Ferngesteuerter Live-Line-Verteilungsroboter basierend auf gemeinsamer Steuerung zwischen Mensch und Roboter

Zusammenfassung

Ein teleoperierter Live-Line-Verteilungsroboter, der auf der geteilten Steuerung von Mensch und Roboter basiert, wurde entwickelt. Laborexperimente zeigten, dass die Gewichtung der geteilten Kontrolle die Trajektorieneffizienz verbesserte und gleichzeitig die Aufgabenabschlusszeit und Unterbewegungen reduzierte. Ein abrupter Teleoperationsverhaltenserkennungsalgorithmus reduzierte plötzliche Bedienerbewegungen und wurde erfolgreich in Feld-Taping-Operationen validiert.

Zusammenfassung

Traditionelle Live-Line-Arbeiten an Stromleitungen basieren auf manueller Arbeit, die durch hohes Risiko, hohe Arbeitsintensität und hohe Ausbildungskosten gekennzeichnet ist; Daher ist die Entwicklung von Verteilungs-Live-Line-Arbeitsrobotern ein wesentlicher Weg, um manuelle Operationen zu ersetzen. Die Arbeitsumgebung ist jedoch sehr unstrukturiert und dynamisch, mit Herausforderungen wie komplexer Außenbeleuchtung und unvorhersehbaren Windverhältnissen. Bestehende Roboter nutzen hauptsächlich entweder Master-Slave-Teleoperation oder vollständig autonome Modi, die hohe mentale Belastungen für die Bediener darstellen, sehr anfällig für Fehlfunktionen sind und eine begrenzte Anpassungsfähigkeit an die Umgebung aufweisen.

Um diese Probleme zu adressieren, stellt diese Studie einen teleoperierten Verteilungs-Live-Line-Funktionsroboter vor, der auf gemeinsamer Steuerung zwischen Mensch und Roboter basiert. Die endgültige Manipulatorbahn wird durch eine linear gewichtete Kombination aus zwei Referenzbahnen erhalten, die separat vom menschlichen Bediener und dem automatischen Planungsmodul des Roboters bereitgestellt werden. Dieser Ansatz verringert die Abhängigkeit des Roboters vom Bediener, entlastet die mentale Belastung des Bedieners, verbessert die Effizienz und verhindert plötzliche Fehloperationen durch den menschlichen Bediener. Abschließend stellt das Papier das Systemdesign vor und überprüft seine Wirksamkeit durch Anwendung in realen Live-Line-Taping-Operationen.

Einleitung

Der Betrieb von Spannungsleitungen ist eine entscheidende Methode für die Inspektion, Prüfung und Wartung von Hochspannungsanlagen. Das Volumen der Live-Line-Arbeit in China wächst rasant. Aus Sicht der Branchennachfrage ist die Lösung der Personalsicherheit im Live-Line-Dienst eine langfristige und mühsame Aufgabe. Innovation und Verbesserung sind weiterhin in Methoden, Technologien, Ausrüstungen und Konzepten erforderlich.

Der Verteilungsbetrieb mit Live-Line ist eine der häufigsten Arten von Live-Line-Betrieb und dient der Wartung der Stromverteilung mit Live-Line. Aufgrund der komplexen Beleuchtung, der dichten Ausrüstungsanordnung und der geringen Phase-zu-Phasen- und Phasen-Erde-Entfernungen in Stromverteilungsleitungen basieren diese Operationen weitgehend auf traditionelle manuelle Methoden. Dieser traditionelle Ansatz steht jedoch vor Problemen wie hohem Risiko, hoher Arbeitsbelastung und hohen Ausbildungskosten¹. Daher ist die Entwicklung von Robotern mit Live-Line-Betriebsfähigkeiten, um manuelle Arbeit zu ersetzen, zu einem unvermeidlichen Trend für zukünftigen Betrieb und Wartung von Vertriebsnetzen geworden.

Seit den 1980er Jahren haben Länder wie Japan und die Vereinigten Staaten Forschung und Versuche in diesem Bereich durchgeführt (wie in Abbildung 1 dargestellt). Die frühesten Systeme waren Master-Slave-Tracking-Roboter, die teleoperiert wurden. So installierte Japans Phase-II-Live-Line-Arbeitsroboter² einen Hilfsmanipulator mit drei Freiheitsgraden (DOF) auf der Plattform sowie einen elektrischen Manipulator mit zwei Drehgraden (DOF). Der menschliche Bediener steuerte ihn über eine Bedienstange aus nächster Nähe.

Das US-amerikanische TOMCAT^3-Modell nutzte einen hydraulischen Manipulator, der von einem menschlichen Bediener in einem Arbeitsschaufel gesteuert wurde. Ähnlich übernahm das Shandong Power Grid⁴ in China hydraulische Manipulatoren, die von Bedienern in einem Arbeitsschaufel gesteuert werden. Darüber hinaus verwendete die spanische ROBTET ^5,6 zur Vergrößerung der zulässigen Distanz zwischen Master- und Slave-Enden Glasfaserkabel für die Fernkommunikation, wodurch Bediener Teleoperation vom Boden aus durchführen konnten. Diese Roboter-Teleoperationsmodi lassen sich als Master-Slave-Tracking-Modus zusammenfassen. Sie leiden unter unzureichender autonomer Intelligenz, was das Personal dazu zwingt, die Umgebung zu beobachten und den Roboter aus nächster Nähe zu steuern, und tragen eine erhebliche mentale Belastung, sodass sie Menschen in Hochspannungs- und gefährlichen Umgebungen nicht ersetzen können.

Um dem Mangel an robotischer Intelligenz entgegenzuwirken, ist Forschung an intelligenten Technologien wie Computer Vision, Flugbahnplanung und Mensch-Roboter-Ferninteraktion erforderlich, um die autonomen Fähigkeiten des Roboters zu verbessern.

Beim Verteilungsbetrieb mit Live-Line macht die Abzapfaufgabe etwa 20 ^{% der} Gesamtlast aus (Verteilerleitungen sind in Abbildung 2 dargestellt). Daher ist es entscheidend, Sehsensoren zur Identifikation und Lokalisierung des Drahts und seines abgetragenen Bereichs, also des isolierten Bereichs, zur Steuerung des Roboters zu verwenden. Im Jahr 2020 entwickelte State Grid^{Ruijia 8} einen Verteilungs-Live-Line-Arbeitsroboter, der eine Ferninteraktion ermöglicht, indem er LiDAR- und Fernkamerainformationen für Zielerkennung und -positionierung fusioniert. Zusätzlich werden Algorithmen verwendet, die morphologische Operationen und Hough-Transformation kombinieren, um die Stromleitungsextraktion ^9,10 zu erleichtern. Die Hough-Transformation wird verwendet, um Stromleitungen zu erkennen, gefolgt von Stereovision-Algorithmen, die die detektierten 2D-Pixeldaten in 3D-räumliche Koordinaten¹¹ umwandeln. Das State Grid Hubei Electric Power Research Institute¹² schlug einen Filter auf Basis der Farb-Tiefen-Kartenfusion vor. Diese Methode filtert komplexe Hintergründe rund um die Stromleitungen heraus und extrahiert dann klare Netzkonturen durch Analyse von Pixelwertunterschieden in der Nachbarschaft. Zusätzlich schlug die University of Science and Technology of China¹³ einen auf Deep-Learning-basierten Stromleitungserkennungsalgorithmus vor, der eine schnelle Identifikation und Lokalisierung mehrerer Stromleitungen ermöglicht.

Trotz der rasanten Entwicklung von Computer-Vision-Algorithmen bleiben Außenbetriebe eine Herausforderung. Komplexe Lichtverhältnisse und reflektierende Drahtoberflächen führen häufig zu einem Verlust von Tiefeninformationen, was zu niedrigen Erkennungsraten und großen Positionsfehlern bei Methoden führt, die stark auf Tiefendaten¹³ angewiesen sind. Gleichzeitig sind aufgrund verschiedener unregelmäßiger Verformungen in Verteilerdrähten eine Reihe von geraden Detektionsmethoden nicht mehr anwendbar, wie in Abbildung 3 gezeigt. Darüber hinaus führen Änderungen der Windrichtung in erhöhten Höhen zu vertikalen Bewegungen der Linien, was zu Zentimeterfehlern in den Ergebnissen bestehender Offline-Algorithmen führt.

In solch hochgefährlichen, unstrukturierten und dynamischen Umgebungen, die als Spezialoperationsumgebungen bezeichnet werden können, sind die Sicht- und Entscheidungsfähigkeit des Roboters eingeschränkt, was es erschwert, komplexe Aufgaben eigenständig zu erledigen.

Daher bleibt es notwendig, intelligente Entscheidungsfindungsmöglichkeiten des Menschen einzuführen und diese mit der hochpräzisen Bewegungssteuerung des Roboters zu kombinieren. Die oben genannten frühen Teleoperationstechnologien boten einen Kanal für menschliches Eingreifen. Durch die Kombination dieser mit schnell entwickelnden Ferninteraktions- und Teleoperationstechnologien ist eine Forschungsreihe zu intelligenten teleoperierten Verteilungs-Live-Line-Arbeitsrobotern entstanden.

Die University of Science and Technology of China¹⁴ implementierte eine inkrementelle Positionszuordnung zwischen Master- und Slave-Seite und nutzte die Artificial Potential Field (APF)-Methode zur Hindernisvermeidung von Robotern. Anschließend wurde die Zulassungs-basierte Teleoperation in Verteilungs-Live-Line-Arbeitsrobotern implementiert. Aufbauend auf der Master-Slave-Verfolgung ermöglicht dieser Ansatz dem Roboter, seine Position dynamisch als Reaktion auf Veränderungen der Umweltkontakte anzupassen. Die University of Electronic Science and Technology of China¹⁵ implementierte virtuelle Constraint Forces auf der Master-Seite, um das Telepräsenzempfinden des Betreibers zu verbessern. Zusätzlich richtete die University of Manitoba¹⁶ während des Teleoperationsprozesses eine Reihe virtueller Einrichtungen ein, um das immersive Erlebnis der haptischen Wahrnehmung des Bedieners zu verstärken.

Die oben genannten ferngesteuerten Roboter stehen jedoch weiterhin vor mehreren Herausforderungen. Die Aufgabe der Sklavenseite ist es, die Bewegungsbahn des Masters zu verfolgen, wodurch sie stark von der vom menschlichen Operator erzeugten Referenzbahn abhängig ist. Aufgrund von Anforderungen wie kurzen Arbeitszeiten und Hindernisvermeidung stellt dies eine erhebliche mentale Belastung für den Hauptbediener dar, was langfristige und komplexe Betriebsaufgaben beeinträchtigt. Der Bediener kann unsachgemäße oder falsche Handlungen begehen, was zu abrupten Bewegungen in der tatsächlichen Flugbahn des Manipulators führt. Dies kann zu Sicherheitsproblemen wie Kollisionen mit der Umgebung oder Phasen-zu-Phasen-Kurzschlüsse führen.

Geteilte Kontrolle ist eine Methode, die menschliche und robotische Entscheidungsfindung effektiv kombiniert^17,18. In der Regel müssen sowohl Mensch als auch Roboter gleichzeitig gewünschte Trajektorien oder Trajektorienpunkte erzeugen und anschließend eine neue gemeinsame Trajektorie durch eine linear gewichtete Kombination berechnet. Dieser Ansatz ermöglicht es dem System, die Präferenz der gemeinsamen Flugbahn anzupassen, indem die Entscheidungsgewichte von Mensch und Roboter angepasst werden.

Daher entwirft dieses Papier einen ferngesteuerten Verteilungs-Live-Line-Working-Roboter auf Basis von Mensch-Roboter-Steuerung. Die wichtigsten Beiträge sind folgende: Erstens wird bei der Behandlung der übermäßigen Frequenz der Referenzbahneingabe durch den menschlichen Bediener während der Teleoperation eine Mensch-Roboter-Steuerungsmethode untersucht. Durch die Zuweisung von Steuergewichten an den menschlichen Bediener und den Roboter sowie durch eine lineare gewichtete Kombination auf deren Referenzbahnen reduziert das System die Abhängigkeit der Referenzbahn vom menschlichen Bediener und entlastet so die Last des Bedieners. Darüber hinaus wird der Einfluss verschiedener menschlicher Operatorgewichte durch Feldexperimente mit Verteilungsdraht-Abhöroperationen überprüft. Zweitens wird zur Bewältigung der gefährlichen Verhaltensweisen in der Masterbahn eine abrupte Betriebsverhaltenserkennungsmethode entwickelt, um die Glattheit und Sicherheit der tatsächlichen Flugbahn des Manipulators sicherzustellen. Drittens werden physikalische Experimente in einer speziellen Betriebsumgebung (Live-Line-Working) durchgeführt, um die Wirksamkeit des Shared-Control-Algorithmus und des Teleoperationssystems zu überprüfen.

Der Rest dieses Artikels stellt zunächst die Shared-Steuerungsmethode für den ferngesteuerten Roboter vor, stellt dann die Systemhardware und -einrichtung vor und validiert den Ansatz schließlich durch Laborexperimente und den Einsatz im Feld auf einem Live-10-kV-Verteilungsnetz.

Protokoll

Alle Experimente mit Bedienern wurden gemäß den Sicherheitsrichtlinien durchgeführt. Die Teleoperationsexperimente wurden von drei ausgebildeten Bedienern (alle Rechtshänder mit mindestens einer Stunde Ausbildung) durchgeführt, die Mitglieder des Forschungsteams sind. Es wurden keine externen menschlichen Teilnehmer rekrutiert, und diese Studie erforderte keine institutionelle ethische Überprüfung. Die Freiwilligen wurden über die experimentellen Verfahren informiert, und während der Studie wurden keine persönlichen oder sensiblen Daten erhoben.

Shared Control Framework

In Live-Line-Working-Szenarien schaffen Faktoren wie das unregelmäßige Biegen von Stromleitungen, der Verlust von Tiefeninformationen durch komplexe Außenbeleuchtung und die zufällige Bewegung von Stromleitungen eine stark unstrukturierte und dynamische Umgebung. Diese Faktoren erschweren es dem Roboter, Stromleitungen in der Umgebung genau zu erkennen und zu lokalisieren. Folglich würde eine vollständige Abhängigkeit vom autonomen Roboterbetrieb zu einem Fehlverhalten führen.

Um der begrenzten Anpassungsfähigkeit vollständig autonomer Roboterbetriebe gerecht zu werden, greifen menschliche Bediener per Teleoperation in den Entscheidungsprozess des Roboters ein und nutzen menschliche Erfahrungen, um dem Roboter bei der Anpassung an die Umgebung zu helfen. Um das Problem der übermäßigen Frequenz der Referenzbahneingabe durch den menschlichen Bediener während der Teleoperation anzugehen, wird zudem eine Methode der gemeinsamen Steuerung zwischen Mensch und Roboter untersucht. Diese Methode verringert die Abhängigkeit der tatsächlichen Flugbahn vom menschlichen Bediener, wodurch die mentale Belastung des Bedieners entlastet und eine effektive Kombination aus intelligenten Entscheidungsfähigkeiten des Menschen und der hochpräzisen Steuerung des Roboters erreicht wird.

Die Struktur des teleoperierten Verteilungs-Live-Line-Arbeitsroboters auf Basis der gemeinsamen Steuerung, wie sie in diesem Artikel vorgeschlagen wird, ist in Abbildung 4 dargestellt. Wobei x_h der vom Teleoperationsgerät ausgegebene Trajektoriepunkt ist, r_h der vom menschlichen Operator bereitgestellte Referenzbahnpunkt (abgebildet auf den kartesischen Raum des Manipulators), r_{r der} vom Roboter autonom geplante Referenzbahnpunkt ist und eine Hilfsfunktion erfüllt. r ist der integrierte Referenzbahnpunkt, der an den Slave-Manipulator gesendet wird (der im folgenden Text als Shared Trajectory bezeichnet wird), f_o sind die Rohdaten, die vom Kraftsensor am Ende des Manipulators gesammelt werden, f_e ist die Kontaktkraft zwischen dem Werkzeugset am Ende des Manipulators und der Umgebung nach der Gravitationskompensation und x ist die aktuelle Position des Manipulators.

Der teleoperierte Verteilungs-Live-Line-Arbeitsroboter ist in zwei Teile unterteilt: die Hauptseite und die Sklavenseite. Die Masterseite befindet sich am Boden, wo der menschliche Bediener die Bewegung des Teleoperationsgeräts steuert. Indem das Kraftfeedback vom Gerät an die Hand des Bedieners übertragen wird und Informationen vom Visionssystem zurückgegeben werden, erreicht der Bediener einen immersiven Betrieb. Die Sklavenseite ist der Roboter, der sich in erhöhter Höhe befindet. Nachdem der Roboter die Pose x_h von der Masterseite erhalten hat, führt er räumliche Kartierungen durch, um r_h zu erhalten, und leitet die gesammelten visuellen und haptischen Daten an die Masterseite zurück.

Aufgrund der unvollständigen Ausrichtung der Wahrnehmung zwischen Roboter und Bediener bezüglich Kontaktkräften, Zielen und Hindernissen in der tatsächlichen Umgebung muss der Bediener eine intensive Konzentration aufrechterhalten, um das Risiko von Bewegungslosigkeit zu minimieren. Um die Abhängigkeit von r von r_h zu verringern und die mentale Belastung für den Bediener während langanhaltender Einsätze zu verringern, muss der Roboter autonom eine Hilfsbahn r_{r r planen}, die ungefähr der kürzeste und sicherste Weg ist, basierend auf Wahrnehmungsinformationen mit realen Fehlern. Dieses r_{r wird} dann linear mit r_h gewichtet, um r zu erhalten, das dem Manipulator als Zielpose zugewiesen wird.

Bewegungsraumkartierung

Die inkrementelle Methode wurde verwendet, um das vom menschlichen Operator angegebene Trajektorien-Inkrement Δx_h zu berechnen:

Δx_h = x_h - x^′_h (1)
wobei x^′_h die Pose am Startpunkt der Teleoperation ist. Bei Live-Line-Arbeitsrobotern, bei denen die Bewegungsräume der Master- und Slave-Seite erhebliche Unterschiede aufweisen, ermöglicht inkrementelle Abbildung dem Bediener, eine bequeme Pose willkürlich auszuwählen und als Teleoperations-Startpose einzustellen.

Das Trajektorieninkrement, Δx_h, wurde dann in den kartesischen Raum des Sklaven-Side-Roboters abgebildet, um schließlich r_h zu erhalten. Der mathematische Ausdruck für diese Abbildung ist wie folgt:

Δr_h = Δx_h * k, r_h = x^′ + Δr_h       (2)
wobei k der lineare Abbildungsparameter ist und x' die Position des Manipulators am Startpunkt der Teleoperation.

Autonome Trajektorienplanung
Der Prozess der autonomen Trajektorienplanung verwendet lineare Interpolation, um die kürzeste Trajektorie r_r von der aktuellen Position zur Zielpose P zu berechnen. Der Berechnungsprozess ist wie folgt:

(3)

wobei P der Zielpunkt ist, wird vom Visionssystem berechnet, das eine Fernkamera und einen Stereo-Laser-LiDAR umfasst. Die Berechnung kann durchgeführt werden, indem mit der Maus Punkte ausgewählt und die Koordinaten mit der Hand-Auge-Kalibrierungsmatrix transformiert werden. N ist die Anzahl der Interpolationspunkte, und i ist die Sequenznummer des Interpolationspunktes. Es sollte beachtet werden, dass unter komplexen Lichtbedingungen das vom Visionssystem berechnete P Fehler enthält, die verhindern, dass r_{r die} Aufgabe unabhängig erledigt.

Methode der gemeinsamen Kontrolle

Um die Anpassungsfähigkeit von r_h an die Umgebung und die Effizienz von r_{r zu} verbinden, ist es notwendig, einen gemeinsamen Regler zu entwerfen, der zwei Trajektorien integriert. Der geteilte Controller verwendet feste Parameter-Arbitrierungsgewichte α, und der Implementierungsprozess ist wie folgt:

r = (1 - α) * r_r + α * r_h (4)

Methode zur Erkennung des plötzlichen Betriebsverhaltens

Während des Ferntelebetriebs kann es zu fehlerhaftem Verhalten durch den Bediener kommen, was zu abrupten Änderungen der Flugbahn führt und sogar zu einer Kollision mit der Umgebung führen kann. Um die sichere und reibungslose Bewegung des Manipulators auf der Sklavenseite zu gewährleisten, ist es notwendig, solches übermäßiges Teleoperationsverhalten auf der Masterseite zu erkennen und zu handhaben. Der Fluss des Shared-Control-Algorithmus, einschließlich der plötzlichen Verhaltenserkennung, ist in Abbildung 5 dargestellt.

Konstruktion von Teleoperationssystemen

Das Arbeitsumfeld in der Live-Line zeichnet sich durch eine stark unstrukturierte und dynamische Atmosphäre aus. Folglich können sich Roboter nicht ausschließlich auf ihre autonome Wahrnehmung und Entscheidungsfähigkeit verlassen, um Aufgaben zu erfüllen; sie müssen durch menschliche Intelligenz ergänzt werden. Teleoperation bietet eine effektive Methode, um menschliches Eingreifen in den Flugbahnplanungsprozess des Roboters zu integrieren. In einem solchen System steuert auf der Masterseite ein Bediener ein Teleoperationsgerät am Boden, während die Slave-Seite in der Höhe aus mehreren Subsystemen besteht.

Diese Studie beschreibt die Entwicklung eines Teleoperations-Robotersystems, das speziell für den Betrieb eines Verteilnetzes entwickelt wurde und das Ziel hat, Live-Leitungs-Abhöraufgaben durchzuführen.

Einführung des ferngesteuerten Robotersystems

Das Teleoperationssystem umfasst das Wahrnehmungssubsystem, das Steuerungssubsystem, das Manipulator-Subsystem, das Werkzeugsubsystem, das Isolationsträgersubsystem und Master-Side-Mensch-Roboter-Interaktionsgeräte. Die detaillierte Nutzung jedes vom Roboter im System geführten Teilsystems ist in Tabelle 1 dargestellt, und das Hardware-System ist in Abbildung 6 dargestellt.

Wahrnehmungssubsystem: Das Subsystem ist dafür verantwortlich, 2D-RGB-Bilder und räumliche Tiefeninformationen bereitzustellen, um die Bewegung des Roboters zu steuern und die Betriebssicherheit zu gewährleisten. Um dies zu erreichen, ist er mit einem Laser-LiDAR für großflächige Umweltmodellierungen auf große Entfernungen ausgestattet; eine Fernglaskamera für hochpräzise Zielerkennung und -lokalisierung auf kurze Distanz; eine Pan-Tilt-Zoom (PTZ)-Überwachungskamera, um eine Betriebsansicht zu liefern und diese während des gesamten Prozesses an den Bediener zurückzuspeisen. Darüber hinaus ist ein Kraftsensor integriert, um externe Kräfte wahrzunehmen und dem menschlichen Bediener eine Rückkopplung zu geben, was hilft, Systemabschaltungen durch übermäßige Kontaktkräfte zwischen dem Roboterende und der Umgebung zu verhindern.

Manipulator-Subsystem: Als primärer Ausführender von Aufgaben besteht dieses Subsystem aus zwei Manipulatoren, die in einer homogenen Doppelarm-Konfiguration angeordnet sind.

Steuerungssubsystem: Als Kernsubsystem des Live-Line-Arbeitsroboters fungiert er als Rechen-, Steuerungs- und Energieversorgungszentrum der Plattform und ist verantwortlich für die Bereitstellung von operativen Befehlen an alle anderen Subsysteme. Um Isolierung und Sicherheitsabschirmung von der Bodenseite zu erreichen, nutzt das Leistungsmodul eine unabhängige Stromversorgung auf der erhöhten Plattform. Er verwendet eine 48-V-Gleichstromversorgung sowohl für Strom als auch für Antriebssteuerung, was Inversionsverluste reduziert und dadurch das Volumen und Gewicht des Stromsystems minimiert.

Endeffektor-Subsystem: Spezialisierte Endeffektoren (Werkzeuge) sind am Ende des Manipulators montiert, um bestimmte Operationen auszuführen. Eine Reihe spezialisierter Werkzeuge mit Standardschnittstellen wurde für verschiedene Aufgaben entwickelt. Für den Betrieb im Verteilnetz gehören dazu ein Abziehwerkzeug und ein Krimpwerkzeug (wie in Abbildung 7 dargestellt), bei denen das Abziehwerkzeug drei 80 W, 450 nm Wellenlängen-Lasergeneratoren mit einer Brennpunktgröße von 130 × 180 μm verwendet, moduliert über 5 V PWM. Die durchschnittliche Betriebszeit für das Abtrennen eines 120-mm-Abschnitts an einem Verteilkabel mit einem Durchmesser von 18–24 mm beträgt bei voller Nennleistung unter Umgebungstemperaturen etwa 2 Minuten. Das Crimpwerkzeug ist dafür verantwortlich, den Tap-Leiterdraht mit einer Klemme sicher am Hauptstromdraht zu befestigen und so die elektrische Kontinuität herzustellen.

Isoliertes Trägersubsystem: Dieses Subsystem wird verwendet, um den Roboter in die erhöhte Arbeitsposition zu transportieren. Es besteht typischerweise aus einer Krabbel- oder Radplattform mit isolierter Luftarbeit (auch als Schaufelwagen bekannt). Um eine integrierte Steuerung des gesamten Robotersystems zu ermöglichen, verfügt es über digitale Steuermöglichkeiten (wie in Abbildung 8 dargestellt).

Master-Side Mensch-Roboter-Interaktionssubsystem: Während des Betriebs gibt der menschliche Bediener Befehle an das Robotersystem über ein Handtablet, einen PC, einen Teleoperations-Griff und andere Computergeräte. Diese Geräte reproduzieren die Sensordaten, darunter Sicht und Kontaktkraft, die vom Roboter zurückgeführt werden, sodass der Bediener den Status des Roboters in Echtzeit überwachen und zudem die Bewegung der Hand des Bedieners bis zum Ende des Manipulators abbilden kann. Die Kommunikationsverbindungen zwischen den Subsystemen sind in Abbildung 9 dargestellt.

Teleoperationsgeräte

In diesem System sind Master- und Slave-Geräte für die Teleoperation das haptische Gerät bzw. der Manipulator. Die Denavit-Hartenberg (DH)-Parameter für jedes werden eingeführt.

Wie in den Abbildungen 10A,B dargestellt, sind dies die Verknüpfungskoordinatenframes des Manipulators. Für die sechs Umschlaggelenke des Manipulators (L_{1,L 2,L 3,L 4,L 5,L 6}) wird für jedes Gelenk ein Koordinatensystem gemäß der Rechtshandregel und den Prinzipien der Denavit-Hartenberg-(DH)-Konvention festgelegt.

In Abbildung 10B repräsentieren x₁∼x₆, y₁∼y6, z₁∼z₆ jeweils die x,y,z-Achsen des Koordinatensystems jedes Gelenks. Basierend auf diesen etablierten Linkframes kann das Vorwärts-Kinematikmodell des Manipulators erstellt werden. Die DH-Notation verwendet vier Parameter: a_i, α_i, d_i und θ_i.

Diese Parameter sind wie folgt definiert: a_i: repräsentiert den Abstand von der Bewegung der z-Achse der i-ten Stange entlang ihrer x-Achse zur z-Achse der (i+1)-ten Stange; α_i: bezeichnet den Winkel, bei dem die z-Achse der i-ten Stange um ihre x-Achse zur z-Achse der (i+1)-ten Stange gedreht wird; d_i: stellt die Entfernung von der Bewegung der x-Achse der i-ten Stange zur x-Achse entlang der z-Achse der i-ten Stange dar;  θ_i: bezeichnet den Winkel, bei dem die x-Achse des i-ten Stabs auf seine x-Achse um die z-Achse des i-ten Stabs gedreht wird.

Das kinematische Modell wird mit der DH-Parametermethode etabliert, und die DH-Parameter für den Manipulator sind in Tabelle 2 unten dargestellt.

Der Teleoperationsgriff ist das haptische Gerät, das als Hauptmanipulator verwendet wird und dessen Gelenke in einer seriellen Kette konfiguriert sind. Die gemeinsamen Koordinatenrahmen sind in Abbildung 10C dargestellt; Die Modellierungsmethode ist dieselbe wie die des Slave-Manipulators.

Experimentdesign

Um den vorgeschlagenen Shared-Control-Algorithmus vor der Einführung quantitativ zu validieren, führen wir zwei Laborexperimente auf einer 6-DOF-Teleoperationsplattform mit 50 Hz durch, was durch ein Python-Skript auf einem Standard-PC erreicht wurde. Bei jedem Steuerzyklus liest das Skript die Master-Pose, berechnet die gemeinsame Trajektorie und sendet die Ziel-kartesische Pose an den Manipulator. Ein festes Intervall von 20 ms wird zwischen aufeinanderfolgenden Befehlen eingehalten, was eine Aktualisierungsrate von 50 Hz ergibt, was der der Laborplattform entspricht. Die Laborplattform teilt dieselbe Steuerungsarchitektur und denselben Shared-Regelungsalgorithmus (Gleichung 4) wie der im Teleoperationssystem beschriebene Live-Line-Arbeitsroboter, unterscheidet sich jedoch nur in der Manipulatorkinematik und im Arbeitsbereichsmaß. Es wird eine simulierte Tapping-Aufgabe verwendet: Bei Anwesenheit von Hindernissen (eine Wasserflasche und eine Aluminiumsäule) steuert der Bediener den Endeffektor des Manipulators von Startposition A bis Zielposition B und ahmt damit die Abhöroperation nach, die in Abbildung 11 dargestellt ist. Um die exakte Wiederholbarkeit der Laborexperimente zu gewährleisten, wurden die physischen Hindernisse und der Zielpunkt präzise innerhalb des Basiskoordinatensystems des Sklavenmanipulators positioniert. Im Arbeitsbereich wurden zwei Haupthindernisse installiert: eine Kunststoffwasserflasche (Bodenmaße: 8 cm × 8 cm, Höhe: 25 cm), die mit der unteren Mitte an den Koordinaten (X = 55 cm, Y = 5 cm) platziert ist, sowie ein Aluminiumprofil (Basismaße: 2 cm × 2 cm, Höhe > 50 cm), das mit der unteren Mitte an den Koordinaten (X = 35 cm) platziert ist, Y = -30 cm). Der Zielendpunkt für die Teleoperationsaufgabe wurde auf Koordinaten gesetzt (X = 50 cm, Y = -17 cm, Z = 26 cm). Anschließend wird der validierte Algorithmus auf dem Live-Line-Arbeitsroboter zur Felddemonstration eingesetzt.

Das experimentelle Verfahren erfolgt durch einen kontinuierlichen, integrierten Arbeitsablauf. Zunächst werden während der Systeminitialisierung sowohl der Slave- als auch der Mastermanipulator eingeschaltet, und die Steuersoftware wird gestartet, um stabile bilaterale Kommunikation bei einer Frequenz von 50 Hz zu überprüfen. Um plötzliche Steuersprünge zu Beginn der Teleoperation zu verhindern, wird vor der aktiven Teleoperation eine Master-Slave-Ausrichtungsphase durchgeführt. In dieser Phase steuert der Bediener den Mastermanipulator manuell, bis seine Endeffektor-kartesische Position (definiert im Basisrahmen des Masters) innerhalb von 30 mm von der aktuellen Endeffektor-kartesischen Position des Sklavenmanipulators (definiert im Grundrahmen des Slave) liegt. Diese kartesischen Positionen werden direkt aus dem integrierten Controller-Feedback jedes Manipulators gewonnen, während die Steuersoftware deren euklidische Entfernung in Echtzeit überwacht. Sobald diese Ausrichtung erfolgreich ist, wird die aktuelle Sklavenposition als Startposition verzeichnet, bezeichnet als Position A. Anschließend wird die Zielspezifikation durchgeführt, indem der Bediener den Slave-Endeffektor manuell zum gewünschten Zielpunkt lenkt, um seine kartesischen Koordinaten aufzuzeichnen, die als Zielposition B bezeichnet werden. Der autonome Planer erzeugt dann eine lineare Referenzbahn, die sich von der Startposition bis zur Position B erstreckt. Anschließend initiiert der Bediener die Teleoperations-Aufgabe der geteilten Steuerung. Während der aktiven Ausführung arbeitet das System mit einem Steuerzyklus von 20 ms, liest kontinuierlich die Masterposition als Eingabe, führt eine Online-Prüfung zur Erkennung abrupter Operatorverhalten durch, berechnet die gemeinsame Steuerbahn als Ausgabe (wie in Gleichung 4 formuliert) und gibt entsprechende Befehle an den Slave-Manipulator aus. Als Sicherheitsmaßnahme friert der Sklavenmanipulator bei einer plötzlichen Bewegung sofort ein und hält seine letzte gültige Position in einem dedizierten Positionshaltemodus; um sich von diesem Zustand zu erholen und die Teleoperation mit gemeinsamer Steuerung automatisch wieder aufzunehmen, muss der Bediener den Mastermanipulator manuell zurückbewegen, bis der euklidische Abstand des Master-Slave-Endeffektors unter eine 20-mm-Wiederherstellungsschwelle fällt. Schließlich ist der Versuch abgeschlossen und gilt als erfolgreich, wenn der Sklaven-Endeffektor die Zielposition B erreicht und innerhalb von 5 mm bleibt.

Experiment 1: Plötzliche Funktionsverhaltenserkennung
Dieses Experiment validiert den Nachweismechanismus auf der Laborplattform. Während der Teleoperation bei 50 Hz wird die Bildverschiebung des Master-Endeffektors überwacht. Wenn er D_th = 6 mm/Frame (momentane Geschwindigkeit 300 mm/s) überschreitet, geht das System in den FROST-Zustand: Der Slave-Manipulator beendet das Tracking und hält seine letzte gültige Konfiguration bei. Der Slave bleibt eingefroren, bis der Bediener den Master auf 20 mm an die gefrorene Position zurückbringt.

Experiment 2: Leistungsvergleich der geteilten Steuerung

Drei Schiedsgewichte α=0,3, α=0,8, α=1,0 werden auf der Laborplattform verglichen, wie im Supplementary Video 1, Supplementary Video 2 und Supplementary Video 3 dokumentiert. Insgesamt wurden 45 experimentelle Versuche durchgeführt, bei denen drei Bediener jeweils fünf Wiederholungen unter jeder der drei Schiedsbedingungen durchführten. Die Systemleistung wurde anhand von drei wichtigen Bewertungskennzahlen bewertet. Erstens: Fertigstellungszeit T: Gesamtdauer vom ersten Operator-Eingang bis zum Sklaven-Endeffektor bis zur Zielposition B; Kürzere Zeit bedeutet eine höhere betriebliche Effizienz. Zweitens ist die Trajektorieneffizienz η= L_gerade/L_tatsächlich, wobei L_gerade die euklidische Entfernung von der Startposition A bis zur Zielposition B ist und L_tatsächlich die gesamte Pfadlänge ist, die der Slave-Endeffektor während des Versuchs durchquert hat; η=1 zeigt einen vollkommen effizienten, direkten Weg an; Niedrigere Werte deuten auf redundantere, umgelenkte Bewegungen hin. Drittens repräsentiert die Anzahl der Unterbewegungen N_sub die Anzahl der unterschiedlichen Bewegungssegmente, die durch das Zählen von Nulldurchgängen im geglätteten Geschwindigkeitsprofil des Master-Endeffektors berechnet wird; Eine kleinere Zählung zeigt einen kontinuierlicheren, selbstbewussteren Betrieb mit geringerer kognitiver Belastung für den Bediener. Schließlich wird die statistische Signifikanz über die drei Schiedsbedingungen hinweg mit dem Kruskal-Wallis H-Test bewertet, wobei paarweise Mann-Whitney-U-Tests für Post-hoc-Vergleiche verwendet werden.

Experiment 3: Feldeinsatz

Nach der Laborvalidierung werden der Shared-Control-Algorithmus (α=0,3) und die abrupte Verhaltenserkennung auf dem im Teleoperationssystem beschriebenen Live-Line-Arbeitsroboter eingesetzt.

Ergebnisse

Erkennung des abrupten Betriebsverhaltens
Abbildung 12 zeigt die Zeitreihenanalyse einer repräsentativen Studie auf der Laborplattform, die zwei absichtlich plötzliche Bewegungen umfasst.
Beide abrupten Bewegungen wurden (TPR = 100 %) bei 1,81 Sekunden bzw. 5,72 Sekunden festgestellt, mit null Fehlalarmen (FPR = 0 %) während 13,2 Sekunden des normalen Betriebs. Einfrieren-Reaktionszeit: 1 Frame (20 ms), gemessen durch Steuerschleifenzeit.

Geteilte Kontrollleistung
Abbildung 13 zeigt den Vergleich über 45 Versuche (3 Operatoren × 5 Wiederholungen ×3 Bedingungen) auf der Laborplattform, die Datendetails sind in Tabelle 3 angegeben.
Die Ergebnisse zeigen, dass ein angemessenes gemeinsames Kontrollgewicht die Teleoperationsleistung deutlich verbessern kann. Unter roboterdominanter geteilter Kontrolle (α=0,3) verringerte sich die Aufgabenabschlusszeit um 31,4 % und die Anzahl der Teilbewegungen um 37,9 % im Vergleich zur reinen Teleoperation (α=1,0), wodurch die mentale Belastung des Bedieners durch weniger Korrekturmaßnahmen und Entscheidungen reduziert wurde. Unterdessen verbesserte sich die Trajektorieneffizienz um 57,8 %, was darauf hindeutet, dass die autonome Trajektorienplanung des Roboters überflüssige Wege effektiv eliminiert und den Bediener zu direkteren, effizienteren Bewegungen führt. Diese Trends waren bei allen drei unabhängigen Betreibern konsistent.

Feldeinsatz auf dem Live-Line-Arbeitsroboter
Der validierte Shared-Control-Algorithmus (α = 0,3) mit abrupter Verhaltenserkennung wurde auf dem Live-Line-Arbeitsroboter eingesetzt, der mit einem 6-DOF-Industriemanipulator ausgestattet war. Der Roboter führte erfolgreich eine Live-Line-Tapping-Operation auf einem 10-kV-Verteilnetz durch und demonstrierte die Übertragbarkeit des laborvalidierten Algorithmus auf das eigentliche Feldsystem. Abbildung 14A zeigt den Roboter, der eine Live-Line-Tapping-Operation in erhöhter Höhe durchführt, während Abbildung 14B den Bediener von der Bodenstation aus Teleoperation zeigt.

DATENVERFÜGBARKEIT:
Alle Rohdaten, die die Ergebnisse dieser Studie unterstützen, sind offen in https://github.com/huchenyu778797-lgtm/piper_shared_control/issues und Supplementary File 1 verfügbar.

Abbildung 1: Frühe telerobotische Systeme für Live-Line-Wartung. (A) Der Phase-II-Roboter, der in Japan entwickelt wurde. (B) Das TOMCAT-System, das in den Vereinigten Staaten entwickelt wurde. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 2: Typische 10-kV-Verteilerleitungen. Die äußere Schicht ist eine isolierende Hülle, während die innere Schicht metallisch ist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 3: Visuelle Herausforderungen in Außenumgebungen. Das Bild hebt die unregelmäßige Biegung der Kabel und den Verlust von Tiefeninformationen hervor, die durch komplexe Beleuchtung verursacht werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 4: Struktur des gemeinsamen Steuerungssystems. Das Diagramm veranschaulicht die Integration von menschlichen Bedienereingaben von der Masterseite und die autonome Planung des Roboters auf der Sklavenseite, um eine verschmolzene Flugbahn zu erzeugen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 5: Flussdiagramm des Shared-Control-Algorithmus. Der Prozess umfasst Datenerfassung, abrupte Betriebserkennung, Trajektorienfusion basierend auf gemeinsamer Steuerung und die Ausführung der finalen Bewegungsbefehle. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 6: Das teleoperierte Verteilungs-Live-Line-Betriebsrobotersystem. (A) Überblick über das gesamte im Feld eingesetzte System. (B) Detailliertes Hardwaredesign und Komponentenlayout des Robotersystems. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 7: Wichtige Schritte im Live-Line-Tapping-Betrieb. (A) Laserablation der äußeren Isolierungsschicht. (B) Entfernung der Isolierungsschicht, um den Metallkern freizulegen. (C) Befestigung des Tap-Leiterdrahts mit einer Klemme an der Hauptstromleitung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 8: Vorbereitung auf den Einsatz im Feld. Ein isolierter Schaufeldrehwagen wird verwendet, um den Schiebermanipulator in die erhöhte Arbeitsposition nahe den Hochspannungsleitungen zu transportieren. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 9: Kommunikationsarchitektur. Der Schaltplan zeigt die Datenübertragungswege zwischen der Hauptsteuerungsstation und dem entfernten Slave-Manipulator und gewährleistet so eine telekommunikation mit geringer Latenz. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 10: Kinematische Modellierung der Manipulatoren. (A) Das gemeinsame Koordinatensystem, das für den Slave-Manipulator etabliert wurde. (B) Detaillierte Ansicht der Gelenkrahmen des Sklavenmanipulators. (C) Das gemeinsame Koordinatensystem des Mastermanipulators. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 11: Laborexperimentelle Einrichtung. (A) Der Hauptmanipulator und der Slave-Manipulator werden für Tests verwendet. (B) Die simulierte Tapping-Aufgabenumgebung mit physischen Hindernissen und einem Ziel-Endpunkt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 12: Zeitreihenanalyse der plötzlichen Verhaltenserkennung auf der Labor-Teleoperationsplattform. (Oben) Master (blau) und Slave (rot) Positionen in X, Y, Z. Rote Schattierung = eingefrorene Intervalle. (Mitte) Master-Slave-Distanz (orange); grüne gestrichelte Linie = 20 mm Wiederaufnahme-Schwelle. (Bottom) Per-Frame-Verschiebung (lila); rote Linie = D_{, th} = 6 mm; Rote Punkte = überschrittene Frames. Parameter: 50 Hz, D_th = 6 mm/Bild. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 13: Vergleich der Shared Control Performance auf der Labor-Teleoperationsplattform unter drei Bedingungen. Balken = Mittel; Fehlerbalken = ±1 SD. Rote Felder = Kruskal-Wallis-p-Werte. Klammern = Mann-Whitney U paarweise p-Werte. 45 Versuche (3 Operatoren × 5 Wiederholungen × 3 Bedingungen). (A) Fertigstellungszeit. (B) Flugbahneffizienz. (C) Unterbewegungen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 14: Feldanwendung des geteilten Steuerungssystems. (A) Der Slave-Manipulator arbeitet auf einer stromführenden Verteilerleitung. (B) Erfolgreiches Einsetzen des freiliegenden Metallteils in die Klemme unter Verwendung der vorgeschlagenen Shared-Control-Methode. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Subsysteme	Hauptbestandteil	Hauptfunktion	Merkmale
Manipulator-Subsystem	Einzel-/Doppelmanipulator(e)	Erreicht Multi-DOF-Bewegung	Hohe Nutzlast, leichtes Gewicht, großer Arbeitsbereich
	Manipulator-Treibersystem	Treibt Gelenkmotoren über Gleichstrom an, um die Bewegung des Manipulators zu erreichen	Gleichstromeingang, hohe Antriebseffizienz
Steuerungssubsystem	Industriecomputer	Datenberechnung, Kommunikation zwischen Modulen	Hohe Zuverlässigkeit, hohe Rechenleistung, große Speicherkapazität
	Kommunikationsmodul	Implementierung von Fernsteuerung und Überwachung	Stabilität, Zuverlässigkeit, erfüllen Anforderungen an elektromagnetische Kompatibilität (EMV)
	Stromversorgungsmodul	Versorgt die gesamte Roboterplattform mit Strom	Erfüllt den stabilen Systembetrieb für 6+ Stunden
Wahrnehmungssubsystem	Binokular-Vision-Modul	Kleinräumige, hochpräzise Punktcloud-Erfassung	Die Positionsgenauigkeit > 1 %, Betriebsreichweite > 2 m
	LiDAR-Modul	Großräumiges Punktwolken-Scannen	Betriebsreichweite > 10 m, Rekonstruktionswinkel > 25°, Punktwolkendichte > 300.000 Punkte
	Kraftsensormodul	Erhält Informationen über sechsachsige Kräfte	Force Feedback-Frequenz > 10 Hz, Force Feedback-Genauigkeit besser als 1N
Werkzeug-Subsystem	Trockeneisreinigungsmodul	Implementiert die Funktion zur Trockeneisreinigung	Leicht, erfüllt die Anforderungen an die Isolatorreinigung, erfordert EMV-Schutz
	Nullwert-Erkennungsmodul	Implementiert Hochspannungspuls-Nullwerterkennung	Ausgangspulsspannung 0–60 kV, erfüllt die Anforderungen des EMV-Schutzes
	Schrauben-/Entschraubungsmodul	Implementiert die Funktion zum Verschrauben/Entschrauben	Leicht, erfüllt Drehmomentanforderungen, EMV-Schutz erforderlich
	Laser-Peeling-Modul	Implementierungen sind das Ablösen der äußeren Isolierungshaut von Verteilerleitungen	Kontaktfrei, keine Schäden am Metallteil des Drahtes und können die halbleitende Schutzschicht effektiv abtragen
	Weitere serialisierte funktionale Module	Spleißen/Schneiden von Drähten, Installation von Vogelschutzgeräten, Installation von Fehleranzeigen, Baumschnitt, Reparatur von Isolierung, Installation von Überspannungsschutz, Patrouillenaufgaben	Modular, leicht, erfüllt EMV-Schutz und entsprechende funktionale Anforderungen
Schaufelwagen-Subsystem	Isoliertes Hebe- und Montagegerät	Bietet isolierte Unterstützung für die Equipotential-Arbeitsplattform und ermöglicht eine digitale Fernsteuerung	Hohe EMV-Werte, wobei das Ende Lasten von 250 kg oder mehr tragen kann, eine starke Widerstandsfähigkeit gegen elektromagnetische Störungen und die Möglichkeit zur Fernsteuerung unter Lichtbogenstörung bei 220 kV Spannung ermöglicht
	Intelligenter Träger	Erreicht die Bodenbeweglichkeit für den Roboter	Klein und leicht, geeignet für schmale, Live-Line-Arbeitsplätze und komplexes Gelände
Master-Seiten-Subsystem	Plattform für Bediener-Roboter-Ferninteraktion	Ermöglicht die Fernteleoperation zur Roboterplattform. Erreicht Ausdauer, Gewicht und andere Komfortbedürfnisse	Klein und leicht, geeignet für Live-Line-Arbeitsstellen

Tabelle 1: Teilsystemspezifikationen. Detaillierte Funktionen der verschiedenen Teilsysteme, aus denen der Live-Line-Arbeitsroboter besteht.

UR10
Gemeinsam	Theta [Rad]	a[m]	d[m]	alpha [rad]
Gelenk 1	0	0	0.1273	π/2
Joint 2	0	-0.612	0	0
Gelenk 3	0	-0.5723	0	0
Joint 4	0	0	0.163941	π/2
Gelenk 5	0	0	0.1157	-π/2
Gelenk 6	0	0	0.0922	0

Tabelle 2: DH-Parameter für den Manipulator. Die kinematischen Parameter, die zur Modellierung des gemeinsamen Koordinatensystems des Slave-Manipulators verwendet werden.

Metrik	α=0.3	α=0.8	α=1.0	p Wert
T	5,9±1,6	8.2±4.0	8.6±2.2	0.0061
η	0,789±0,074	0,557±0,081	0,5±0,081	<0.0001
N_sub	5.9±2.1	9.0±4.1	9,5±2,9	0.0035

Tabelle 3: Datendetails.Quantitativer Vergleich der Shared-Control-Leistung über drei Schiedsgewichte hinweg (α = 0,3, 0,8, 1,0). Daten aus 45 Versuchen (3 Operatoren × 5 Wiederholungen × 3 Bedingungen). Metriken: Aufgabenabschlusszeit T (s), Trajektorieneffizienz η und Teilbewegungszahl N_sub. Werte als Mittelwert ± Standardabweichung gemeldet.

Ergänzendes Video 1: Geteilte Steuerungsteleoperation mit α = 0,3. Dieses Video demonstriert das experimentelle Laborverfahren für die simulierte Tapping-Aufgabe unter einer roboter-dominanten Shared Control Bedingung. Es zeigt die hohe Trajektorieneffizienz und die reduzierte Nebenbewegungen des Bedieners, die erreicht werden, wenn der Roboter den Großteil der Wegplanung übernimmt. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzendes Video 2: Geteilte Steuerungsteleoperation mit α = 0,8 . Dieses Video demonstriert das experimentelle Laborverfahren unter einer menschendominierten, geteilten Kontrollbedingung. Da der menschliche Einfluss die robotische autonome Planung bei weitem überwiegt, ähnelt der Betrieb optisch reiner Teleoperation, was mit dem Mangel an signifikanter quantitativer Verbesserung der Effizienz und Abschlusszeit im Vergleich zum Ausgangsniveau korreliert. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzendes Video 3: Master-Slave-Tracking-Teleoperationsbasislinie α = 1,0 . Dieses Video demonstriert das grundlegende experimentelle Verfahren unter Verwendung traditioneller Tracking-Teleoperation ohne autonome Unterstützung. Es hebt die vergleichsweise erhöhte Aufgabenerledigungszeit und manuelle Unterbewegungen des Bedieners hervor und verringert die Trajektorieneffizienz. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Diese Studie schlägt ein teleoperiertes Verteilungssystem mit Live-Line-Betriebsrobotern vor, das auf gemeinsamer Steuerung zwischen Mensch und Roboter basiert. Im Gegensatz zu vollautonomen Systemen, die mit dynamischer Außenbeleuchtung und unstrukturierten Hintergründen^kämpfen, und der traditionellen Master-Slave-Tracking-Teleoperation, die hohe kognitive und physische Belastungen für Bediener 14,15,16 auferlegt, verbindet unser Ansatz menschliche Absicht mit robotergesteuerter autonomer Planung. Darüber hinaus geht diese Studie potenzielle Bedienerfehler an, indem sie einen Algorithmus zur Erkennung von abrupten Bewegungen vorschlägt, um die Betriebssicherheit zu gewährleisten. Diese Forschung bringt das Feld der physischen Mensch-Roboter-Interaktion (pHRI) in extremen Umgebungen voran, indem sie eine feldvalidierte Integration gemeinsamer Steuerung für Hochspannungswartung bietet und so die Lücke zwischen theoretischen Shared Control^{Frameworks 17,18} und praktischen industriellen Anwendungen schließt.

Laborexperimente zeigen, dass ein angemessenes gemeinsames Steuergewicht die Aufgabenabschlusszeit und den manuellen Steuerungsaufwand des Bedieners (weniger Unterbewegungen) erheblich reduzieren und gleichzeitig die Effizienz der Flugbahn verbessern kann. Konkret verringerte sich unter roboter-dominanter geteilter Steuerung (α = 0,3) die Fertigstellungszeit um 31,4 %, die Trajektorieneffizienz verbesserte sich um 57,8 % und die Anzahl der Teilbewegungen verringerte sich um 37,9 % im Vergleich zur Teleoperationsverfolgung. Darüber hinaus erreichte der Abrupt-Motion-Detektionsmechanismus eine 100%ige Wahrheits-Positivrate mit einer Antwortzeit von 20 ms. Die vorgeschlagene Methode ist von großer Bedeutung für die Modernisierung der Wartung des Stromnetzes, indem sie objektiv die Ermüdung im Zusammenhang mit gefährlichen Operationen mindert. Über Stromverteilungsnetze hinaus hat dieses Shared Control Framework potenzielle Anwendungen in anderen Spezialrobotiken, die in hochgradig unstrukturierten und gefährlichen Umgebungen eingesetzt werden, wie etwa Roboter, die für Feuerwehr oder geologische Erkundungen eingesetzt werden, wo menschliche kognitive Anpassungsfähigkeit mit robotischer Präzision kombiniert werden muss.

Obwohl diese Ergebnisse die Machbarkeit in kontrollierten Szenarien zeigen, bestehen die Einschränkungen in einem einzigen Aufgabentyp (Tapping) und fehlender Analyse der Auswirkungen auf verschiedene Bedienererfahrungen. Weitere Validierung über verschiedene Aufgaben, Betreiber und Umweltbedingungen hinweg ist erforderlich. Zukünftige Arbeiten konzentrieren sich auf adaptive α Anpassungen und erweiterte Feldversuche, bei denen α basierend auf dem Risiko an der aktuellen kartesianischen Position aktualisiert werden, sowie auf den Aufbau eines Risikofeldes zur Risikoberechnung.

Trotz der erfolgreichen Demonstrationen weist diese Studie mehrere Einschränkungen auf. Erstens konzentrierte sich die experimentelle Validierung hauptsächlich auf einen einzelnen Aufgabentyp (Live-Line-Tapping). Zweitens war das geteilte Kontrollgewicht vor jeder Aufgabe festgelegt, da es an Echtzeitanpassung an sich ändernde Unsicherheiten fehlte. Schließlich bewertete die Studie eine begrenzte Anzahl ausgebildeter Bediener, und der Effekt unterschiedlicher Bedienererfahrung wurde nicht analysiert. Zukünftige Richtungen werden sich auf die Entwicklung eines adaptiven Shared Control Frameworks konzentrieren, das das Arbitrationsgewicht dynamisch anpasst, basierend auf dem Echtzeit-Aufgabenkontext und dem Operator-Zustand¹⁷. Zusätzlich planen wir, erweiterte Feldversuche durchzuführen, die verschiedene Wartungsaufgaben, unterschiedliche Bedienererfahrungen und unterschiedliche Wetterbedingungen umfassen, um die Robustheit des Systems weiter zu validieren.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Hikvision DS-2DC2D20IW-DE3	Hikvision	https://www.hikvision.com/cn/products/pdplist/161056/	pan-tilt-zoom (PTZ) Überwachungskamera
KUNWEI KWR75	KUNWEItech	https://www.kunweitech.com/products/866.html	Kraftsensor
LivoxAVIA	Livox(DJI)	https://www.livoxtech.com/cn/avia	Laser-LiDAR
Piper	AGILEX	https://www.agilex.ai/page/690abe7b5e78cfa260412c92?mi=1&rn=PIPER+%E6%A0%87%E5%87%86%E7%89%88	Master/Slave-Manipulator für die Experimentvalidierung auf einer Laborplattform
Python	Python Software Foundation	https://www.python.org/	Programmiersprache
RealSenseD435	Intel	https://store.realsenseai.com/buy-intel-realsense-depth-camera-d435.html	binokular Kamera
Touch	3D Systems	https://cn.3dsystems.com/haptics-devices/touch	Haptik-Gerät
Ubuntu 24.04	Canonical Ubuntu	https://ubuntu.cn/	Betriebssystem
UR10	Universal Robots	https://www.universal-robots.cn/	Manipulator des Live-Line-Arbeitsroboters