Robot de distribución en línea activa teleoperado basado en control compartido humano-robot

Resumen

Se ha desarrollado un robot funcional de distribución teleoperado por línea viva basado en el control compartido humano-robot. Los experimentos de laboratorio demostraron que la ponderación con controles compartidos mejoraba la eficiencia de la trayectoria mientras reducía el tiempo de finalización de tareas y los submovimientos. Un algoritmo abrupto de detección de comportamiento de teleoperación redujo los movimientos bruscos de los operadores y fue validado con éxito en operaciones de tapping en campo.

Resumen

El trabajo tradicional en líneas vivas en líneas de distribución depende del trabajo manual, caracterizado por alto riesgo, alta intensidad laboral y elevados costes de formación; Por tanto, desarrollar robots de trabajo en línea activa de distribución es un camino esencial para reemplazar las operaciones manuales. Sin embargo, el entorno de trabajo es muy poco estructurado y dinámico, con desafíos como la iluminación exterior compleja y condiciones de viento impredecibles. Los robots existentes utilizan principalmente teleoperación maestro-esclavo o modos totalmente autónomos, que imponen grandes cargas mentales a los operadores, son muy susceptibles a malas operaciones y muestran una adaptabilidad ambiental limitada.

Para abordar estos problemas, este estudio presenta un robot de trabajo en línea activa de distribución teleoperada basado en el control compartido humano-robot. La trayectoria final del manipulador se obtiene mediante una combinación ponderada linealmente de dos trayectorias de referencia proporcionadas por separado por el operador humano y el módulo de planificación automática del robot. Este enfoque reduce la dependencia del robot del operador, alivia la carga mental del operador, mejora la eficiencia y previene errores bruscos por parte del operador humano. Finalmente, el artículo presenta el diseño del sistema y verifica su eficacia mediante su aplicación en operaciones reales de intervención en línea en vivo.

Introducción

El trabajo por línea activa es un método crítico para la inspección, prueba y mantenimiento de equipos de alta tensión. El volumen de trabajo en línea activa en China ha estado creciendo rápidamente. Desde la perspectiva de la demanda del sector, resolver la seguridad del personal en el trabajo en línea de vida es una tarea a largo plazo y ardua. La innovación y la mejora siguen siendo necesarias en métodos, tecnologías, equipos y conceptos.

El trabajo en línea viva de distribución es uno de los tipos más comunes de trabajo por línea viva, que es para el mantenimiento de líneas vivas de distribución eléctrica. Debido al complejo entorno de iluminación, la disposición densa de equipos y las pequeñas distancias fase a fase y fase a tierra en las líneas de distribución eléctrica, estas operaciones han dependido en gran medida de métodos manuales tradicionales. Sin embargo, este enfoque tradicional se enfrenta a problemas como alto riesgo, alta intensidad laboral y elevados costes^{de formación 1}. Por ello, desarrollar robots con capacidades de trabajo en línea viva para sustituir el trabajo manual se ha convertido en una tendencia inevitable para la futura operación y mantenimiento de redes de distribución.

Desde la década de 1980, países como Japón y Estados Unidos han realizado investigaciones y ensayos en este campo (como se muestra en la Figura 1). Los primeros sistemas eran robots teleoperados de rastreo maestro-esclavo. Por ejemplo, el robot de trabajo en línea activa Fase^II de Japón 2 instaló un manipulador auxiliar de tres grados de libertad (DOF) en la plataforma, además de un manipulador eléctrico de doble profundidad de profundidad. El operador humano lo controlaba mediante una varilla de operación a corta distancia.

El modelo estadounidense^{TOMCAT 3} utilizaba un manipulador hidráulico controlado por un operador humano dentro de un cubo de trabajo. De manera similar, la Red Eléctrica⁴ de Shandong en China adoptó manipuladores hidráulicos controlados por operadores situados en un cubo de trabajo. Además, para aumentar la distancia permitida entre los extremos maestro y esclavo, el español ROBTET ^5,6 utilizó cables de fibra óptica para la comunicación remota, permitiendo a los operadores realizar teleoperaciones desde tierra. Estos modos de teleoperación robótica pueden resumirse como un modo de seguimiento maestro-esclavo. Sufren de una inteligencia autónoma insuficiente, lo que requiere que el personal observe el entorno y controle el robot a corta distancia, y soportan una carga mental significativa, por lo que no logran reemplazar a los humanos en entornos peligrosos y de alto voltaje.

Para abordar la falta de inteligencia robótica, se requiere investigación en tecnologías inteligentes como la visión por ordenador, la planificación de trayectorias y la interacción remota humano-robot para mejorar las capacidades autónomas del robot.

En el trabajo en línea activa de distribución, la tarea de extracción representa aproximadamente el ^{20% del} total de la carga de trabajo (los cables de distribución se muestran en la Figura 2). Por lo tanto, es fundamental utilizar sensores de visión para identificar y localizar el cable y su región despojada, que es la zona de aislamiento removida, para guiar al robot. En 2020, State Grid Ruijia⁸ desarrolló un robot de distribución de línea activa capaz de interactuar remotamente, fusionando información LiDAR y de cámaras binoculares para el reconocimiento y posicionamiento de objetivos. Además, se utilizan algoritmos que combinan operaciones morfológicas y transformada de Hough para facilitar la extracción de líneas^{eléctricas 9,10}. La transformada de Hough se utiliza para detectar líneas eléctricas, seguida de algoritmos de visión estereoscópica que convierten los datos de píxeles 2D detectados en coordenadas espaciales^{3D 11}. Red Estatal El Instituto de Investigación de Energía Eléctrica^{de Hubei 12} propuso un filtro basado en la fusión de mapas color-profundidad. Este método filtra fondos complejos que rodean las líneas eléctricas y luego extrae contornos claros de las líneas analizando las diferencias de valor píxel en el vecindario. Además, la Universidad de Ciencia y Tecnología de China¹³ propuso un algoritmo de reconocimiento de líneas eléctricas basado en aprendizaje profundo, logrando la identificación y localización rápida de múltiples líneas eléctricas.

A pesar del rápido desarrollo de los algoritmos de visión por ordenador, las operaciones exteriores siguen siendo un reto. Las condiciones complejas de iluminación y las superficies reflectantes de los cables suelen provocar una pérdida de información de profundidad, lo que resulta en bajas tasas de reconocimiento y grandes errores de posicionamiento para métodos que dependen en gran medida de datos^{de profundidad 13}. Simultáneamente, debido a diversas deformaciones irregulares existentes en los cables de distribución, una serie de métodos de detección en línea recta ya no son aplicables, como se muestra en la Figura 3. Además, los cambios en la dirección del viento a alturas elevadas provocan un movimiento vertical de las líneas, lo que conduce a errores a nivel de centímetro en los resultados de los algoritmos fuera de línea existentes.

En entornos altamente peligrosos, no estructurados y dinámicos, que pueden denominarse entornos de operaciones especiales, la visión y las capacidades dinámicas de toma de decisiones del robot están limitadas, lo que dificulta completar tareas complejas de forma autónoma.

Por ello, sigue siendo necesario introducir capacidades humanas inteligentes de toma de decisiones y combinarlas con el control de movimiento de alta precisión del robot. Las primeras tecnologías de teleoperación mencionadas anteriormente proporcionaron un canal para la intervención humana. Al combinar estos con tecnologías de interacción remota y teleoperación en rápido desarrollo, ha surgido un cuerpo de investigación sobre robots inteligentes de distribución teleoperada en línea activa.

La Universidad de Ciencia y Tecnología de^{China 14} implementó un mapeo incremental de posiciones entre el lado maestro y el esclavo y utilizó el método de Campo de Potencial Artificial (APF) para evitar obstáculos robóticos. Posteriormente, se implementó la teleoperación basada en admitencia en robots de trabajo en línea activa de distribución. Basándose en el seguimiento maestro-esclavo, este enfoque permite al robot ajustar dinámicamente su postura en respuesta a cambios en las fuerzas de contacto ambientales. La Universidad de Ciencia y Tecnología Electrónica^{de China 15} implementó fuerzas de restricción virtual en el lado del maestro para mejorar la percepción de telepresencia del operador. Además, la Universidad de^{Manitoba 16} estableció una serie de dispositivos virtuales durante el proceso de teleoperación para reforzar la experiencia inmersiva de la percepción háptica del operador.

Sin embargo, los robots teleoperados mencionados anteriormente aún enfrentan varios desafíos. La tarea del lado esclavo es seguir la trayectoria de movimiento del maestro, haciéndola altamente dependiente de la trayectoria de referencia generada por el operador humano. Debido a requisitos como tiempos de trabajo cortos y evitación de obstáculos, impone una carga mental significativa al operador maestro, lo que es perjudicial para tareas operativas complejas y de larga duración. El operador puede cometer acciones incorrectas o incorrectas, provocando un movimiento brusco en la trayectoria real del manipulador. Esto puede provocar problemas de seguridad como colisiones con el entorno o cortocircuitos fase a fase.

El control compartido es un método que combina eficazmente las capacidades de toma de decisiones humanas y^{roboticas 17,18}. Generalmente, requiere que tanto el humano como el robot generen simultáneamente las trayectorias o puntos de trayectoria deseados, y luego calcula una nueva trayectoria compartida mediante una combinación lineal ponderada. Este enfoque permite al sistema ajustar la preferencia de la trayectoria compartida modificando los pesos de toma de decisiones del humano y del robot.

Por ello, este artículo diseña un robot de distribución teleoperado en línea activa basado en el control compartido humano-robot. Las principales contribuciones son las siguientes: primero, abordando el problema de la frecuencia excesiva de entrada de trayectoria de referencia por parte del operador humano durante la teleoperación, se estudia un método de control compartido humano-robot. Al asignar pesos de control al operador humano y al robot y realizar una combinación lineal ponderada en sus trayectorias de referencia, el sistema reduce la dependencia de la trayectoria de referencia respecto al operador humano, aliviando así la carga del operador. Además, el impacto de los diferentes pesos de los operadores humanos se verifica mediante experimentos de campo con operaciones de intervención de distribución de cables. En segundo lugar, para abordar los comportamientos peligrosos en la trayectoria maestra, se diseña un método abrupto de detección de comportamiento de operación para garantizar la suavidad y seguridad de la trayectoria real del manipulador. En tercer lugar, se realizan experimentos físicos en un entorno operativo especial (trabajo en línea real) para verificar la eficacia del algoritmo de control compartido y del sistema de teleoperación.

El resto de este artículo presenta primero el método de control compartido para el robot teleoperado, luego introduce el hardware y la configuración del sistema, y finalmente valida el enfoque mediante experimentos de laboratorio y despliegue en campo en una red de distribución activa de 10 kV.

Protocolo

Todos los experimentos que involucraron a los operadores se realizaron conforme a las directrices de seguridad. Los experimentos de teleoperación fueron realizados por tres operadores entrenados (todos diestros, con al menos 1 hora de entrenamiento) que forman parte del equipo de investigación. No se reclutaron participantes humanos externos, y este estudio no requirió una revisión ética institucional. Se informó a los voluntarios de los procedimientos experimentales y no se recogieron datos personales ni sensibles durante el estudio.

Marco de control compartido

En escenarios de trabajo con líneas vivas, factores como la curvatura irregular de las líneas eléctricas, la pérdida de información de profundidad causada por la iluminación exterior compleja y el movimiento aleatorio de las líneas eléctricas crean un entorno altamente desestructurado y dinámico. Estos factores dificultan que el robot reconozca y localice con precisión las líneas eléctricas dentro del entorno. En consecuencia, depender completamente de la operación autónoma de un robot conduciría al fracaso de la tarea.

Para abordar la limitada adaptabilidad de las operaciones totalmente autónomas de robots, los operadores humanos intervienen en el proceso de toma de decisiones del robot mediante teleoperación, aprovechando la experiencia humana para ayudar al robot a adaptarse al entorno. Además, para abordar el problema de la frecuencia excesiva de entrada de trayectoria de referencia por parte del operador humano durante la teleoperación, se estudia un método de control compartido humano-robot. Este método reduce la dependencia de la trayectoria real respecto al operador humano, aliviando así la carga mental del operador y logrando una combinación eficaz de capacidades inteligentes de toma de decisiones humanas y las capacidades de control de alta precisión del robot.

La estructura del robot de trabajo en línea activa de distribución teleoperada, basada en el control compartido propuesto en este artículo, se muestra en la Figura 4. Donde x_h es el punto de trayectoria emitido por el dispositivo de teleoperación, r_h es el punto de trayectoria de referencia proporcionado por el operador humano (mapeado al espacio cartesiano del manipulador), r_r es el punto de trayectoria de referencia planificado de forma autónoma por el robot, desempeñando un papel auxiliar. r es el punto de referencia integrado de trayectoria enviado al manipulador esclavo (que se denomina Trayectoria Compartida en el texto siguiente), f_o son los datos en bruto recogidos por el sensor de fuerza al final del manipulador, f_e es la fuerza de contacto entre el conjunto de herramientas al final del manipulador y el entorno tras la compensación gravitatoria, y x es la postura actual del manipulador.

El robot de trabajo en línea activa de distribución teleoperada se divide en dos partes: el lado maestro y el lado esclavo. El lado maestro está situado en el suelo, donde el operador humano controla el movimiento del dispositivo de teleoperación. Al recibir la retroalimentación de fuerza del dispositivo que se envía a la mano del operador y la información enviada por el sistema de visión, el operador logra una operación inmersiva. El lado esclavo es el robot situado a una altura elevada. Tras recibir la pose x_h del lado maestro, el robot realiza un mapeo espacial para obtener r_h y envía los datos visuales y hápticos recogidos de vuelta al lado maestro.

Debido a la alineación incompleta de la percepción entre el robot y el operador respecto a las fuerzas de contacto, objetivos y obstáculos en el entorno real, el operador debe mantener una concentración intensa para minimizar los riesgos de la r_. Para reducir la dependencia de r _{r h} y aliviar la carga mental sobre el operador durante operaciones de larga duración, el robot debe planificar de forma autónoma una trayectoria auxiliar r r que sea aproximadamente el camino más corto y segura según la información de percepción que contiene errores del mundo real. Esta r_r se pondera linealmente con r_h para obtener r, que se ordena al manipulador como la pose objetivo.

Mapeo espacial de movimiento

Se utilizó el método incremental para calcular el incremento de trayectoria Δx_h dado por el operador humano:

Δx_h = x_h - x^′_h (1)
donde x^′_h es la pose en el punto de inicio de la teleoperación. Para robots de trabajo en línea viva, donde los espacios de movimiento del lado maestro y del lado esclavo presentan diferencias significativas, el mapeo incremental permite al operador elegir arbitrariamente una pose conveniente y fijarla como la pose inicial de la teleoperación.

El incremento de trayectoria, Δx_h, se mapeó entonces en el espacio cartesiano del robot lado esclavo para obtener finalmente r_h. La expresión matemática para esta aplicación es la siguiente:

Δr_h = Δ_{x h} * k, r_h = x^′ + Δr_h       (2)
donde k es el parámetro de mapeo lineal y x' es la pose del manipulador en el punto de inicio de la teleoperación.

Planificación autónoma de trayectorias
El proceso autónomo de planificación de trayectorias utiliza interpolación lineal para calcular la trayectoria más corta r r desde la pose actual hasta la pose objetivo P. El proceso de cálculo es el siguiente:

(3)

donde P es el punto objetivo se calcula mediante el sistema de visión, que incluye una cámara binocular y un LiDAR láser estereoscópico. El cálculo puede realizarse seleccionando puntos con el ratón y transformando las coordenadas usando la matriz de calibración mano-ojo. N es el número de puntos de interpolación, e i es el número de secuencia del punto de interpolación. Cabe señalar que bajo condiciones complejas de iluminación, P calculado por el sistema de visión contiene errores, lo que impide que r_r complete la tarea de forma independiente.

Método de control compartido

Para combinar la adaptabilidad de r_h al entorno y la eficiencia de r_r, es necesario diseñar un controlador compartido que integre dos trayectorias. El controlador compartido utiliza pesos fijos de arbitraje de parámetros α, y el proceso de implementación es el siguiente:

r = (1 - α) * r_r + α * r_h (4)

Método de detección abrupta del comportamiento de operación

Durante el proceso de teleoperación remota, puede producirse un comportamiento erróneo causado por el operador, lo que puede provocar cambios bruscos en la trayectoria, que incluso pueden provocar una colisión con el entorno. Para garantizar el movimiento seguro y suave del manipulador en el lado esclavo, es necesario detectar y manejar este comportamiento excesivo de teleoperación en el lado maestro. El flujo del algoritmo de control compartido, incluyendo la detección abrupta de comportamiento, se muestra en la Figura 5.

Construcción del sistema de teleoperación

El entorno de trabajo en línea de vida se caracteriza por ser altamente poco estructurado y dinámico. En consecuencia, los robots no pueden confiar únicamente en su percepción autónoma y capacidad de toma de decisiones para completar tareas; deben ser potenciados por la inteligencia humana. La teleoperación presenta una técnica eficaz para integrar la intervención humana en el proceso de planificación de la trayectoria del robot. En un sistema así, el lado maestro implica un operador que controla un dispositivo de teleoperación en tierra, mientras que el lado esclavo en altura consta de múltiples subsistemas.

Este estudio detalla el desarrollo de un sistema robótico de teleoperación diseñado específicamente para la operación de redes de distribución, con el objetivo de realizar tareas de interceptación en línea en vivo.

Introducción del sistema de robots teleoperados

El sistema de teleoperación incluye el subsistema de percepción, subsistema de control, subsistema manipulador, subsistema de herramientas, subsistema portador de aislamiento y dispositivos de interacción humano-robot del lado maestro. El uso detallado de cada subsistema transportado por el robot en el sistema se muestra en la Tabla 1, y el sistema hardware se muestra en la Figura 6.

Subsistema de percepción: El subsistema es responsable de proporcionar imágenes RGB 2D e información de profundidad espacial para guiar el movimiento del robot y garantizar la seguridad operativa. Para lograrlo, está equipado con un LiDAR láser para modelado ambiental a gran escala a largas distancias; una cámara binocular para reconocimiento y localización de objetivos de alta precisión a corta distancia; una cámara de monitorización pan-tilt-zoom (PTZ) para proporcionar una vista operativa y enviarla al operador durante todo el proceso. Además, se integra un sensor de fuerza para percibir fuerzas externas y proporcionar retroalimentación de fuerza al operador humano, lo que ayuda a prevenir apagones del sistema causados por fuerzas de contacto excesivas entre el extremo del robot y el entorno.

Subsistema manipulador: Como ejecutor principal de tareas, este subsistema consta de dos manipuladores dispuestos en una configuración homogénea de doble brazo.

Subsistema de control: Como subsistema central del robot de trabajo en línea activa, funciona como centro computacional, de control y suministro de energía de la plataforma, responsable de enviar comandos operativos a todos los demás subsistemas. Para lograr aislamiento y aislamiento de seguridad desde el lado del suelo, el módulo de potencia utiliza una fuente de alimentación independiente en la plataforma elevada. Emplea una fuente de corriente continua de 48V tanto para el control de la alimentación como para el control, lo que reduce las pérdidas de inversión y, en consecuencia, minimiza el volumen y peso del sistema de alimentación.

Subsistema efector final: Efectores finales especializados (herramientas) se montan en el extremo del manipulador para ejecutar operaciones específicas. Se ha desarrollado una serie de herramientas especializadas con interfaces estándar para diferentes tareas. Para operaciones de red de distribución, estas incluyen una herramienta de desmontado y una herramienta de crimpado (como se muestra en la Figura 7), donde la herramienta utiliza tres generadores láser de 80 W y 450 nm de longitud de onda con un tamaño de punto focal de 130 × 180 μm, modulados mediante 5 V PWM. El tiempo medio de funcionamiento para desmontar una sección de 120 mm en un cable de distribución con un diámetro de 18–24 mm es de aproximadamente 2 minutos a plena potencia nominal bajo condiciones de temperatura ambiente. La herramienta de crimpado es responsable de fijar de forma segura el cable conductor de la toma al cable principal de alimentación con una abrazadera, estableciendo así la continuidad eléctrica.

Subsistema portador aislado: Este subsistema se utiliza para transportar el robot a la posición de trabajo elevada. Normalmente consiste en una plataforma de trabajo aérea aislada con orugas o con ruedas (también conocida como camión de cubos). Para permitir el control integrado de todo el sistema robótico, dispone de capacidades de control digital (como se muestra en la Figura 8).

Subsistema de interacción humano-robot del lado maestro: Durante la operación, el operador humano emite órdenes al sistema robótico mediante una tableta portátil, un PC, un mango de teleoperación y otros dispositivos informáticos. Estos dispositivos reproducen los datos del sensor, que incluyen la visión y la fuerza de contacto enviadas de vuelta por el robot, permitiendo al operador monitorizar el estado del robot en tiempo real y también mapear el movimiento de la mano del operador hasta el extremo del manipulador. Los enlaces de comunicación entre los subsistemas se ilustran en la Figura 9.

Dispositivos de teleoperación

En este sistema, los dispositivos maestro y esclavo para la teleoperación son, respectivamente, el dispositivo háptico y el manipulador. Se introducirán los parámetros de Denavit-Hartenberg (DH) para cada uno.

Como se muestra en las Figuras 10A, B, estos son los marcos de coordenadas de enlace del manipulador. Para las seis uniones revolutas del manipulador (L₁, L₂,_{L 3},_{L 4},_{L 5},_{L 6}), se establece un marco de coordenadas para cada articulación según la regla de la mano derecha y los principios de la convención de Denavit-Hartenberg (DH).

En la Figura 10B, x₁∼x₆, y₁∼y6, z₁∼z₆, representan respectivamente los ejes x, y, z del sistema de coordenadas de cada articulación. A partir de estos marcos de enlace establecidos, se puede crear el modelo de cinemática directa del manipulador. La notación DH utiliza cuatro parámetros: _{a i}, α_i, d_i y θ_i.

Estos parámetros se definen de la siguiente manera: _{a i}: representa la distancia desde que se desplaza el eje z de la i-ésima varilla a lo largo de su eje x hasta el eje z de la varilla (i+1)-ésima; α_i: se refiere al ángulo de girar el eje z de la varilla i alrededor de su eje x al eje z de la varilla (i+1)-ésima; d_i: representa la distancia desde que se mueve el eje x de la i-ésima varilla hasta su eje x a lo largo del eje z de la i-ésima varilla;  θ_i: se refiere al ángulo de rotación del eje x de la biela i a su eje x alrededor del eje z de la i-ésima varilla.

El modelo cinemático se establece utilizando el método del parámetro DH, y los parámetros DH para el manipulador se muestran en la Tabla 2 más abajo.

La maneta de teleoperación es el dispositivo háptico utilizado como manipulador maestro, cuyas articulaciones están configuradas en una cadena serial. Los sistemas de coordinadas conjuntos se muestran en la Figura 10C; El método de modelado es el mismo que el del manipulador esclavo.

Diseño de experimentos

Para validar cuantitativamente el algoritmo de control compartido propuesto antes del despliegue en campo, realizamos dos experimentos de laboratorio en una plataforma de teleoperación manipuladora de 6 DOF que opera a 50 Hz, lograda mediante un script Python que se ejecuta en un PC estándar. En cada ciclo de control, el script lee la postura del lado maestro, calcula la trayectoria compartida y envía la pose cartesiana objetivo al manipulador. Se aplica un intervalo fijo de 20 ms entre comandos consecutivos, lo que da una tasa de actualización de 50 Hz, que es la misma que la plataforma del laboratorio. La plataforma de laboratorio comparte la misma arquitectura de control y algoritmo de control compartido (Ecuación 4) que el robot de trabajo en línea activa descrito en la construcción del sistema de teleoperación, diferenciándose únicamente en la cinemática del manipulador y la escala del espacio de trabajo. Se utiliza una tarea simulada de golpeteo: en presencia de obstáculos (una botella de agua y una columna de aluminio), el operador controla el efector final del manipulador desde la posición inicial A hasta la posición objetivo B, imitando la operación de intervención, que se muestra en la Figura 11. Para asegurar la repetibilidad exacta de los experimentos de laboratorio, los obstáculos físicos y el punto final objetivo se posicionaron con precisión dentro del sistema de coordenadas base del manipulador esclavo. Se instalaron dos obstáculos principales en el espacio de trabajo: una botella de agua de plástico (dimensiones base: 8 cm × 8 cm, altura: 25 cm) colocada con su centro inferior en las coordenadas (X = 55 cm, Y = 5 cm), y un perfil de aluminio (dimensiones base: 2 cm × 2 cm, altura > 50 cm) colocado con su centro inferior en coordenadas (X = 35 cm, Y = -30 cm). El punto final objetivo para la tarea de teleoperación se estableció en las coordenadas (X = 50 cm, Y = -17 cm, Z = 26 cm). Posteriormente, el algoritmo validado se despliega en el robot de trabajo en línea activa para la demostración en campo.

El procedimiento experimental se lleva a cabo mediante un flujo de trabajo continuo e integrado. Primero, durante la inicialización del sistema, se encienden tanto el manipulador esclavo como el maestro y se lanza el software de control para verificar la estabilidad de la comunicación bilateral a una frecuencia de 50 Hz. Para evitar saltos repentinos de control al inicio de la teleoperación, se realiza una fase de alineación maestro-esclavo antes de la teleoperación activa. En esta fase, el operador guía manualmente el manipulador maestro hasta que su posición cartesiana del efector final (definida en el marco base del maestro) se encuentra a menos de 30 mm de la posición cartesiana actual del efector final del manipulador esclavo (definida en el marco base del esclavo). Estas posiciones cartesianas se obtienen directamente a partir de la retroalimentación integrada del controlador de cada manipulador, mientras que el software de control monitoriza su distancia euclidiana en tiempo real. Una vez que esta alineación tiene éxito, la posición actual del esclavo se registra como la posición inicial, denotada como posición A. Posteriormente, la especificación del objetivo se realiza haciendo que el operador guíe manualmente el efector final esclavo hasta la ubicación deseada para registrar sus coordenadas cartesianas, que se designan como posición objetivo B. El planificador autónomo genera entonces una trayectoria de referencia lineal que se extiende desde la posición inicial hasta la posición B. A continuación, el operador inicia la tarea de teleoperación de control compartido. Durante la ejecución activa, el sistema opera a un ciclo de control de 20 ms, leyendo continuamente la posición maestra como entrada, realizando una comprobación en línea para detectar comportamientos abruptos del operador, calculando la trayectoria de control compartida como salida (según la fórmula de la Ecuación 4) y emitiendo comandos correspondientes al manipulador esclavo. Como medida de seguridad, si se detecta un movimiento brusco, el manipulador esclavo se congela inmediatamente y mantiene su última posición válida en modo dedicado de mantenimiento de posición; para recuperarse de este estado y reanudar automáticamente la teleoperación de control compartido, el operador debe mover manualmente el manipulador maestro hacia atrás hasta que la distancia euclidiana del efector final maestro-esclavo caiga por debajo de un umbral de recuperación de 20 mm. Finalmente, la prueba se completa y se considera exitosa cuando el efector final esclavo alcanza y permanece dentro de 5 mm de la posición objetivo B.

Experimento 1: detección abrupta de comportamiento de operación
Este experimento valida el mecanismo de detección en la plataforma del laboratorio. Durante la teleoperación a 50 Hz, se monitoriza el desplazamiento por cuadro del efector final maestro. Cuando supera D_th = 6 mm/frame (velocidad instantánea 300 mm/s), el sistema entra en estado CONGELADO: el manipulador esclavo deja de rastrear y mantiene su última configuración válida. El esclavo permanece congelado hasta que el operador devuelve el maestro a menos de 20 mm de la posición congelada.

Experimento 2: Comparación de rendimiento de controles compartidos

Tres ponderaciones de arbitraje α=0,3, α=0,8, α=1,0 se comparan en la plataforma de laboratorio, como se documenta en el Vídeo Suplementario 1, Vídeo Suplementario 2 y Vídeo Suplementario 3. Se realizaron un total de 45 ensayos experimentales, en los que tres operadores realizaron cinco repeticiones bajo cada una de las tres condiciones de arbitraje. El rendimiento del sistema se evaluó utilizando tres métricas clave de evaluación. Primero, tiempo de finalización T: Duración total desde la primera entrada del operador hasta que el efector final esclavo alcanza la posición objetivo B; Un tiempo más corto indica una mayor eficiencia operativa. Segundo, la eficiencia de trayectoria η=L_recta/_{L real}, donde L_recta es la distancia euclidiana desde la posición inicial A hasta la posición objetivo B, y L_real es la longitud total del camino recorrida por el efector final esclavo durante la prueba, η=1 indica un camino perfectamente eficiente y directo; valores más bajos indican un movimiento más redundante y cargado de desvíos. Tercero, el conteo de submovimientos N_{subrepresenta} el número de segmentos de movimiento distintos, que se calcula contando los cruces de ceros en el perfil de velocidad suavizado del efector final maestro; un recuento menor indica una operación más continua y segura, con menor carga cognitiva sobre el operador. Finalmente, la significación estadística entre las tres condiciones de arbitraje se evalúa utilizando la prueba H de Kruskal-Wallis, empleándose pruebas U de Mann-Whitney por pares para comparaciones post-hoc.

Experimento 3: Despliegue en el campo

Tras la validación en laboratorio, el algoritmo de control compartido (α=0,3) y la detección abrupta de comportamiento se despliegan en el robot de trabajo en línea activa descrito en la construcción del sistema de teleoperación.

Resultados

Detección abrupta de comportamientos de operación
La Figura 12 muestra el análisis en serie temporal de un ensayo representativo en la plataforma del laboratorio, que incluye dos movimientos bruscos intencionados.
Ambos movimientos abruptos se detectaron (TPR = 100%) a 1,81 s y 5,72 s, respectivamente, sin falsos positivos (FPR = 0%) durante 13,2 s de funcionamiento normal. Tiempo de respuesta a la congelación: 1 fotograma (20 ms), medido mediante el temporizador del bucle de control.

Rendimiento compartido de control
La Figura 13 presenta la comparación entre 45 ensayos (3 operadores × 5 repeticiones ×3 condiciones) en la plataforma de laboratorio; los detalles de los datos se proporcionan en la Tabla 3.
Los resultados demuestran que un peso de control compartido adecuado puede mejorar significativamente el rendimiento en teleoperación. Bajo control compartido dominado por robots (α=0,3), el tiempo de finalización de tareas disminuyó un 31,4% y el número de submovimientos disminuyó un 37,9% en comparación con la teleoperación pura (α=1,0), reduciendo así la carga mental del operador al requerir menos acciones y decisiones correctivas. Mientras tanto, la eficiencia de la trayectoria mejoró un 57,8%, lo que indica que la planificación autónoma de la trayectoria del robot elimina eficazmente las trayectorias redundantes y guía al operador hacia movimientos más directos y eficientes. Estas tendencias fueron consistentes entre los tres operadores independientes.

Despliegue en campo en robot de trabajo en línea viva
El algoritmo de control compartido validado (α = 0,3) con detección abrupta de comportamiento se desplegó en el robot de trabajo en línea activa equipado con un manipulador industrial de 6 niveles de profundidad. El robot completó con éxito una operación de pinchado en línea activa en una red de distribución de 10 kV, demostrando la transferibilidad del algoritmo validado en laboratorio al sistema de campo real. La Figura 14A muestra al robot realizando una operación de tapping en línea activa a una altura elevada, mientras que la Figura 14B muestra al operador realizando la teleoperación desde la estación terrestre.

DISPONIBILIDAD DE DATOS:
Todos los datos en bruto que respaldan los hallazgos de este estudio están disponibles abiertamente en https://github.com/huchenyu778797-lgtm/piper_shared_control/issues y en el Archivo Suplementario 1.

Figura 1: Primeros sistemas telerobóticos para mantenimiento en línea activa. (A) El robot de Fase II desarrollado en Japón. (B) El sistema TOMCAT se desarrolló en Estados Unidos. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 2: Hilos típicos de distribución de 10 kV. La capa exterior es una carcasa aislante, mientras que la capa interior es metálica. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 3: Desafíos visuales en entornos exteriores. La imagen destaca la curvatura irregular de los cables y la pérdida de información de profundidad causada por la iluminación complejo. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 4: Estructura del sistema de control compartido. El diagrama ilustra la integración de la entrada del operador humano desde el lado maestro y la planificación autónoma del robot en el lado esclavo para generar una trayectoria fusionada. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 5: Diagrama de flujo del algoritmo de control compartido. El proceso incluye adquisición de datos, detección abrupta de operaciones, fusión de trayectorias basada en control compartido y ejecución de comandos de movimiento final. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 6: Sistema de robot de trabajo en línea activa de distribución teleoperada. (A) Visión general del sistema completo desplegado en el campo. (B) Diseño detallado del hardware y disposición de los componentes del sistema robótico. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 7: Pasos clave en la operación de tapping con línea viva. (A) Ablación láser de la capa exterior de aislamiento. (B) Eliminación de la capa de aislamiento para exponer el núcleo metálico. (C) Fijación del cable conductor de la toma a la línea principal de alimentación usando una abrazadera. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 8: Preparación para el despliegue en el campo. Se utiliza un camión con cubeta aislante para transportar el manipulador esclavo hasta la posición elevada de trabajo cerca de las líneas de alta tensión. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 9: Arquitectura de la comunicación. El esquema muestra las rutas de transmisión de datos entre la estación de control maestro y el manipulador esclavo remoto, asegurando una teleoperación de baja latencia. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 10: Modelado cinemático de los manipuladores. (A) El sistema de coordenadas conjuntas establecido para el manipulador esclavo. (B) Vista detallada de los marcos articulares del manipulador de esclavos. (C) El sistema de coordenadas conjuntas del manipulador maestro. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 11: Montaje experimental de laboratorio. (A) Se utilizan el manipulador maestro y el manipulador esclavo para las pruebas. (B) El entorno simulado de la tarea de golpeteo con obstáculos físicos y un punto final objetivo. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 12: Análisis en serie temporal de la detección abrupta de comportamiento en la plataforma de teleoperación del laboratorio. (Arriba) Posiciones de maestro (azul) y esclavo (rojo) en X, Y, Z. Sombreado rojo = intervalos congelados. (Medio) Distancia maestro-esclavo (naranja); Línea discontinua verde = umbral de reanudación de 20 mm. (Abajo) desplazamiento por cuadro (morado); línea roja = D_th = 6 mm; Puntos rojos = fotogramas excedidos. Parámetros: 50 Hz, D_th = 6 mm/fotograma. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 13: Comparación del rendimiento compartido de control en la plataforma de teleoperación de laboratorio bajo tres condiciones. Barras = medias; barras de error = ±1 SD. Cajas rojas = valores p de Kruskal-Wallis. Corchetes = valores p de Mann-Whitney U por pares. 45 ensayos (3 operadores × 5 repeticiones × 3 condiciones). (A) Tiempo de finalización. (b) Eficiencia de trayectoria. (C) Submovimientos. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 14: Aplicación en campo del sistema de control compartido. (A) El manipulador esclavo opera en una línea de distribución activa. (B) Inserción exitosa de la pieza metálica expuesta en la abrazadera utilizando el método de control compartido propuesto. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Subsistemas	Componente principal	Función principal	Características
Subsistema manipulador	Manipulador(es) simple/dual	Consigue movimiento multi-DOF	Alta carga útil, ligero y gran espacio de trabajo
	Sistema de controlador manipulador	Acciona motores de articulación mediante alimentación de corriente continua para lograr el movimiento del manipulador	Entrada de corriente continua, alta eficiencia de transmisión
Subsistema de Control	Ordenador industrial	Cálculo de datos, comunicación entre módulos	Alta fiabilidad, gran potencia de cálculo, gran capacidad de almacenamiento
	Módulo de comunicación	Implementa control remoto y monitorización	Estabilidad, fiabilidad, cumplimiento de los requisitos de compatibilidad electromagnética (EMC)
	Módulo de alimentación	Proporciona energía para toda la plataforma robótica	Cumple con funcionamiento estable en el sistema durante 6+ horas
Subsistema de percepción	Módulo de visión binocular	Adquisición de nubes de puntos a pequeña escala y alta precisión	La precisión de posicionamiento > 1%, el alcance operativo > 2 m
	Módulo LiDAR	Escaneo a gran escala de nubes puntuales	Alcance de funcionamiento > 10 m, ángulo de reconstrucción > 25°, densidad de nubes puntuales > 300.000 puntos
	Módulo sensor de fuerza	Adquiere información de fuerzas en seis ejes	La frecuencia de retroalimentación de fuerza > 10Hz, la precisión de retroalimentación de fuerza es mejor que 1N
Subsistema de herramientas	Módulo de limpieza con hielo seco	Implementa la función de limpieza con hielo seco	Ligero, cumple con los requisitos de limpieza del aislante, se requiere protección EMC
	Módulo de detección de valor cero	Implementa detección de pulsos de alto voltaje y valor cero	Tensión de pulso de salida 0-60kV, cumple con los requisitos de protección EMC
	Módulo de atornillado/destornillado	Implementa la función de atornillar/desentornillar	Ligero, cumple los requisitos de par motor, se requiere protección EMC
	Módulo de peeling láser	Despegado de implementos de la capa exterior de aislamiento de los cables de distribución	Sin contacto, sin daños en la parte metálica del cable, y puede desmantelar eficazmente la capa de blindaje semiconductora
	Otros módulos funcionales serializados	Empalme/corte de cables, instalación de repelentes de aves, instalación de indicadores de fallo, poda de árboles, reparación de aislamiento, instalación de protectores de sobretensión, tareas de patrulla	Modular, ligero, cumple con la protección EMC y los requisitos funcionales correspondientes
Subsistema de Camión Escoba	Dispositivo aislado de elevación y montaje	Proporciona soporte aislado para la plataforma de trabajo equipotencial y permite el control digital remoto	Altos niveles de EMC, con un extremo capaz de soportar cargas de 250 kg o más, fuerte resistencia a interferencias electromagnéticas y la capacidad de realizar control remoto bajo interferencia de arco a 220 kV de voltaje
	Portador inteligente	Consigue la movilidad terrestre para el robot	Pequeños y ligeros, adecuados para obras estrechas de línea de vida y terrenos complejos
Subsistema Lateral Maestro	Plataforma de interacción remota operador-robot	Permite la teleoperación remota a la plataforma robótica. Cumple con necesidades de resistencia, peso y otras comodidades de uso	Pequeño y ligero, adecuado para obras en línea de vida

Tabla 1: Especificaciones de subsistemas. Funciones detalladas de los distintos subsistemas que componen el robot de trabajo en línea activa.

UR10
Articulación	Theta [rad]	a[m]	d[m]	Alfa [RAD]
Articulación 1	0	0	0.1273	π/2
Articulación 2	0	-0.612	0	0
Articulación 3	0	-0.5723	0	0
Cuarta Articulación	0	0	0.163941	π/2
Joint 5	0	0	0.1157	-π/2
Articulación 6	0	0	0.0922	0

Tabla 2: Parámetros DH para el manipulador. Los parámetros cinemáticos utilizados para modelar el sistema de coordenadas conjuntas del manipulador esclavo.

Métrica	α=0.3	α=0.8	α=1.0	Valor p
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

Tabla 3: Detalles de los datos.Comparación cuantitativa del rendimiento compartido de controles a lo largo de tres pesos de arbitraje (α = 0,3, 0,8, 1,0). Datos de 45 ensayos (3 operadores × 5 repeticiones × 3 condiciones). Métricas: tiempo de finalización de tareas T (s), eficiencia de trayectoria η y recuento de submovimientos N_sub. Valores reportados como media ± desviación estándar.

Vídeo suplementario 1: Teleoperación de control compartido con α = 0,3. Este vídeo demuestra el procedimiento experimental de laboratorio para la tarea simulada de golpes bajo una condición de control compartido dominada por robots. Pone de manifiesto la alta eficiencia de la trayectoria y la reducción de los submovimientos del operador que se logran cuando el robot asume la mayor parte de la planificación del trayecto. Por favor, haga clic aquí para descargar este archivo.

Vídeo suplementario 2: Teleoperación de control compartido con α = 0,8 . Este vídeo demuestra el procedimiento experimental de laboratorio bajo una condición de control compartido dominada por humanos. Dado que la intervención humana supera ampliamente la planificación autónoma robótica, la operación visualmente se asemeja a la teleoperación pura, lo que se correlaciona con la falta de una mejora cuantitativa significativa en eficiencia y tiempo de finalización en comparación con la línea base. Por favor, haga clic aquí para descargar este archivo.

Vídeo suplementario 3: Seguimiento maestro-esclavo de la línea base de teleoperación α = 1.0 . Este vídeo demuestra el procedimiento experimental básico usando la teleoperación tradicional de seguimiento sin asistencia autónoma. Destaca el tiempo de finalización de tareas y los submovimientos manuales que requiere el operador, y reduce la eficiencia de la trayectoria. Por favor, haga clic aquí para descargar este archivo.

Discusión

Este estudio propone un sistema de robots de distribución teleoperada con línea activa basado en el control compartido humano-robot. En contraste con los sistemas totalmente autónomos que luchan con la iluminación exterior dinámica y los fondos no^{estructurados 12}, y la teleoperación tradicional de seguimiento maestro-esclavo que impone altas cargas cognitivas y físicas a los^{operadores 14, 15 y 16}, nuestro enfoque fusiona la intención humana con la planificación autónoma robótica. Además, este estudio aborda posibles errores del operador proponiendo un algoritmo de detección de movimiento abrupto para garantizar la seguridad operativa. Esta investigación avanza en el campo de la interacción física humano-robot (pHRI) en entornos extremos al proporcionar una integración validada en campo del control compartido para el mantenimiento de alta tensión, cerrando la brecha entre los marcos teóricos de control^{compartido 17,18} y las aplicaciones industriales prácticas.

Los experimentos de laboratorio demuestran que un peso de control compartido adecuado puede reducir significativamente el tiempo de finalización de tareas y el esfuerzo de control manual del operador (menos submovimientos), al tiempo que mejora la eficiencia de la trayectoria. Específicamente, bajo control compartido dominado por robots (α = 0,3), el tiempo de finalización disminuyó un 31,4%, la eficiencia de la trayectoria mejoró un 57,8% y el número de submovimientos disminuyó un 37,9% en comparación con la teleoperación de seguimiento. Además, el mecanismo de detección de movimiento abrupto alcanzó una tasa de positivo verdadero del 100% con un tiempo de respuesta de 20 ms. El método propuesto es de gran importancia para modernizar el mantenimiento de la red eléctrica mediante la mitigación objetiva de la fatiga asociada a operaciones peligrosas. Más allá de las redes de distribución eléctrica, este marco de control compartido tiene aplicaciones potenciales en otros robots de propósito especial que operan en entornos altamente poco estructurados y peligrosos, como robots desplegados para rescate contra incendios o exploración geológica, donde la adaptabilidad cognitiva humana debe combinarse con precisión robótica.

Aunque estos resultados demuestran viabilidad en escenarios controlados, las limitaciones incluyen un solo tipo de tarea (tapping) y la falta de análisis de los efectos en diferentes experiencias de los operadores. Se necesita una validación adicional entre diversas tareas, operadores y condiciones ambientales. El trabajo futuro se centrará en el ajuste adaptativo de α y en ensayos de campo ampliados, en los que se actualizarán α en función del riesgo en la posición cartesiana actual, y en construir un campo de riesgo para calcular el riesgo.

A pesar de las demostraciones exitosas, este estudio presenta varias limitaciones. En primer lugar, la validación experimental se centró principalmente en un solo tipo de tarea (toquete en línea activa). En segundo lugar, el peso de control compartido se fijaba antes de cada tarea, careciendo de adaptabilidad en tiempo real a las incertidumbres cambiantes. Finalmente, el estudio evaluó un número limitado de operadores entrenados y no se analizó el efecto de los diferentes niveles de experiencia del operador. Las futuras direcciones se centrarán en desarrollar un marco de control compartido adaptativo que ajuste dinámicamente el peso de arbitraje en función del contexto de la tarea en tiempo real y el estado^{del operador 17}. Además, planeamos realizar pruebas de campo ampliadas que abarcan diversas tareas de mantenimiento, la experiencia de diferentes operadores y condiciones meteorológicas variables para validar aún más la robustez del sistema.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Hikvision DS-2DC2D20IW-DE3	Hikvision	https://www.hikvision.com/cn/products/pdplist/161056/	cámara de monitoreo pan-tilt-zoom (PTZ)
KUNWEI KWR75	KUNWEItech	https://www.kunweitech.com/products/866.html	sensor de fuerza
LivoxAVIA	Livox(DJI)	https://www.livoxtech.com/cn/avia	LiDAR láser
Piper	AGILEX	https://www.agilex.ai/page/690abe7b5e78cfa260412c92?mi=1&rn=PIPER+%E6%A0%87%E5%87%86%E7%89%88	manipulador maestro/esclavo para validación de experimentos en plataforma de laboratorio
Python	Python Software Foundation	https://www.python.org/	lenguaje de programación
RealSenseD435	Intel	https://store.realsenseai.com/buy-intel-realsense-depth-camera-d435.html	cámara binocular
Touch	3D Systems	https://cn.3dsystems.com/haptics-devices/touch	dispositivo háptico
Ubuntu 24.04	Canonical Ubuntu	https://ubuntu.cn/	sistema operativo
UR10	Universal Robots	https://www.universal-robots.cn/	manipulador del robot de trabajo en línea