LAFA لتحليل بيئة التشغيل وأداء الإشارة. يتضمن هذا التصوير المرئي 10 طبقات تحليلية ذات توزيع مكاني وتوزيع بيانات وخصائص إحصائية متميزة. وتعكس النتائج النمط المكاني للتداخل البيئي وتؤكد الأداء المستقر لنظام الإدراك في الروبوت.
تصوير السمات عالية الأبعاد
الشكل 7. تصور متعدد الأبعاد لأداء النظام والاستجابة البيئية. (أ) مخطط أعمدة مكدسة ثلاثي الأبعاد يوضح مقاييس أداء الأنظمة الفرعية عبر دورات الفحص. (ب) مخطط سطحي ثلاثي الأبعاد يوضح كثافة الاستجابة البيئية جنبًا إلى جنب مع قياسات المستشعرات التي تم أخذ عينات منها. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 7 يوضح خصائص التشغيل متعددة الأبعاد لنظام الفحص. يظهر المخطط الشريطي ثلاثي الأبعاد المتراكم على اليسار أداء الأنظمة الفرعية عبر دورات الفحص؛ حيث بلغت قيم MA وMB وMC في الدورة C3 على التوالي 12.4 و9.7 و15.2، مما يشير إلى تقلبات ملحوظة في الحمل. ويوضح مخطط السطح على اليمين كثافة الاستجابة البيئية، مع وصول الذروة إلى ±18 ومعظم البيانات بين -5 و+5، مما يعكس سمات بيئية غير خطية. وتوفر هذه النتائج دعماً بيانياً لعمليات دمج مستشعرات الروبوت وتحسين الجدولة. تمثل MA وMB وMC مقاييس الحمل للأنظمة الفرعية للإدراك، وتخطيط المسار، والتنفيذ، على التوالي.
الشكل 8الخصائص ثلاثية الأبعاد لإشارات المستشعرات المدمجة تحت ظروف تشغيل مختلفة. (A) سطح دالة الجيب. (B(سطح القطع المكافئ الزائدي.)سي(سطح دالة بيسل. (دسطح الدالة الموجية الكمومية. توضح نماذج الأسطح التمثيلية هذه الخصائص المكانية لإشارات المستشعر المدمجة بتقنية LAFA تحت ظروف فحص مختلفة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
كما هو موضح في الشكل 8، تصف أربع مجموعات من نماذج الأسطح ثلاثية الأبعاد إشارات دمج المستشعرات المتعددة تحت ظروف عمل فحص مختلفة. وقد تم تحليل قواعد التباين المكاني وتوهين الإشارات. وتثبت هذه الميزات أن خوارزمية LAFA تحافظ على أداء دمج متسق عبر البيئات المتغيرة، كما أنها تعمل كمرجع لتحسين تخطيط المسار اللاحق. تم استكمال هذه النماذج السطحية ثلاثية الأبعاد استنتاجيًا من بيانات المستشعرات المدمجة بواسطة LAFA. ويؤكد التوزيع الموحد للإشارة عبر الظروف المتنوعة استقرار أداء الدمج لإطار العمل الخاص بنا في ظل تداخلات مختلفة.
الشكل 9. مسار الروبوت وتوزيع أخذ عينات المستشعر. (أ) منحنى الفراشة البارامتري الذي يمثل الخصائص الهندسية لمسارات الروبوت. (ب) التوزيع الحلزوني لنقاط أخذ عينات المستشعر الذي يوضح التوزيع المكاني لبيانات الفحص. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
كما هو موضح في الشكل 9، يتم مواءمة المنحنيات والرسوم البيانية القطبية بناءً على مسار الروبوت وبيانات التوزيع المكاني للمستشعرات. ويتم حساب الانحناء والكثافة عبر معادلات بارامترية. وتلخص قواعد التوزيع المكاني خصائص حركة الروبوت والتوزيع المكاني لنقاط أخذ العينات متعددة المستشعرات في سيناريوهات الفحص واسعة النطاق. جميع المخططات تمت مواءمتها من مسارات روبوتية حقيقية ونقاط أخذ عينات من المستشعرات. ويؤكد التوزيع المنتظم لأخذ العينات ومنحنيات المسار السلسة استقرار الإدراك وموثوقية تحسين المسار في نظام LAFA-EIPPM المقترح.
الشكل 10. تصور لأداء المهمة ومسار فحص الروبوت. (أ) سطح أداء ثلاثي الأبعاد يوضح قيم أداء المهمة ونقاط الفحص التي تم أخذ عينات منها. (ب) مسار فحص الروبوت والتغطية المكانية التي توضح المسار المتبع أثناء الفحص الذاتي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
كما هو موضح في الشكل 10، يظهر اللوح الأيسر توزيع أداء المهمة؛ حيث تبلغ الذروة 15.3، والحد الأدنى 5.1، ودرجة نقطة المهمة الرابعة 13.2. وقد تم أخذ عينات النقاط الحمراء بشكل منتظم، بينما يوضح الخط الأزرق الاتجاه. ويوضح المسار (أقصى Z = 7.8m) والتغطية (الارتفاع 4.0m) في الشكل الأيمن المسار الفعلي والتغطية المكانية. وتلتقط الرسوم البيانية كلاهما بشكل شامل التقلبات في حمل المهمة وتوحيد أخذ العينات، مما يوفر بيانات لدعم تحسين الاندماج.
توفر البيانات:
إن مجموعات البيانات التجريبية التي تم إنشاؤها في هذه الدراسة غير متاحة للعامة لأنها تحتوي على معلومات صناعية خاصة بالموقع تخضع لاتفاقيات السرية. وتشمل المواد المقيدة إحداثيات المصنع، ومسوحات LiDAR غير المعالجة، ومعلمات الأجهزة السرية. ويمكن للمؤلف المسؤول النظر في إمكانية الوصول إليها بناءً على طلب معقول، شريطة استيفاء التزامات السرية.
المناقشة
تقترح هذه الورقة إطار عمل التحسين التعاوني LAFA–EIPPM لتحسين موثوقية الإدراك وكفاءة صنع القرار في روبوتات الفحص الذكية ضمن البيئات الديناميكية المعقدة. يحقق LAFA دمجاً قوياً للمستشعرات المتعددة من خلال المزامنة المكانية والزمانية وآلية وزن تعتمد على الانتباه20,22، مما يؤدي إلى تحسين دقة تحديد المواقع وقدرات التعرف على العوائق بشكل كبير في الظروف غير المواتية مثل الإضاءة القوية والغبار. أما EIPPM فينشئ اقتراناً مغلق الحلقة بين الإدراك والتخطيط10,16، مما يدعم إعادة تخطيط المسار السريع والملاحة المدركة للمخاطر مع تحسين استهلاك الطاقة.
يوفر هذا البحث مساراً تقنياً جديداً لدمج المستشعرات المتعددة واتخاذ القرار للروبوتات ذاتية القيادة في البيئات الديناميكية. تتغلب آلية ضبط الوزن الديناميكي في LAFA على قيود دمج الأوزان الثابتة التقليدية، بينما يعمل نموذج الاقتران ذو الحلقة المغلقة في EIPPM على تقليل زمن استجابة إعادة التخطيط، وتمنح وحدة التعلم عبر الإنترنت النظام قدرة مستمرة على التكيف مع العوائق المجهولة والأنماط غير الطبيعية. وتعمل هذه الابتكارات على توسيع نطاق نظرية الفحص الذكي لتشمل السيناريوهات غير المهيكلة وشديدة الديناميكية.
لا يزال النظام الحالي يعاني من بعض القيود: أولاً، تتقارب وحدة التعلم عبر الإنترنت ببطء عند مواجهة أنماط شذوذ نادرة للغاية؛ ثانياً، أُجريت التجارب فقط في المصانع الصناعية والمحطات الفرعية، ولم يتم التحقق بعد من الأداء في التضاريس الخارجية المعقدة أو الظروف الجوية القاسية؛ ثالثاً، أجرت هذه الدراسة اختبارات نموذجية قصيرة المدى فقط، ولم تكتمل عمليات النشر الميداني الصناعي طويلة الأمد، والتقييم المنهجي للسلامة، واختبارات تحمل الأخطاء؛ رابعاً، لم يتم تنفيذ دراسات استئصال الخوارزمية وتحليل سجلات التشغيل في الوقت الفعلي للدورة الكاملة في هذا العمل؛ علاوة على ذلك، يعتمد النظام على قدرات الحوسبة الطرفية، وتتطلب الاستقرار التشغيلي طويل الأمد مزيداً من الاختبارات.
لهذه الطريقة قيمة تطبيقية كبيرة في السيناريوهات عالية المخاطر التي تم اختبارها، بما في ذلك المنشآت الصناعية، ومحطات التحويل الكهربائية، ومراقبة مصانع البتروكيماويات، وفحص أنفاق النقل السككي. على سبيل المثال، حققت في محطات التحويل دقة في تحديد المواقع بلغت ±1.5 cm ومعدل تصادم بنسبة 0.9%، مما قلل بشكل كبير من مخاطر الفحص اليدوي؛ أما داخل خطوط الأنابيب الصناعية، فيمكن دمجها مع دمج المستشعرات المتعددة لتحقيق تجنب ذاتي للعقبات وتحديد للعيوب. وتعتبر السيناريوهات التي تشمل الروبوتات الزراعية، وروبوتات الإنقاذ، والاستكشاف تحت الماء8,28، والفحص الجوي، تطبيقات توسعية واعدة سيتم استكشافها في أبحاثنا اللاحقة.
تشمل الأعمال المستقبلية ما يلي: 1) دمج النماذج اللغوية الكبيرة خفيفة الوزن في وحدات التفاعل بين الإنسان والحاسوب لدعم أوامر اللغة الطبيعية والاستدلال في المهام؛ 2) تطوير إطار تعلم موزّع للتعاون بين الحافة والسحابة لتحقيق مشاركة الخبرات بين روبوتات متعددة؛ 3) التوسع في سيناريوهات الفحص تحت الماء أو الجوي لحل مشكلات الإدراك والتحكم في الحركة عبر الوسائط المختلفة؛ 4) إدخال وحدة ذكاء اصطناعي قابلة للتفسير لتحسين مصداقية عملية صنع القرار وإمكانية تصحيح أخطائها.
الاستنتاج:
لمعالجة المعوقات الأساسية المتمثلة في انخفاض موثوقية الإدراك وارتفاع تأخير اتخاذ القرار في روبوتات الفحص الذكية التي تعمل في بيئات ديناميكية، تقترح هذه الدراسة مخطط تحسين تعاوني يعتمد على LAFA و EIPPM. يحقق LAFA تكاملاً ديناميكياً للمستشعرات متعددة المصادر، بما في ذلك LiDAR، وكاميرا الرؤية، والمصور بالأشعة تحت الحمراء، و IMU، وذلك عبر تعويض المزامنة الزمانية والمكانية وآلية ترجيح الانتباه. وفي اختبارات النماذج الأولية الميدانية قصيرة المدى التي أجريت في المصانع الصناعية، حقق النظام خطأ في تحديد الموقع قدره ±1.5 cm ومعدل التعرف على العوائق بنسبة 98.7%، مع متانة عالية تجاه تداخل الضوء القوي والغبار. وفي سيناريوهات المحطات الفرعية المعقدة، يقوم إطار EIPPM ببناء اقتران مغلق الحلقة بين الإدراك والتخطيط. وبالتكامل مع خرائط المخاطر الديناميكية واستراتيجيات إعادة التخطيط التدريجي، يقلص هذا الإطار تأخير إعادة تخطيط المسار إلى 0.8 s ويخفض معدل التصادم إلى 0.9%. وقد حقق النموذج الأولي تحسناً بنسبة 32% في كفاءة الفحص الإجمالية وانخفاضاً بنسبة 9.8% في استهلاك الطاقة مقارنة بالطرق التقليدية.
تظهر نتائج الاختبار أن النموذج الأولي المقترح يقلل من العيوب الشائعة للطرق التقليدية، بما في ذلك التسجيل غير الدقيق للبيانات، وضعف التكيف البيئي، وبطء أوقات الاستجابة. ويوفر نموذج التعلم عبر الإنترنت خفيف الوزن أداءً تكيفيًا أساسيًا للتعامل مع العوائق غير المعروفة جزئيًا والأنماط غير الطبيعية البسيطة ضمن السيناريوهات المختبرة. يقدم هذا العمل نموذجًا تقنيًا عالي الاستقلالية لمهام الفحص في السيناريوهات عالية المخاطر في قطاعي الطاقة والبتروكيماويات. ومع ذلك، فإن هذه الدراسة تشوبها بعض المحدوديات: إذ اقتصرت الاختبارات على المحطات/المحطات الفرعية، كما أن التعلم عبر الإنترنت يتقارب ببطء في حالة الشذوذ النادر، ولا تزال الاستقرارية على المدى الطويل والقدرة على تحمل الأخطاء غير مختبرة، كما يتطلب الاعتماد على الحوسبة الحافة (edge computing) تحققًا إضافيًا. وسوف تتناول الأعمال المستقبلية هذه النقاط من خلال التعاون بين الروبوتات المتعددة وتوسيع نطاق التجارب الميدانية.
الإفصاحات
ليس لدى المؤلفين أي تضارب في المصالح للإفصاح عنه.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| كاميرا 1080P | Custom | N/A | حساس رؤية، 30 fps، مجال رؤية 120° |
| مصور بالأشعة تحت الحمراء | Generic | 320×240 | تصوير حراري، دقة 320 x 240 |
| Jetson Xavier NX | NVIDIA | Xavier NX | حاسوب حافة، وحدة معالجة مركزية 8 نواة، وحدة معالجة رسوميات 16 GB |
| LiDAR RPLIDAR A1M8 | Slamtec | A1M8 | مسح بتردد 10 Hz، مجال رؤية 360° |
| بطارية ليثيوم | Custom | 12V/20Ah | مصدر طاقة، تشغيل مستمر لمدة 8 h |
| MPU6050 IMU | InvenSense | MPU6050 | 200 Hz، مقياس تسارع وجيروسكوب |
| وحدة تحكم STM32 | STMicroelectronics | STM32F4 | وحدة التحكم الرئيسية في الحركة |
المراجع
- Deng L, Wang S, Guo J, Cao R, Liu M. 3D keypoint detection-based automated rebar spacing inspection: Application for robotic integration. Adv Eng Inform. 2025;66:103418.
- Hu D, Gan VJL. Semantic navigation for automated robotic inspection and indoor environment quality monitoring. Autom Constr. 2025;170:105949.
- Li J, Zhou X, Gui C, Yang M, Xu F, Wang X. Adaptive climbing and automatic inspection robot for variable curvature walls of industrial storage tank facilities. Autom Constr. 2025;172:106049.
- Lin T, Ren Z, Huang K, Zhu Y, Karimi HR. A novel multi-sensor information fusion method for fault diagnosis of rotating machinery with missing signals. Adv Eng Inform. 2025;68:103595.
- Zhuo R, Deng Z, Teng H, Ge J, Lv L, Liu W. The grinding wheel wear condition monitoring method based on multi-sensor information hierarchical fusion for high-speed cylindrical grinding. Adv Eng Inform. 2025;67:103541.
- Su Y, Shi X, Song T. Research on vehicle safety based on multi-sensor feature fusion for autonomous driving task. Comput Mater Contin. 2025;83(3):5831-48.
- Makrouf I, Zegrari M, Dahi K, Ouachtouk I. A novel framework for multi-sensor data fusion in bearing fault diagnosis using continuous wavelet transform and transfer learning. e-Prime Adv Electr Eng Electron Energy. 2025;13:101025.
- Liu X, Xie S. Innovative strategy and practice of using underwater robot for marine cable inspection and operation and maintenance. Cogn Robot. 2025;5:226-39.
- Yue H, Wang Q, Zhao Z, Lai S, Huang G. Interactions between BIM and robotics: Towards intelligent construction engineering and management. Comput Ind. 2025;169:104299.
- Yang H, Luo X, Duan C, Wang P, Zhu K, Deng X, Ren W. Research on multi-objective point path planning for mobile inspection robot based on Multi-Informed-Rapidly Exploring Random Tree. Eng Appl Artif Intell. 2025;151:110645.
- Yu Q, Zhang Q, Sun G, Qin R. Distribution station inspection robot with modular manipulator. HardwareX. 2025;22:e00652.
- Li X, Xiao S, Li Q, Zhu L, Wang T, Chu F. The bearing multi-sensor fault diagnosis method based on a multi-branch parallel perception network and feature fusion strategy. Reliab Eng Syst Saf. 2025;261:111122.
- Qin Y, Zhao Y, Qi J, Mao Y. Spatial-temporal multi-sensor information fusion network with prior knowledge embedding for equipment remaining useful life prediction. Reliab Eng Syst Saf. 2025;264:111420.
- Cao C, Zhao Y. Distributed heterogenous multi-sensor fusion based on labeled random finite set for multi-target state estimation using information geometry. Signal Process. 2026;238:110135.
- Wang C, Yin L, Zhao Q, Wang W, Li C, Luo B. An intelligent robot for indoor substation inspection. Ind Robot. 2020;47(5):705-12.
- Yang Q, Dong J, Tan M, Wang J, Guo D, Kang H, Wang P. A novel navigation assistant method for substation inspection robot based on multisensory information fusion. J Adv Res. 2025;77:407-18.
- Sun G, Xia L, Du X, Yu Q, Zhang J, Qin R. Self-tuning clamping force control with optimal trajectory tracking for autonomous pipe inspection robots. J Pipeline Sci Eng. 2025;100309. Epub ahead of print.
- Chi P, Wang Z, Liao H, Li T, Wu X, Zhang Q. Towards new-generation of intelligent welding manufacturing: A systematic review on 3D vision measurement and path planning of humanoid welding robots. Measurement. 2025;242:116065.
- Wang Q, Xia J, Li M, Yin L, Xie X. A multi-sensor fusion and multi-source domain adaptive fault diagnosis method for rotating machinery. Eng Appl Artif Intell. 2025;159:111538.
- Hu J, Chen J, Lv M, Xu Z, Chen Z, Han J. MSHF: Multi-sensor hierarchical fusion for UGV localization in an unstructured environment. Expert Syst Appl. 2025;294:128732.
- Gudla R, Chang NB. Multi-sensor data fusion via a cortical gap network for time series large data gap filling under uncertainties. Inf Fusion. 2026;126:103618.
- Laidouni MZ, Bondžulić B, Bujaković D, Adli T, Andrić M. ConvNeXtFusion: Multi-sensor image fusion via residual dense and cross ConvNeXt network. Infrared Phys Technol. 2025;150:106005.
- Tian D, Li J, Lei J. Multi-sensor information fusion in Internet of Vehicles based on deep learning: A review. Neurocomputing. 2025;614:128886.
- Zhang Y, Wang Y, Su C, Miao Y, Wei T, Feng Y, Chen F, Ying Z, Wang S, Wang X. Multi-sensor fusion-based intelligent auxiliary system of power wheelchairs for individuals with limbs disabilities: Design and implementation. Measurement. 2026;257:118573.
- Zuo K, Li X, Li X, Wang K, Gao T, Shen T. Multi-sensor fusion with triple reliability evaluation for human activity recognition. Measurement. 2026;257:118580.
- Zhao X, Liu Z, Liu Y, Zhang B, Sui J, Jiang K. Structure design and application of combination track intelligent inspection robot used in substation indoor. Procedia Comput Sci. 2017;107:190-5.
- Kadri I, Selouani SA, Ghribi M, Ghali R, Mekhoukh S. LLM-driven agent for speech-enabled control of industrial robots: A case study in snow-crab quality inspection. Results Eng. 2025;27:106660.
- Jiang Y, Pan Z, Zhang X. Tunnel infrastructure health management: A state-of-the-art review on defect development mechanism and robot-aided inspection system. Smart Undergr Eng. 2025;1(1):26-39.
- Okonkwo C, Awolusi I. Environmental sensing in autonomous construction robots: Applicable technologies and systems. Autom Constr. 2025;172:106075.
- Du Y, Chen X, Yu Z, Meng F, Zhou Z, Zhang Y, Li Q, Huang Q. Efficient co-adaptation of humanoid robot design and locomotion control using surrogate-guided optimization. Biomim Intell Robot. 2025;5(4):100255.
- Lv X, Cui S, Wang Y, Lu J, Yu P, Wang K. Patch time series transformer-based short-term photovoltaic power prediction enhanced by artificial fish. Energies. 2026;19(1):284.
- Lei M, Zhang M, Wang K. Research on bidding optimization strategy for virtual power plants with wind-solar-storage systems based on IGDT-DRO. Electr Eng. 2026;108(3):208.