עבודה זו מציגה מסגרת DWA אדפטיבית מרובת-חיישנים (LiDAR, מצלמה, IR, IMU) עם למידה מקוונת עבור רובוטי בדיקה. בדיקות תעשייתיות חוזרות מדגימות דיוק מיקום של ±1.5 cm, זיהוי מכשולים של 98.7%, שיפור של 32% ביעילות והפחתה של 9.8% בצריכת האנרגיה בהשוואה לשיטות קונבנציונליות.
מאמר מחקר
מחקר על אופטימיזציה והסתגלות לסביבה דינמית של מערכת בדיקה רובוטית חכמה המבוססת על היתוך רב-חיישנים
במאמר זה
סיכום
תקציר
מאמר זה מציע מסגרת אופטימיזציה המבוססת על היתוך עמוק של חיישנים מרובים וקבלת החלטות אדפטיבית עבור רובוטים של בדיקה חכמה, המטפלת באמינות תפיסה מוגבלת, יעילות נמוכה בתכנון מסלול והסתגלות סביבתית לקויה בתרחישים דינמיים. פלטפורמת הרובוט מצוידת ב-LiDAR, מצלמה ויזואלית, מד תסרית תרמי באינפרה-אדום ו-IMU כדי לבנות מודל תפיסה חסון לזיהוי מכשולים והערכת תנוחה. תכננו אלגוריתם היתוך dynamic weight-DWA לתכנון מסלול ומודול למידה מקוון לעדכון מאפייני הסביבה. בוצעו מספר בדיקות במפעלים תעשייתיים ובתחנות משנה תחת תנאי תאורה משתנים ובנוכחות מכשולים נעים. בהשוואה לשיטות בסיס, כולל Kalman filter, DNN ו-A*+DWA, המערכת השיגה טעות מיקום של ±1.5 cm, שיעור זיהוי מכשולים של 98.7%, ודיליי בתכנון מחדש של פחות מ-0.8 s, עם יעילות בדיקה גבוהה ב-32% וצריכת אנרגיה נמוכה יותר ב-9.8% (p < 0.01). המערכת מספקת חסנות משופרת תחת התנאים התעשייתיים הדינמיים שנבחנו.
מבוא
עם הפיתוח המהיר של ייצור חכם ובניית אנרגיה חכמה, רובוטים לבדיקה חכמה, המשמשים כציוד ליבה להחלפת פעולות ידניות בסיכון גבוה, נמצאים בשימוש נרחב במגזרי תשתיות מרכזיים כגון חשמל, פטרוכימיה ותחבורה על פסי רכבת. מערכות בדיקה מסורתיות מסתמכות בעיקר על חיישן יחיד לתפיסה סביבתית, וביצועיהן בסביבות מובנות וסטטיות הן מקבלות. עם זאת, באתרים תעשייתיים בפועל, הן נאלצות להתמודד לעיתים קרובות עם גורמים דינמיים מאוד ולא מובנים, כגון שינויים בתאורה, העברה זמנית של ציוד, תנועת כוח אדם, והפרעות מגשם וערפל, העלולים להוביל לכשלי תפיסה ולשגיאות בקבלת החלטות1,2,3. בשנים האחרונות, התקדמות בלמידה עמוקה ולמידה מחיזוק אפשרה גישות חדשות לעיבוד שיתופי של נתונים ממספר מקורות, בעוד ששיפורים בחומרת מחשוב קצה אפשרו ביצוע בזמן אמת של אלגוריתמים מורכבים. בהקשר זה, בניית מערכת בדיקה המבוססת על היתוך חיישנים מרובים עם סתגלנות סביבתית חזקה אינה רק צורך דחוף לשיפור רמת האוטומציה בתפעול ובאחזקה, אלא גם תמיכה טכנית מרכזית להבטחת תפעול בטוח של מתקני מפתח.
למרות שלטכנולוגיית היתוך רב-חיישנים ישנם יתרונות תיאורטיים, מערכות בדיקה חכמות קיימות עדיין מתמודדות עם צווארי בקבוק משמעותיים ביישומים מעשיים בסביבה דינמית: ראשית, דיוק הרישום המרחבי-זמני של נתוני חיישנים הטרוגניים אינו מספיק. עיוות ההיתוך בין ענן הנקודות הלייזרי לבין פריים התמונה נגרם מהבדלים בתדר הדגימה ובמערכות הצירים. במיוחד כאשר הרובוט נע במהירות גבוהה, עיוות תנועה מחמיר את השגיאות בהתאמת תכונות ומפחית את מהימנות זיהוי המכשולים. שנית, לאסטרטגיית ההיתוך המסורתית יש יכולת הסתגלות חלשה לשינויים סביבתיים. שיטות מרכזיות מסתמכות על פרמטרים קבועים ואינן יכולות להתמודד עם תרחישים כגון שינויי תאורה פתאומיים, הפרעות אבק או מכשולים פתאומיים, מה שמוביל לעלייה בשיעורי הזיהוי השגוי. לדוגמה, כאשר מערכת הראייה נכשלת תחת תאורה חזקה, המערכת אינה מצליחה לעבור באופן אוטומטי למצב המונחה לייזר, מה שגורם להפסקת הניווט. יתרה מכך, מודולי תכנון המסלול והתפיסה מופרדים. מרבית המערכות מאמצות ארכיטקטורה טורית: לאחר ששכבת התפיסה מוציאה את מודל הסביבה, שכבת התכנון מחשבת מחדש את המסלול. למודל זה יש עיכוב תגובה משמעותי בסביבות דינמיות. כאשר מופיעים מכשולים זמניים, תהליך ה-"זיהוי-מידול-תכנון מחדש" חייב להתבצע במלואו, דבר הדורש יותר מ-2 seconds ואינו עונה על דרישות הימנעות ממכשולים בזמן אמת. לבסוף, המערכת חסרה יכולות למידה מקוונת. שיטות קיימות מבוססות ברובן על מודלים שהוכשרו מראש, אשר בעלי שיעורי זיהוי נמוכים עבור מכשולים שאינם מוכרים או מצבי ציוד חריגים, דורשות התערבות ידנית תכופה לאיפוס פרמטרים, וגוררות עלויות תפעול ותחזוקה גבוהות4,5,6,7. בעיות אלו מגבילות קשות את הפריסה המהימנה של רובוטי בדיקה בתרחישים תעשייתיים מורכבים.
מחקר זה מציע פתרונות חדשניים סיסטמטיים לנקודות התורפה שצוינו לעיל: ראשית, תכנון ארכיטקטורת היתוך אדפטיבית שכבתית (LAFA). בשכבת הנתונים, מוצע אלגוריתם פיצוי לסנכרון מרחבי-זמני המשיג יישור ברמת מיקרו-שנייה בין נתוני LiDAR, ראייה ו-IMU באמצעות פיצוי תנועה של ה-IMU וסינון קלמן כפול. בשכבת המאפיינים, פותח מודול בחירת מאפיינים רב-מודאלי המבוסס על מנגנון קשב (attention mechanism) כדי להעריך באופן דינמי את מידת הביטחון בכל חיישן ולהתאים את משקל ההיתוך, ובכך לצמצם את הידרדרות התפיסה תחת הפרעות סביבתיות. שנית, מוצע מנגנון תכנון נתיב אינטראקטיבי לסביבה (EIPPM). תוצאות התפיסה בזמן אמת מוטמעות ישירות בפונקציית עלות משופרת כדי לבנות מפת סיכון דינמית; במקביל, תוכנן ממשק צימוד בלולאה סגורה של "תפיסה-תכנון". כאשר מודול הימנעות ממכשולים מקומי המבוסס על Dynamic Window Approach (DWA) מזהה מכשול פתאומי, הוא מפעיל באופן מיידי אופטימיזציה אינקרימנטלית של הנתיב הגלובלי, מה שמקצר את השהיית התכנון מחדש לפחות משנייה אחת, ומציג מודל חיזוי עלות תנועה כדי להימנע באופן אקטיבי מאזורים בעלי דינמיקה גבוהה. שלישית, בניית מסגרת למידה מקוונת קלת משקל. למידה בהעברה (Transfer learning) משמשת לאתחול ספריית מאפייני הסביבה, פריסת רשתות קונבולוציה קלות משקל (LCNN, Lightweight Convolutional Neural Network) ורשתות זיכרון לטווח קצר ארוך (LSTM, Long Short-Term Memory network) באמצעות התקני מחשוב קצה, ניתוח נתוני זרימה של חיישנים בזמן אמת, זיהוי ראשוני אוטומטי של תבניות חריגות, ועדכון בסיס הידע הסביבתי בתרחישים שנבדקו. בנוסף, פותח מודול לכוונון עדין של אסטרטגיה המבוסס על למידת חיזוק, המאפשר למערכת ללמוד אסטרטגיות אדפטיביות באופן אוטונומי באמצעות אינטראקציה רציפה. פתרון זה משיג אופטימיזציה של כל השכבות (full-stack), החל מהתפיסה וקבלת ההחלטות ועד לביצוע, ובכך משפר משמעותית את החוסן והאוטונומיה של המערכת בתרחישים דינמיים שאינם מובנים.
פרוטוקול
בסיס תיאורטי
מסגרת הבדיקה החכמה המוצעת בנויה על עקרונות מבוססים של תפיסה רובוטית, היתוך מידע מרב-חיישנים, אומדן מצב ותכנון מסלול אוטונומי. היתוך רב-חיישנים משלב מידע משלים מ-LiDAR, ראייה, הדמיה באינפרה-אדום ומדידות אינרציאליות כדי לשפר את דיוק הלוקליזציה, את התפיסה הסביבתית ואת העמידות בסביבות תעשייתיות מורכבות. אומדן מצב באמצעות סינון קלמן (Kalman filtering) מאפשר סנכרון מרחבי-זמני של נתוני חיישנים הטרוגניים, בעוד שאסטרטגיות שקלול אדפטיביות משפרות את אמינות ההיתוך תחת תנאי סביבה משתנים. בנוסף, שיטות דינמיות לתכנון מסלול משלבות תפיסה סביבתית בזמן אמת, הימנעות ממכשולים וקבלת החלטות כדי לתמוך בניווט רובוטי בטוח ויעיל בסביבות דינמיות. מושגים מבוססים אלה מהווים את התשתית התאורטית עבור מסגרת התפיסה מבוססת ה-LAFA ואסטרטגיית תכנון המסלול EIPPM שיושמו במחקר זה8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30.
מודל היתוך רב-חיישני אדפטיבי היררכי
כדי לטפל באי-התאמה מרחבית-זמנית ובקיבוע משקלים בנתוני חיישנים הטרוגניים בתוך סביבה דינמית, סעיף זה מציע את LAFA (Layered Adaptive Fusion Architecture). ראשית, אנו מבצעים כיול אחיד של חותמות הזמן של ה-LiDAR, מצלמת הראייה וה-IMU, ולאחר מכן מאמצים מסנן קלמן כפול, בשילוב עם חיזוי תנוחת רובוט מבוסס IMU, כדי לפצות על היסטות תנועה בין פרמים, ובכך להשיג סנכרון מרחבי-זמני ברמת מיקרו-שנייה בין שלושת החיישנים ולבטל עיוות של ענן נקודות הנגרם מתנועה במהירות גבוהה. ארכיטקטורה זו משפרת משמעותית את אמינות התפיסה בתרחישים מורכבים, ומפחיתה את שגיאת המיקום ב-46% בהשוואה לשיטות מסורתיות.
איור 1. ארכיטקטורת קבלת החלטות דינמית של הרובוט לבדיקה חכמה. סקירה כללית של מסגרת ה-LAFA-EIPPM המציגה תפיסה מולטי-מודלית, יצירת משימות מונחית-שפה, היתוך חיישנים אדפטיבי ובקרת רובוט בלולאה סגורה. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.
כפי שמוצג ב-איור 1, ארכיטקטורה זו משלבת מערכת תפיסה רב-מודאלית במעגל סגור ומערכת קבלת החלטות דינמית: ראשית, הוראות בשפה טבעית מתקבלות דרך מודול האינטראקציה השפתית של ROSA (Robot Operating System Assistant), המשלב את ה-API של GPT-4o כדי להפיק בקשות משימה מובנות31,32. מודול זה משתמש בתבניות פרומפט קבועות ובהגדרות מגבלת גישה ל-API. הוא ממיר שפה טבעית לפורמטים אחידים של פקודות בדיקה, ומצויד בסינון מילות מפתח כדי לממש בקרת בטיחות בסיסית במהלך הפעולה; לאחר מכן, המקודד הדינמי משתמש במודל MDN-RNN (Mixture Density Network Recurrent Neural Network) כדי למזג נתונים מחיישנים ממקורות מרובים כגון LiDAR, ראייה ו-IMU כדי להוציא מאפייני מצב נסתר הכוללים סמנטיקה סביבתית; המאפיין מוזן באופן סינכרוני לבקר האדפטיבי, והוראת פעולה חוצת-פלטפורמות מופקת בשילוב עם מערך הנתונים שהוגדר מראש. לבסוף, הרובוט ההטרוגני מופעל להשלמת משימת הבדיקה הדינמית באמצעות שכבת הביצוע הסביבתית, ומצב המכונה מוחזר למקודד בזמן אמת כדי ליצור אופטימיזציה במעגל סגור, ובכך להגשים מנגנון התאמה דינמי של התהליך המלא, מתפיסה רב-מודאלית ועד לקבלת החלטות אוטונומית.
עבודה זו משתמשת ב-API הסטנדרטי של GPT-4o עם פורמט פרומפט קבוע, ובכך משיגה השהיית תגובה ממוצעת של פחות מ-200 ms. מנגנון ניסיונות חוזרים מפחית את חוסר הדטרמיניזם. מודולים ליירוט שגיאות ולאימות בטיחות תוכן הוטמעו כדי לטפל בבקשות חריגות ולהבטיח בטיחות תפעולית. LAFA מקבל נתוני גלם מרב-חיישנים כקלט ומפיק מאפיינים ממוזגים ומשקולות מיזוג דינמיות. משקולות קשב מחושבות על ידי נורמליזציה של ערך הביטחון של כל חיישן. נעשה שימוש בהפסד cross-entropy; קצב הלמידה הוא 1e-3, גודל אצווה (batch size) הוא 32, וסך תקופות האימון (epochs) הוא 50.
ROSA עם GPT-4o מסייעת לממשק אדם-מכונה בלבד על ידי המרת שפה טבעית למשימות בדיקה; היא אינה משפיעה על התפיסה או התכנון, ולכן השהייתה אינה מהווה מדד ביצועים מרכזי (KPI). היא משפרת את שמישות המערכת מבלי לפגוע במיקום, בזיהוי או בתכנון מחדש.
מנגנון דינמי לתכנון נתיבים באינטראקציה עם הסביבה
כדי לטפל בעיכוב התגובה הנגרם מההפרדה בין מודולי התפיסה לתכנון, סעיף זה מציע מנגנון תכנון נתיב אינטראקטיבי עם הסביבה (EIPPM). החדשנות המרכזית טמונה בבניית ממשק צימוד במעגל סגור בין התפיסה להחלטה. בנוסף, רשתות זיכרון לטווח ארוך וקצר מוצגות כדי לחזות עלויות תנועה באזורים דינמיים מאוד ולהנחות את הרובוט להימנע באופן אקטיבי מנקודות עומס. מנגנון זה מקצר את עיכוב התכנון מחדש לפחות מ-0.8 שניות, תוך שיפור בו-זמני של בטיחות הנתיב והיעילות שלו.
EIPPM מייעל את פונקציית העלות של DWA על ידי מיזוג מרחק המכשול ורמת הביטחון של החיישן. מפת הסיכון הדינמית נבנית על בסיס מיקום המכשול ומצב התנועה שלו. תכנון מסלול מחדש אינקרמנטלי מופעל כאשר הסטה מהמכשול עולה על 0.5 m. החוזה המבוסס על LSTM מחשב את עלות התנועה האזורית. תכננן ה-DWA המקומי ותכנן ה-A* הגלובלי משיגים צימוד הדוק, עם סף זמן לתכנון מחדש של 0.8 s כדי להבטיח ביצועים בזמן אמת. עלות DWA מעודכנת: EQUATION. נשענת על מרחק המכשול; מאמצת את רמת הביטחון של חיישן LAFA; מטילה קנסות עבור אזורים דינמיים שנחזו על ידי LSTM. מאזן נורמלי את הבטיחות, התפיסה, האמינות וסיכוני התנועה. רמת הביטחון של החיישן ה-m-י מחשבת באמצעות . משקל המיזוג לאחר נרמול. מודול הקשב (attention module) מתעדכן פריים אחר פריים; לחיישנים בעלי רמת ביטחון נמוכה מוקצים משקלים זעירים כדי להפחית עיוותי מיזוג תחת תנאי תאורה קשים או אבק.
איור 2. זרימת עבודה של תפיסה סמנטית ובקרה אדפטיבית מונחית LiDAR. איור של זרימת העבודה לתפיסה סמנטית, יצירת אילוצים ותכנון נתיב אדפטיבי עבור בדיקה אוטונומית המבוססת על מודעות סביבתית מונחית LiDAR. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.
כפי שמוצג ב-איור 2, זרימת העבודה המלאה מונעת על ידי חישוש LiDAR. נתוני LiDAR גולמיים מיובאים תחילה למודול המודעות הסמנטית כדי להוציא מידע על הסביבה ועל המטרה. לאחר עיבוד על ידי אלגוריתם היתוך הרב-חיישנים LAFA המוצע, הנתונים מועברים ליחידת אילוצי הבקרה כדי לקבוע כללי תפעול ומגבלות בטיחות. בשילוב עם אסטרטגיית תכנון המסלול EIPPM, המערכת מפיקה פקודות בקרה להנעת הרובוט להשלמת משימות הבדיקה. משוב סביבתי בזמן אמת מוזן חזרה למודול התפיסה הקדמי כדי לאפשר פעולה במעגל סגור. האיור מציג באופן מלא את כל לוגיקת ההפעלה של מערכת התפיסה, היתוך, בקרת האילוצים והביצוע של הרובוט.
תוצאות
הערכת ביצועי תפיסה
כדי לאמת את יעילותם של LAFA ו-EIPPM בתרחישים דינמיים, פרק זה פורס פלטפורמות בדיקה בשתי סביבות בדיקה טיפוסיות: מפעלים תעשייתיים ותחנות משנה. ההסדרה הניסויית כוללת תנאים קיצוניים כגון שינויים פתאומיים בתאורה (2,000 → 80,000 lux), מכשולים הנעים באופן אקראי (5–8/דקה), והפרעות אבק (נראות < 5 מ'). בהשוואה לאלגוריתמי היתוך נתונים נפוצים (מסנן קלמן/DNN) ולשיטות תכנון מסלול (A* + DWA/RRT), העריכו כמותית מדדי ליבה כגון דיוק מיקום, שיעור זיהוי מכשולים, השהיית תכנון מחדש וצריכת אנרגיה, והוכיחו את יתרונות הביצועים של הסכימה המוצעת באמצעות ניתוח מובהקות סטטיסטית (p < (0.01). כל הנתונים נאספו מתחנות כוח ותתי-תחנות תעשייתיות ממשיות, ובסך הכל 28,000 דגימות ב-6 קטגוריות של מכשולים. כל הדגימות סומנו באופן ידני. יחס הפיצול בין נתוני האימון לבדיקה הוא 8:2. 5,000 דגימות נוספות בזמן אמת משמשות ללמידה מקוונת (online learning). ספריית מאפייני הסביבה בנויה כווקטורים של מאפיינים מולטי-מודאליים ב-12 ממדים. מודל הלמידה המקוונת מעודכן באופן אינקרמנטלי כאשר דגימות חריגות נערמות במשך יותר מ-10 פריימים רצופים, תוך שימוש בשיעור למידה קבוע של 0.001. תוויות של חריגה מוגדרות כמכשולים פתאומיים ומצבי ציוד חריגים. כדי למנוע שכחה קטסטרופלית, מיושם סף סריקה (drift threshold) של 0.15 על התפלגות הנתונים; אם הסטייה בהתפלגות עולה על סף זה, העדכון מושעה זמנית עד שהנתונים הנכנסים מתייצבים, ובכך מודחק הסחף של המודל ונשמרת ביצועי ההכללה. מודול הלמידה המקוונת קל-המשקל נבדק עם 5,000 דגימות שלא נראו בעבר. לאחר עדכון המודל ב-10 פריימים, דיוק הזיהוי של מכשולים לא ידועים עלה ב-7.2%, מה שמאמת את יכולת האופטימיזציה האדפטיבית שלו עבור מטרות סביבתיות חדשות.
פלטפורמת רובוט: הנעה באמצעות גלגלים דיפרנציאליים, בקר STM32 ומחשב על-לוח Jetson Xavier NX. הרובוט משתמש בסוללות ליתיום ל-8 שעות של פעולה רציפה, במהירות של 0.2–1.2 m/s, מטען מקסימלי של 8 kg ותקשורת כפולה ב-Wi-Fi ו-4G. חיישנים: RPLIDAR A1M8, 10 Hz, שדה ראייה (FOV) של 360°; מצלמה 1080P, 30 fps, שדה ראייה (FOV) של 120°; מדמייב אינפרא-אדום ברזולוציה של 320 x 240; יחידה למדידת אינרציה (IMU) מדגם MPU6050, 200 Hz. כל החיישנים מותקנים בחזית, מכויילים באופן אחיד ומסונכרנים ברמת המיקרו-שנייה. תוכנה: Ubuntu 20.04, ROS Noetic, שפות Python ו-C++, מסגרת PyTorch, מצויד ב-CPU בעל 8 ליבות ו-GPU בנפח 16 GB לביצועי מחשוב קצה (edge computing).
המפעל התעשייתי (45 m x 30 m, מסלול של 120 m) ותחנת המשנה (50 m x 35 m, מסלול של 150 m) כוללים ציוד קבוע ואנשי צוות נעים. כל בדיקה מבוצעת 30 פעמים עם מרחק בטיחות של 0.6 m. עוצמת התאורה נעה בין 2,000 ל-80,000 lux, עם 5–8 מכשולים נעים לדקה. אבק מפחית את הראות למרחק של פחות מ-5 m. כל התנאים ניתנים לשחזור.
| שיטה | שגיאת מיקום (cm) | שיעור גילוי מכשולים (%) | שיעור התראות שווא (%) | השהיית עיבוד (ms) | חסינות (שינויי תאורה) | חסינות (הפרעות אבק) | p-value |
| LiDAR בלבד | ±3.2 | 89.6 | 8.7 | 25 | נמוכה | בינונית | <0.01 |
| Vision + IMU | ±5.1 | 78.3 | 15.2 | 40 | נמוכה מאוד | נמוכה | <0.01 |
| מיזוג Kalman | ±2.8 | 92.1 | 6.3 | 65 | בינונית | בינונית | <0.01 |
| מיזוג DNN | ±2.5 | 94.8 | 5.1 | 110 | גבוהה | נמוכה | <0.01 |
| RAL 2023 | ±1.9 | 96.4 | 4 | 85 | גבוהה | בינונית | <0.01 |
| LAFA המוצע | ±1.5 | 98.7 | 1.8 | 35 | גבוהה מאוד | גבוהה מאוד | <0.01 |
טבלה 1: השוואת ביצועי חישוש של חיישנים מרובים. העמידות מדורגת בסולם של 5 רמות בהתבסס על הירידה בזיהוי מכשולים תחת שינויי תאורה והפרעות אבק: נמוכה מאוד, נמוכה, בינונית, גבוהה וגבוהה מאוד.
טבלה 1 משווה את ביצועיהן של שיטות תפיסה שונות בסביבה תעשייתית דינמית. כל הניסויים בוצעו עם 30 חזרות עצמאיות (n = 30). לצורך הניתוח הסטטיסטי נעשה שימוש ב-ANOVA חד-כיווני בשילוב עם מבחן השוואות מרובות of Tukey's HSD, וכל המדדים הראו הבדלים מובהקים (p < 0.01). שגיאת הלוקליזציה של LAFA המוצעת היא ±1.5 cm (SD = ±0.25 cm, 95% CI: [1.42, 1.58] cm), ושגיאת המיקום הכללית עוקבת אחר התפלגות נורמלית. שיעור זיהוי המכשולים שלה מגיע ל-98.7% (SD = ±0.65%, 95% CI: [98.4%, 99.0%]), ושיעור ההתרעות השגויות הוא רק 1.8%. השיהוי בעיבוד הוא רק 35 ms (מהיר ב-68% ממיזוג DNN נפוץ), והחסינות תחת הפרעות של אור חזק ואבק מגיעה לדירוג "גבוה מאוד", בעוד ששיטות ייחוס מדורגות כ"בינוני" ו"נמוך". מערך הנתונים לבדיקה כולל שישה סוגים של מכשולים כדי להבטיח את השחזור של התוצאות. הדבר מדגים באופן מלא את היתרונות של LAFA במיזוג אדפטיבי של נתונים הטרוגניים ממקורות מרובים באמצעות פיצוי סנכרון מרחבי-זמני ומנגנון שקלול קשב דינמי.
הערכת ביצועי תכנון מסלול
| שיטה | זמן תכנון מחדש | אופטימליות נתיב (%) | שיעור התנגשויות (%) | שיעור הצלחה (%) | ציון הימנעות דינמית | צריכת אנרגיה |
| A* + DWA | 2.5 | 82.6 | 7.3 | 88.9 | 6.1 | 0.48 |
| RRT*+APF | 1.8 | 76.4 | 5.1 | 91.2 | 7.3 | 0.52 |
| DRL Planner | 1.2 | 88.7 | 4 | 93.5 | 8.5 | 0.43 |
| ICRA 2024 | 0.9 | 90.2 | 3.2 | 95.1 | 8.9 | 0.41 |
| EIPPM המוצע | 0.8 | 96.3 | 0.9 | 99.2 | 9.7 | 0.37 |
טבלה 2: השוואת ביצועי תכנון נתיב דינמי. ציון ההימנעות הדינמי נע בין 0 ל-10 נקודות ומחושב על ידי שקלול שיעור ההתנגשויות, חלקות הנתיב, השהיית התכנון מחדש ושיעור הצלחת המשימה לאורך 30 ניסויים חוזרים.
טבלה 2 מעריכה את הביצועים של שיטות תכנון נתיבים שונות בתרחיש של תחנת משנה עם מכשולים הנעים באופן אקראי (5-8 מכשולים/דקה) והפרעות של קרינה תרמית מציוד. נעשה שימוש ב-12 נתיבי בדיקה קבועים, וכל שיטה נבדקה 30 פעמים. בכל ניסוי נתקלו בממוצע ב-20 מכשולים, ומספר הכשלונות הכולל של כל קבוצה נרשם באופן סינכרוני. מנגנון ה-EIPPM המוצע עושה שימוש בצימוד לולאה סגורה של תפיסה ותכנון, ומשיג זמן תגובת תכנון מחדש של 0.8 s, מהיר ב-68% משיטת A*+DWA. שיעור אופטימיזציית הנתיב מגיע ל-96.3% (שיפור של 6.1%), עם שיעור התנגשויות של 0.9% בלבד (הנמוך ביותר מבין כל השיטות שהושוו), וציון הימנעות ממכשולים דינמיים של 9.7/10. זאת בעיקר בשל יכולות ההימנעות הפרואקטיביות של מפת הסיכון הדינמית וחיזוי עלות התנועה באזורים בעלי פעילות גבוהה. במקביל, צריכת האנרגיה הופחתה ל-0.37 kWh/km (חיסכון של 9.8%). בשילוב עם ניתוח סטטיסטי (p < 0.01), מדדים אלו מדגימים את עליונותו של ה-EIPPM לקבלת החלטות אינטראקטיבית יעילה ובטוחה בתרחישים דינמיים ומורכבים. כל שיטות הייחוס מורצות על ROS Noetic. Kalman Fusion ו-DNN Fusion משתמשים בפרמטרי ברירת מחדל מקור פתוח. A*+DWA, RRT*+APF ו-DRL Planner משתמשים בהגדרות הפרמטרים הקלאסיות מהספרות הקיימת. כל האלגוריתמים כוילו תחת אותם תנאי חומרה וסביבה.
ניתוח נתוני חיישנים ומסלול
איור 3ניתוח תנודות אותים מרב-חיישנים וניתוח מסלול רובוט. (A(מודל תלת-ממדי של התפשטות גלים הממחיש את ההתפלגות המרחבית של אמפליטודות אותות מחיישנים ממוזגים. (Bויזואליזציה היברידית תלת-ממדית של מרחב החיישנים המציגה מסלולי רובוט ונתוני חיישנים מדוגמים שהופקו ממדידות שדה ממוזגות ב-LAFA. אנא לחצו כאן כדי להציג גרסה מורחבת של איור זה.
איור 3 ממחיש נתונים ממוזגים ממספר חיישנים ומסלולי רובוט. ערכי האמפליטודה בטווח של 0.0-10.8 dB חושבו מנתוני LiDAR, מצלמה ו-IMU מהשטח באמצעות אלגוריתם ה-LAFA. אזורים עם אמפליטודה שמעל 8.0 dB מייצגים הפרעות סביבתיות חזקות. שיאי האמפליטודה תואמים את נתיב הבדיקה, והמסלולים מראים תנודות ברורות כאשר האמפליטודה עולה על 5.0 dB. מרבית נקודות הנתונים מקובצות בין 2.5 ל-7.5 dB, מה שמעיד על כך שהמערכת עוקפת אזורים בעלי הפרעה גבוהה. הכיסוי המרחבי הרחב והמסלולים החלקים (שינוי קימור <; 0.6) מהווים תיקוף ליכולת ההסתגלות של הרובוט ולעליונותה של שיטת המיזוג המוצעת עבור בדיקה תעשייתית דינמית.
איור 4. הערכת ביצועים של מערכת הבדיקה האינטליגנטית. (A) התפלגות קצב התגובה ותנובת המוצר שנגזרו מנתוני בדיקת הרובוט. (B) התפלגות צפיפות הממחישה את הקשר בין קצב התגובה לתנובת המוצר במהלך משימות הבדיקה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 4 מציג את השוואת הביצועים במשימות בדיקה של רובוט ממשי. כל המטריקות נגזרות מנתוני הסיור הגולמיים של ה-LiDAR, המצלמה וה-IMU של הרובוט. קצב התגובה מציין את מהירות התגובה הממוצעת של מודול ה-LAFA fusion ללכידת חריגות בציוד, בעוד שתשואת המוצר (product yield) מייצגת את חלקם של פלטי הפגמים התקפים שסוננו על ידי תכנון הנתיב של EIPPM. העקומות מכמתות את יעילות הגילוי ואת ההסתגלות הסביבתית של המסגרת, ומספקות ראיות אמפיריות ליתרונותיה המעשיים בבדיקה.
איור 5. ניתוח סדרות זמן של אותות חיישנים במהלך בדיקה. (A) פירוק של אותות חיישני סדרות זמן לרכיבי מגמה, עונתיות, שארית ורעש. (B) אות חיישן חשמלי עם רווח הביטחון המתאים במהלך בדיקה רובוטית רציפה. אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.
כפי שמוצג ב-איור 5, עקומות סדרת הזמן נגזרות מקריאות טווח של LiDAR ומעוצמת תמונה של המצלמה, שהוקלטו במהלך סיור רציף של 10-min בתרחיש תחנת המשנה. הן ממשיכות תגובות תפיסה בזמן אמת תחת שינויים בתאורה והפרעות אבק. שיטת ה-LAFA המוצעת מחליקה ביעילות את רעידות האות, שומרת על פלט יציב ותומכת באופן ישיר בזיהוי מכשולים ובמניעת התנגשויות בזמן אמת במשימות בדיקה דינמיות.
איור 6. ניתוח שדות פיזיקליים רב-ממדיים. ויזואליזציה של מאפייני שדות סביבתיים ששוחזרו ממדידות רב-חשכנית שמוההקו באמצעות LAFA, הממחישה את ההתפלגות המרחבית של הדינמיקה הסביבתית, נקודות נתוני החיישנים ומדרגי השדה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
כפי שמוצג ב-איור 6, נתוני השדה הפיזי רב-הממדיים מעובדים ממדידות של חיישני השטח של הרובוט באמצעות אלגוריתם LAFA כדי לנתח את סביבת העבודה ואת ביצועי האות. ויזואליזציה זו כוללת 10 שכבות ניתוח עם התפלגות מרחבית, התפלגות נתונים ומאפיינים סטטיסטיים נבדלים. התוצאות משקפות את התבנית המרחבית של הפרעות סביבתיות ומאששות את הביצועים היציבים של מערכת התפיסה של הרובוט.
ויזואליזציה של מאפיינים רב-ממדיים
איור 7. ויזואליזציה רב-ממדית של ביצועי המערכת והתגובה הסביבתית. (A>) תרשים עמודות נערמות תלת-ממדי המציג מדדי ביצועים של תתי-מערכות לאורך מחזורי בדיקה. (B>) תרשים משטח תלת-ממדי הממחיש את עוצמת התגובה הסביבתית יחד עם מדידות חיישנים שנדגמו. אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.
איור 7 מתאר את מאפייני התפעול הרב-ממדיים של מערכת הבדיקה. תרשים העמודות התלת-ממדי השכבתי משמאל מראה את ביצועי תתי-המערכות לאורך מחזורי הבדיקה; ערכי MA, MB ו-MC במחזור C3 הם 12.4, 9.7 ו-15.2, המעידים על תנודות עומס ניכרות. תרשים המשטח מימין מראה את עוצמת התגובה הסביבתית, עם שיא של ±18 ומרבית הנתונים בין -5 ל-+5, מה שמשקף מאפיינים סביבתיים לא ליניאריים. התוצאות מספקות תמיכה נתונית עבור היתוך חיישני רובוט ואופטימיזציה של תזמון. MA, MB ו-MC מייצגים את מדדי העומס עבור תתי-המערכות של התפיסה, תכנון המסלול והביצוע, בהתאמה.
איור 8. מאפיינים תלת-ממדיים של אותי חיישנים ממוזגים תחת תנאי הפעלה שונים. (A) משטח פונקציית סינוס. (B) משטח פרבולה היפרבולית. (C) משטח פונקציית בסל. (D) משטח פונקציית גל קוונטית. מודלים מייצגים אלו של משטחים מדגימים את המאפיינים המרחביים של אותי חיישנים ממוזגים בשיטת LAFA תחת תנאי בדיקה שונים. אנא לחצו כאן להצגת גרסה גדולה יותר של איור זה.
כפי שמוצג ב-איור 8, ארבע קבוצות של מודלים של פני שטח בתלת-ממד מאפיינות אותות של היתוך רב-חיישנים תחת תנאי בדיקה שונים. נותחו כללי השונות המרחבית והניחות של האותות. מאפיינים אלו מוכיחים כי אלגוריתם ה-LAFA שומר על ביצועי היתוך עקביים בסביבות משתנות ומשמשים כנקודת ייחוס לאופטימיזציה של תכנון נתיבים בהמשך. מודלים אלו של פני שטח בתלת-ממד עוברו באינטרפולציה מנתוני חיישנים שהותכו על ידי LAFA. התפלגות אותים אחידה תחת תנאים מגוונים מאשרת את ביצועי ההיתוך היציבים של המסגרת שלנו תחת הפרעות משתנות.
איור 9מסלול הרובוט והתפלגות דגימות החיישנים. (A(עקומת פרפר פרמטרית המייצגת את המאפיינים הגיאומטריים של מסלולי רובוט. (B) התפלגות ספירלית של נקודות דגימה של חיישנים, הממחישה את ההתפלגות המרחבית של נתוני הבדיקה. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.
כפי שמוצג ב-איור 9, עקומות וגרפים פולריים הותאמו מנתוני מסלול הרובוט וההתפלגות המרחבית של החיישנים. העקמומיות והצפיפות חושבו באמצעות משוואות פרמטריות. כללי ההתפלגות המרחבית מסכמים את מאפייני התנועה של הרובוט ואת ההתפלגות המרחבית של נקודות דגימה של חיישנים מרובים בתרחישי בדיקה רחבי היקף. כל התרשימים הותאמו ממסלולי רובוט אמיתיים ומנקודות דגימה של חיישנים. התפלגות דגימה אחידה ועקומות מסלול חלקות מאמתים את יציבות התפיסה ואת מהימנות אופטימיזציית הנתיב במערכת LAFA-EIPPM המוצעת.
איור 10. ויזואליזציה של ביצועי המשימה ומסלול הבדיקה של הרובוט. (A) משטח ביצועים תלת-ממדי המציג את ערכי ביצועי המשימה ואת נקודות הבדיקה שנדגמו. (B) מסלול הבדיקה של הרובוט והכיסוי המרחבי הממחישים את הנתיב שנבחר במהלך הבדיקה האוטונומית. אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.
כפי שמוצג ב-איור 10, הפאנל השמאלי מציג את התפלגות ביצועי המשימה; השיא הוא 15.3, המינימום הוא 5.1, וניקוד נקודת המשימה הרביעית הוא 13.2. הנקודות האדומות נדגמו באופן שווה, והקו הכחול מראה את המגמה. המסלול (Z מקסימלי = 7.8m) והכיסוי (גובה 4.0m) באיור הימני מראים את המסלול הממשי ואת הכיסוי המרחבי. שני הגרפים לוכדים באופן מקיף תנודות בעומס המשימה ובאחידות הדגימה, ומספקים נתונים התומכים באופטימיזציית מיזוג.
זמינות נתונים:
מערכי הנתונים הניסיוניים שהופקו במחקר זה אינם זמינים לציבור כיוון שהם מכילים מידע תעשייתי ספציפי לאתר הכפוף להסכמי סודיות. החומרים המוגבלים כוללים קואורדינטות של מפעלים, סריקות LiDAR שלא עובדו ופרמטרי מכשיר סודיים. גישה למסמכים עשויה להיבחן על ידי מחבר ההתכתבויות לבקשה סבירה, בתנאי שניתן יהיה לעמוד בהתחייבויות לסודיות.
דיון
מאמר זה מציע את מסגרת האופטימיזציה השיתופית LAFA–EIPPM לשיפור אמינות התפיסה ויעילות קבלת ההחלטות של רובוטי בדיקה חכמים בסביבות דינמיות ומורכבות. LAFA משיגה היתוך רב-חיישנים חסון באמצעות סנכרון מרחבי-זמני ומנגנון שקלול מבוסס קשב (attention)20,22, ובכך משפרת משמעותית את דיוק המיקום ואת יכולות זיהוי המכשולים תחת תנאים קשים כגון אור חזק ואבק. EIPPM מקריאה צימוד בלולאה סגורה בין תפיסה לתכנון10,16, התומך בתכנון מסלול מהיר מחדש ובניווט מודע לסיכונים תוך אופטימיזציה של צריכת האנרגיה.
מחקר זה מספק נתיב טכני חדש להיתוך חיישנים מרובים ולקבלת החלטאות של רובוט אוטונומי בסביבות דינמיות. מנגנון התאמת המשקולות הדינמי של LAFA גובר על המגבלות של היתוך מסורתי בעל משקל קבוע, פרדיגמת הצימוד בלולאה סגורה של EIPPM מקצרת את השהיית התכנון מחדש, ומודול הלמידה המקוון מעניק למערכת יכולת הסתגלות רציפה למכשולים לא ידועים ולדפוסים חריגים. חידושים אלה מרחיבים את תאוריית הביקורת האינטליגנטית לתסריטים לא מובנים ודינמיים ביותר.
למערכת הנוכחית עדיין יש מגבלות מסוימות: ראשית, מודול הלמידה המקוון מתכנס באיטיות כאשר הוא נתקל בתבניות חריגות נדירות ביותר; שנית, ניסויים נערכו רק במפעלים תעשייתיים ובתחנות משנה, והביצועים בתרשמי שטח חיצוניים מורכבים או בתנאי מזג אוויר קיצוניים טרם אומתו; שלישית, מחקר זה מבצע רק בדיקות אב-טיפוס לטווח קצר, ופריסה תעשייתית בשטח למשך זמן ממושך, הערכת בטיחות מערכתית ובדיקות עמידות לתקלות טרם הושלמו; רביעית, מחקרי אבלציה של האלגוריתם וניתוח יומני פעלה בזמן אמת למחזור מלא לא יושמו בעבודה זו; יתרה מכך, המערכת נשענת על כוח מחשוב קצה, ויציבות תפעולית לטווח ארוך דורשת בדיקות נוספות.
לשיטה זו ערך יישומי משמעותי בתרחישים בעלי סיכון גבוה שנבדקו, כולל מפעלי תעשייה, תחנות משנה של רשת החשמל, ניטור מפעלי פטרוכימיה ובדיקת מנהרות רכבת. לדוגמה, בתחנות משנה, הושגה דיוק מיקום של ±1.5 cm ושיעור התנגשויות של 0.9%, מה שהפחית באופן משמעותי את הסיכונים הכרוכים בבדיקה ידנית; בתוך צינורות תעשייתיים, ניתן לשלב את השיטה עם היתוך רב-חיישני להשגת הימנעות אוטונומית ממכשולים וזיהוי פגמים. תרחישים הכוללים רובוטים חקלאיים, רובוטי חילוץ, חקר תת-מימי8,28 ובדיקות אוויריות נחשבים ליישומים מורחבים מבטיחים וייבחנו במחקרי ההמשך שלנו.
עבודות עתידיות כוללות: 1) שילוב של מודלי שפה גדולים וקלי משקל במודולים של אינטראקציה בין אדם למחשב כדי לתמוך בפקודות בשפה טבעית ובנימוק של משימות; 2) פיתוח מסגרת למידה מבוזרת לשיתוף פעולה בין קצה לענן (edge-cloud) כדי להשיג שיתוף ניסיון בין מספר רובוטים; 3) התרחבות לתרחישי בדיקה תת-מימיים או אוויריים כדי לפתור בעיות של תפיסה ובקרת תנועה בין סביבות שונות; 4) הכנסת מודול של בינה מלאכותית ניתנת להסבר (explainable AI) כדי לשפר את האמינות ואת יכולת הניפוי (debuggability) של תהליך קבלת ההחלטות.
סיכום:
כדי לטפל במחסומי הליבה של אמינות תפיסה נמוכה והשהיית החלטה גבוהה ברובוטי בדיקה חכמים הפועלים בסביבות דינמיות, מחקר זה מציע סכימת אופטימיזציה שיתופית המבוססת על LAFA ו-EIPPM. LAFA מממשת אינטגרציה דינמית של חיישנים ממקורות מרובים, הכוללים LiDAR, מצלמה חזותית, מדמיינת אינפרא-אדום ו-IMU, באמצעות פיצוי סנכרון מרחבי-זמני ומנגנון שקלול קשב. בבדיקות אב-טיפוס בשטח לטווח קצר שנערכו במפעלים תעשייתיים, המערכת השיגה שגיאת מיקום של ±1.5 cm ושיעור זיהוי מכשולים של 98.7%, עם חסינות ברמה גבוהה להפרעות של אור חזק ואבק. בתרחישים מורכבים של תחנות משנה, מסגרת ה-EIPPM בונה צימוד בלולאה סגורה בין תפיסה לתכנון. בשילוב עם מפות סיכון דינמיות ואסטרטגיות תכנון מחדש אינקרמנטליות, היא מקצרת את השהיית התכנון מחדש של הנתיב ל-0.8 s ומורידה את שיעור ההתנגשויות ל-0.9%. אב-הטיפוס השיג שיפור של 32% ביעילות הבדיקה הכללית והפחתה של 9.8% בצריכת האנרגיה בהשוואה לשיטות מסורתיות.
תוצאות הבדיקה מדגימות כי אב הטיפוס המוצע מפחית חסרונות נפוצים של שיטות מסורתיות, כולל רישום נתונים לא מדויק, ס adaptability סביבתית דלה וזמני תגובה איטיים. מודול הלמידה המקוון (online learning) קל המשקל מספק ביצועים אדפטיביים בסיסיים עבור מכשולים שאינם ידועים חלקית ודפוסים חריגים פשוטים בתוך התרחישים שנבדקו. עבודה זו מספקת אב טיפוס טכני בעל אוטונומיה גבוהה למשימות בדיקה בתרחישי סיכון גבוה במתקני כוח ופטרוכימיה. עם זאת, למחקר זה יש מגבלות: הבדיקות מוגבלות לתחנות כוח/משאיות משנה (substations), הלמידה המקוונת מתכנסת באיטיות עבור חריגות נדירות, יציבות לטווח ארוך ועמידות לתקלות נותרו ללא בדיקה, וההסתמכות על מחשוב קצה (edge computing) דורשת אימות. עבודות עתידיות יטפלו בנקודות אלו באמצעות שיתוף פעולה של מספר רובוטים וניסויי שטח מורחבים.
גילויים
למחברים אין ניגודי עניינים להצהיר עליהם.
חומרים
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| מצלמה 1080P | Custom | N/A | חיישן ראייה, 30 fps, 120° FOV |
| מדמייתי אינפרא-אדום | Generic | 320×240 | הדמיה תרמית, רזולוציה של 320 x 240 |
| Jetson Xavier NX | NVIDIA | Xavier NX | מחשב קצה, CPU בעל 8 ליבות, GPU בנפח 16 GB |
| LiDAR RPLIDAR A1M8 | Slamtec | A1M8 | סריקה בתדר 10 Hz, 360° FOV |
| סוללת ליתיום | Custom | 12V/20Ah | ספק כוח, 8 h פעולה רציפה |
| MPU6050 IMU | InvenSense | MPU6050 | 200 Hz, מד תאוצה וג'ירוסקופ |
| בקר STM32 | STMicroelectronics | STM32F4 | יחידת בקרת תנועה ראשית |
מקורות
- Deng L, Wang S, Guo J, Cao R, Liu M. 3D keypoint detection-based automated rebar spacing inspection: Application for robotic integration. Adv Eng Inform. 2025;66:103418.
- Hu D, Gan VJL. Semantic navigation for automated robotic inspection and indoor environment quality monitoring. Autom Constr. 2025;170:105949.
- Li J, Zhou X, Gui C, Yang M, Xu F, Wang X. Adaptive climbing and automatic inspection robot for variable curvature walls of industrial storage tank facilities. Autom Constr. 2025;172:106049.
- Lin T, Ren Z, Huang K, Zhu Y, Karimi HR. A novel multi-sensor information fusion method for fault diagnosis of rotating machinery with missing signals. Adv Eng Inform. 2025;68:103595.
- Zhuo R, Deng Z, Teng H, Ge J, Lv L, Liu W. The grinding wheel wear condition monitoring method based on multi-sensor information hierarchical fusion for high-speed cylindrical grinding. Adv Eng Inform. 2025;67:103541.
- Su Y, Shi X, Song T. Research on vehicle safety based on multi-sensor feature fusion for autonomous driving task. Comput Mater Contin. 2025;83(3):5831-48.
- Makrouf I, Zegrari M, Dahi K, Ouachtouk I. A novel framework for multi-sensor data fusion in bearing fault diagnosis using continuous wavelet transform and transfer learning. e-Prime Adv Electr Eng Electron Energy. 2025;13:101025.
- Liu X, Xie S. Innovative strategy and practice of using underwater robot for marine cable inspection and operation and maintenance. Cogn Robot. 2025;5:226-39.
- Yue H, Wang Q, Zhao Z, Lai S, Huang G. Interactions between BIM and robotics: Towards intelligent construction engineering and management. Comput Ind. 2025;169:104299.
- Yang H, Luo X, Duan C, Wang P, Zhu K, Deng X, Ren W. Research on multi-objective point path planning for mobile inspection robot based on Multi-Informed-Rapidly Exploring Random Tree. Eng Appl Artif Intell. 2025;151:110645.
- Yu Q, Zhang Q, Sun G, Qin R. Distribution station inspection robot with modular manipulator. HardwareX. 2025;22:e00652.
- Li X, Xiao S, Li Q, Zhu L, Wang T, Chu F. The bearing multi-sensor fault diagnosis method based on a multi-branch parallel perception network and feature fusion strategy. Reliab Eng Syst Saf. 2025;261:111122.
- Qin Y, Zhao Y, Qi J, Mao Y. Spatial-temporal multi-sensor information fusion network with prior knowledge embedding for equipment remaining useful life prediction. Reliab Eng Syst Saf. 2025;264:111420.
- Cao C, Zhao Y. Distributed heterogenous multi-sensor fusion based on labeled random finite set for multi-target state estimation using information geometry. Signal Process. 2026;238:110135.
- Wang C, Yin L, Zhao Q, Wang W, Li C, Luo B. An intelligent robot for indoor substation inspection. Ind Robot. 2020;47(5):705-12.
- Yang Q, Dong J, Tan M, Wang J, Guo D, Kang H, Wang P. A novel navigation assistant method for substation inspection robot based on multisensory information fusion. J Adv Res. 2025;77:407-18.
- Sun G, Xia L, Du X, Yu Q, Zhang J, Qin R. Self-tuning clamping force control with optimal trajectory tracking for autonomous pipe inspection robots. J Pipeline Sci Eng. 2025;100309. Epub ahead of print.
- Chi P, Wang Z, Liao H, Li T, Wu X, Zhang Q. Towards new-generation of intelligent welding manufacturing: A systematic review on 3D vision measurement and path planning of humanoid welding robots. Measurement. 2025;242:116065.
- Wang Q, Xia J, Li M, Yin L, Xie X. A multi-sensor fusion and multi-source domain adaptive fault diagnosis method for rotating machinery. Eng Appl Artif Intell. 2025;159:111538.
- Hu J, Chen J, Lv M, Xu Z, Chen Z, Han J. MSHF: Multi-sensor hierarchical fusion for UGV localization in an unstructured environment. Expert Syst Appl. 2025;294:128732.
- Gudla R, Chang NB. Multi-sensor data fusion via a cortical gap network for time series large data gap filling under uncertainties. Inf Fusion. 2026;126:103618.
- Laidouni MZ, Bondžulić B, Bujaković D, Adli T, Andrić M. ConvNeXtFusion: Multi-sensor image fusion via residual dense and cross ConvNeXt network. Infrared Phys Technol. 2025;150:106005.
- Tian D, Li J, Lei J. Multi-sensor information fusion in Internet of Vehicles based on deep learning: A review. Neurocomputing. 2025;614:128886.
- Zhang Y, Wang Y, Su C, Miao Y, Wei T, Feng Y, Chen F, Ying Z, Wang S, Wang X. Multi-sensor fusion-based intelligent auxiliary system of power wheelchairs for individuals with limbs disabilities: Design and implementation. Measurement. 2026;257:118573.
- Zuo K, Li X, Li X, Wang K, Gao T, Shen T. Multi-sensor fusion with triple reliability evaluation for human activity recognition. Measurement. 2026;257:118580.
- Zhao X, Liu Z, Liu Y, Zhang B, Sui J, Jiang K. Structure design and application of combination track intelligent inspection robot used in substation indoor. Procedia Comput Sci. 2017;107:190-5.
- Kadri I, Selouani SA, Ghribi M, Ghali R, Mekhoukh S. LLM-driven agent for speech-enabled control of industrial robots: A case study in snow-crab quality inspection. Results Eng. 2025;27:106660.
- Jiang Y, Pan Z, Zhang X. Tunnel infrastructure health management: A state-of-the-art review on defect development mechanism and robot-aided inspection system. Smart Undergr Eng. 2025;1(1):26-39.
- Okonkwo C, Awolusi I. Environmental sensing in autonomous construction robots: Applicable technologies and systems. Autom Constr. 2025;172:106075.
- Du Y, Chen X, Yu Z, Meng F, Zhou Z, Zhang Y, Li Q, Huang Q. Efficient co-adaptation of humanoid robot design and locomotion control using surrogate-guided optimization. Biomim Intell Robot. 2025;5(4):100255.
- Lv X, Cui S, Wang Y, Lu J, Yu P, Wang K. Patch time series transformer-based short-term photovoltaic power prediction enhanced by artificial fish. Energies. 2026;19(1):284.
- Lei M, Zhang M, Wang K. Research on bidding optimization strategy for virtual power plants with wind-solar-storage systems based on IGDT-DRO. Electr Eng. 2026;108(3):208.