Robô de Distribuição Live-Line Teleoperado Baseado em Controle Compartilhado Humano-Robô

Resumo

Um robô funcional de distribuição teleoperado por linha viva, baseado no controle compartilhado humano-robô, foi desenvolvido. Experimentos laboratoriais mostraram que a ponderação com controles compartilhados melhorou a eficiência da trajetória enquanto reduzia o tempo de conclusão das tarefas e os submovimentos. Um algoritmo abrupto de detecção de comportamento de teleoperação reduziu movimentos súbitos dos operadores e foi validado com sucesso em operações de tapping em campo.

Resumo

O trabalho tradicional de linhas vivas em linhas de distribuição de energia depende de trabalho manual, caracterizado por alto risco, alta intensidade de trabalho e altos custos de treinamento; Assim, desenvolver robôs de trabalho com linha ativa de distribuição é um caminho essencial para substituir as operações manuais. No entanto, o ambiente de trabalho é altamente desestruturado e dinâmico, com desafios como iluminação externa complexa e condições de vento imprevisíveis. Robôs existentes utilizam principalmente teleoperação mestre-escravo ou modos totalmente autônomos, que impõem pesados encargos mentais aos operadores, são altamente suscetíveis a má operação e apresentam adaptabilidade ambiental limitada.

Para abordar essas questões, este estudo apresenta um robô de distribuição teleoperada em linha ao vivo baseado no controle compartilhado humano-robô. A trajetória final do manipulador é obtida por uma combinação ponderada linearmente de duas trajetórias de referência fornecidas separadamente pelo operador humano e pelo módulo automático de planejamento do robô. Essa abordagem reduz a dependência do robô do operador, alivia o peso mental do operador, melhora a eficiência e previne operações abruptas por parte do operador humano. Por fim, o artigo apresenta o projeto do sistema e verifica sua eficácia por meio da aplicação em operações reais de captação live-line.

Introdução

O funcionamento por linha viva é um método crítico para a inspeção, teste e manutenção de equipamentos de alta voltagem. O volume de trabalho em linha viva na China tem crescido rapidamente. Do ponto de vista da demanda da indústria, resolver a questão da segurança do pessoal no trabalho em linha viva é uma tarefa árdua e de longo prazo. Inovação e melhoria ainda são necessárias em métodos, tecnologias, equipamentos e conceitos.

O funcionamento por linha ativa de distribuição é um dos tipos mais comuns de operação por linha viva, sendo para manutenção de linhas vivas de distribuição de energia. Devido ao ambiente de iluminação complexo, ao layout denso dos equipamentos e às pequenas distâncias fase a fase e fase a terra nas linhas de distribuição de energia, essas operações têm dependido em grande parte de métodos manuais tradicionais. No entanto, essa abordagem tradicional enfrenta problemas como alto risco, alta intensidade de trabalho e altos custos de treinamento¹. Portanto, desenvolver robôs com capacidades de trabalho em linha ativa para substituir o trabalho manual tornou-se uma tendência inevitável para a futura operação e manutenção da rede de distribuição.

Desde a década de 1980, países como Japão e Estados Unidos têm realizado pesquisas e testes nesse campo (como mostrado na Figura 1). Os primeiros sistemas eram robôs teleoperados de rastreamento mestre-escravo. Por exemplo, o robô de trabalho de linha ativa Fase^{II do Japão} 2 instalou um manipulador auxiliar de três graus de liberdade (DOF) na plataforma, além de um manipulador elétrico de dupla profundidade de profundidade. O operador humano o controlava por meio de uma haste de operação a curta distância.

O modelo^{TOMCAT 3} dos EUA utilizava um manipulador hidráulico controlado por um operador humano dentro de um balde de trabalho. Da mesma forma, a Rede Elétrica⁴ de Shandong, na China, adotou manipuladores hidráulicos controlados por operadores em um balde funcionando. Além disso, para aumentar a distância permitida entre as extremidades mestre e escrava, o espanhol ROBTET ^5,6 utilizou cabos de fibra óptica para comunicação remota, permitindo que operadores realizassem teleoperação a partir do solo. Esses modos de teleoperação robótico podem ser resumidos como um modo de rastreamento mestre-escravo. Eles sofrem de inteligência autônoma insuficiente, exigindo que o pessoal observe o ambiente e controle o robô de perto, suportando um peso mental significativo, falhando assim em substituir humanos em ambientes perigosos e de alta voltagem.

Para suprir a falta de inteligência robótica, é necessária pesquisa em tecnologias inteligentes como visão computacional, planejamento de trajetórias e interação remota humano-robô para aprimorar as capacidades autônomas do robô.

No trabalho de linha ativa de distribuição, a tarefa de tapping representa aproximadamente 20%⁷ da carga total de trabalho (os fios de distribuição são mostrados na Figura 2). Portanto, usar sensores de visão para identificar e localizar o fio e sua região desmontada, que é a região isolante removida, para guiar o robô é fundamental. Em 2020, a State Grid Ruijia⁸ desenvolveu um robô de distribuição de linha ativa capaz de interação remota, fundindo informações LiDAR e câmeras binoculares para reconhecimento e posicionamento de alvos. Além disso, algoritmos que combinam operações morfológicas e transformada de Hough são usados para facilitar a extração de linhas de energia ^9,10. A transformada de Hough é usada para detectar linhas de energia, seguida por algoritmos de visão estereoscópica que convertem os dados de pixels 2D detectados em coordenadas espaciais^{3D 11}. State Grid O Instituto de Pesquisa em Energia Elétrica^{de Hubei 12} propôs um filtro baseado na fusão de mapas color-profundidade. Esse método filtra fundos complexos ao redor das linhas de energia e extrai contornos claros das linhas de energia analisando diferenças de valor em pixels na vizinhança. Além disso, a Universidade de Ciência e Tecnologia da^{China 13} propôs um algoritmo de reconhecimento de linhas de energia baseado em aprendizado profundo, alcançando a identificação e localização rápidas de múltiplas linhas de energia.

Apesar do rápido desenvolvimento dos algoritmos de visão computacional, as operações externas continuam desafiadoras. Condições de iluminação complexas e superfícies de fios refletivos frequentemente levam à perda de informação de profundidade, resultando em baixas taxas de reconhecimento e grandes erros de posicionamento para métodos que dependem fortemente de dados^{de profundidade 13}. Simultaneamente, devido a várias deformações irregulares existentes nos fios de distribuição, uma série de métodos de detecção por linha reta não é mais aplicável, como mostrado na Figura 3. Além disso, mudanças na direção do vento em alturas elevadas causam movimento vertical das linhas, levando a erros em nível de centímetro nos resultados dos algoritmos off-line existentes.

Em ambientes altamente perigosos, não estruturados e dinâmicos, que podem ser chamados de ambientes de operações especiais, a visão e as capacidades dinâmicas de tomada de decisão do robô são limitadas, dificultando a realização de tarefas complexas de forma autônoma.

Portanto, continua sendo necessário introduzir capacidades humanas de tomada de decisão inteligente e combiná-las com o controle de movimento de alta precisão do robô. As primeiras tecnologias de teleoperação mencionadas acima forneceram um canal para intervenção humana. Ao combinar esses com tecnologias de interação remota e teleoperação em rápido desenvolvimento, surgiu um corpo de pesquisas sobre robôs inteligentes de distribuição teleoperada em linha viva.

A Universidade de Ciência e Tecnologia da^{China 14} implementou mapeamento incremental de posições entre os lados mestre e escravo e utilizou o método de Campo de Potencial Artificial (APF) para evitar obstáculos robóticos. Posteriormente, a teleoperação baseada em admitância foi implementada em robôs de trabalho em linha ativa de distribuição. Com base no rastreamento mestre-escravo, essa abordagem permite que o robô ajuste dinamicamente sua postura em resposta a mudanças nas forças de contato ambientais. A Universidade de Ciência e Tecnologia Eletrônica^{da China 15} implementou forças virtuais de restrição no lado do mestre para aprimorar a percepção de telepresença do operador. Além disso, a Universidade de^{Manitoba 16} estabeleceu uma série de dispositivos virtuais durante o processo de teleoperação para reforçar a experiência imersiva da percepção háptica do operador.

No entanto, os robôs teleoperados mencionados acima ainda enfrentam vários desafios. A tarefa do lado escravo é acompanhar a trajetória de movimento do mestre, tornando-a altamente dependente da trajetória de referência gerada pelo operador humano. Devido a exigências como tempos de trabalho curtos e evitação de obstáculos, isso impõe um peso mental significativo ao operador mestre, o que é prejudicial para tarefas operacionais complexas e de longa duração. O operador pode cometer ações incorretas ou incorretas, causando movimentos abruptos na trajetória real do manipulador. Isso pode levar a problemas de segurança, como colisões com o ambiente ou curtos-circuitos fase a fase.

O controle compartilhado é um método que combina efetivamente capacidades de tomada de decisão humanas e^{robóticas 17,18}. Geralmente, é necessário que tanto o humano quanto o robô gerem trajetórias ou pontos de trajetória desejados simultaneamente, e então calcula uma nova trajetória compartilhada por meio de uma combinação linear ponderada. Essa abordagem permite que o sistema ajuste a preferência da trajetória compartilhada ao modificar os pesos de tomada de decisão do humano e do robô.

Portanto, este artigo projeta um robô funcional em linha ativa de distribuição teleoperada, baseado no controle compartilhado humano-robô. As principais contribuições são as seguintes: primeiro, abordando a questão da frequência excessiva de entrada de trajetória de referência pelo operador humano durante a teleoperação, estuda-se um método de controle compartilhado humano-robô. Ao atribuir pesos de controle ao operador humano e ao robô e realizar uma combinação linear ponderada em suas trajetórias de referência, o sistema reduz a dependência da trajetória de referência do operador humano, aliviando assim o ônus do operador. Além disso, o impacto de diferentes pesos de operadores humanos é verificado por meio de experimentos de campo com operações de grampo de distribuição de fios. Segundo, para tratar os comportamentos perigosos na trajetória mestre, um método de detecção abrupta de comportamento operacional é projetado para garantir a suavidade e segurança da trajetória real do manipulador. Terceiro, experimentos físicos são realizados em um ambiente operacional especial (trabalho em linha ao vivo) para verificar a eficácia do algoritmo de controle compartilhado e do sistema de teleoperação.

O restante deste artigo apresenta primeiro o método de controle compartilhado para o robô teleoperado, depois apresenta o hardware e a configuração do sistema, e finalmente valida a abordagem por meio de experimentos laboratoriais e implantação em campo em uma rede de distribuição de 10 kV em funcionamento.

Protocolo

Todos os experimentos envolvendo operadores foram conduzidos de acordo com as diretrizes de segurança. Os experimentos de teleoperação foram conduzidos por três operadores treinados (todos destros, com pelo menos 1 hora de treinamento) que são membros da equipe de pesquisa. Nenhum participante humano externo foi recrutado, e este estudo não exigiu revisão ética institucional. Os voluntários foram informados sobre os procedimentos experimentais, e nenhum dado pessoal ou sensível foi coletado durante o estudo.

Estrutura de controle compartilhada

Em cenários de trabalho com linhas vivas, fatores como a curvatura irregular das linhas de energia, a perda de informação de profundidade causada pela iluminação externa complexa e o movimento aleatório das linhas criam um ambiente altamente desestruturado e dinâmico. Esses fatores dificultam o reconhecimento e localização precisas das linhas de energia no ambiente. Consequentemente, depender totalmente da operação autônoma de robôs levaria à falha da tarefa.

Para lidar com a adaptabilidade limitada das operações totalmente autônomas de robôs, operadores humanos intervêm no processo de tomada de decisão do robô por teleoperação, aproveitando a experiência humana para ajudar o robô a se adaptar ao ambiente. Além disso, para resolver a questão da frequência excessiva de entrada de trajetória de referência pelo operador humano durante a teleoperação, estuda-se um método de controle compartilhado humano-robô. Esse método reduz a dependência da trajetória real do operador humano, aliviando assim o peso mental do operador e alcançando uma combinação eficaz das capacidades inteligentes de tomada de decisão humanas e das capacidades de controle de alta precisão do robô.

A estrutura do robô de trabalho em linha ativa de distribuição teleoperada, baseada no controle compartilhado proposto neste artigo, é mostrada na Figura 4. Onde x_h é o ponto de trajetória emitido pelo dispositivo de teleoperação, r_h é o ponto de trajetória de referência fornecido pelo operador humano (mapeado ao espaço cartesiano do manipulador), r_r é o ponto de trajetória de referência planejado autonomamente pelo robô, desempenhando um papel auxiliar. r é o ponto de trajetória de referência integrado enviado ao manipulador escravo (que é referido como Trajetória Compartilhada no texto a seguir), f_o é o dado bruto coletado pelo sensor de força na extremidade do manipulador, f_e é a força de contato entre o conjunto de ferramentas na extremidade do manipulador e o ambiente após a compensação gravitacional, e x é a posição atual do manipulador.

O robô de trabalho em linha ativa de distribuição teleoperada é dividido em duas partes: o lado mestre e o lado escravo. O lado mestre está localizado no solo, onde o operador humano controla o movimento do dispositivo de teleoperação. Ao receber o feedback de força do dispositivo renderizado para a mão do operador e as informações enviadas de volta pelo sistema de visão, o operador alcança a operação imersiva. O lado escravo é o robô localizado em uma altura elevada. Após receber a pose x_h do lado mestre, o robô realiza mapeamento espacial para obter r_h e envia os dados visuais e hápticos coletados de volta para o lado mestre.

Devido ao alinhamento incompleto da percepção entre o robô e o operador em relação às forças de contato, alvos e obstáculos no ambiente real, o operador deve manter concentração intensa para minimizar os riscos de _rh. Para reduzir a dependência de r _{em r h} e aliviar o peso mental sobre o operador durante operações de longa duração, o robô precisa planejar autonomamente uma trajetória auxiliar r r que seja aproximadamente o caminho mais curto e segura, com base em informações de percepção que contenham erros do mundo real. Esse r_r é então ponderado linearmente com r_h para obter r, que é comandado ao manipulador como a pose alvo.

Mapeamento espacial de movimento

O método incremental foi usado para calcular o incremento de trajetória Δx_h dado pelo operador humano:

Δx_h = x_h - x^′_h (1)
onde x^′_h é a pose no ponto inicial da teleoperação. Para robôs de trabalho em linha viva, onde os espaços de movimento do lado mestre e do lado escravo apresentam diferenças significativas, o mapeamento incremental permite que o operador escolha arbitrariamente uma pose conveniente e a defina como a pose inicial da teleoperação.

O incremento da trajetória, Δx_h, foi então mapeado no espaço cartesiano do robô do lado escravo para finalmente obter r_h. A expressão matemática para esse mapeamento é a seguinte:

Δr_h = Δx_h * k, r_h = x^′ + Δr_h       (2)
onde k é o parâmetro de mapeamento linear e x' é a pose do manipulador no ponto inicial da teleoperação.

Planejamento autônomo de trajetória
O processo autônomo de planejamento de trajetória utiliza interpolação linear para calcular a trajetória mais curta r r da pose atual até a pose alvo P. O processo de cálculo é o seguinte:

(3)

onde P é o ponto-alvo é calculado pelo sistema de visão, que inclui uma câmera binocular e um LiDAR laser estereoscópico. O cálculo pode ser realizado selecionando pontos com o mouse e transformando as coordenadas usando a matriz de calibração mão-olho. N é o número de pontos de interpolação, e i é o número de sequência do ponto de interpolação. Deve-se notar que, sob condições de iluminação complexas, P calculado pelo sistema de visão contém erros, o que impede r r de completar a tarefa de forma independente.

Método de controle compartilhado

Para combinar a adaptabilidade de r_h ao ambiente com a eficiência de r_r, é necessário projetar um controlador compartilhado que integre duas trajetórias. O controlador compartilhado usa pesos fixos de arbitragem de parâmetros α, e o processo de implementação é o seguinte:

r = (1 - α) * r_r + α * r_h (4)

Método abrupto de detecção de comportamento operacional

Durante o processo de teleoperação remota, pode haver comportamentos errôneos causados pelo operador, levando a mudanças abruptas na trajetória, que podem até causar colisão com o ambiente. Para garantir o movimento seguro e suave do manipulador no lado escravo, é necessário detectar e lidar com esse comportamento excessivo de teleoperação no lado mestre. O fluxo do algoritmo de controle compartilhado, incluindo a detecção abrupta de comportamento, é mostrado na Figura 5.

Construção do sistema de teleoperação

O ambiente de trabalho em linha ao vivo é caracterizado por ser altamente desestruturado e dinâmico. Consequentemente, os robôs não podem depender apenas de sua percepção autônoma e capacidade de tomada de decisão para completar tarefas; eles devem ser aprimorados pela inteligência humana. A teleoperação apresenta uma técnica eficaz para integrar a intervenção humana no processo de planejamento da trajetória do robô. Em tal sistema, o lado mestre envolve um operador controlando um dispositivo de teleoperação no solo, enquanto o lado escravo em altura consiste em múltiplos subsistemas.

Este estudo detalha o desenvolvimento de um sistema robótico de teleoperação especificamente projetado para a operação de redes de distribuição, com o objetivo de realizar tarefas de interceptação em linha ao vivo.

Introdução do sistema robótico teleoperado

O sistema de teleoperação inclui o subsistema de percepção, subsistema de controle, subsistema manipulador, subsistema de ferramenta, subsistema de portador de isolamento e dispositivos de interação humano-robô do lado mestre. O uso detalhado de cada subsistema transportado pelo robô no sistema é mostrado na Tabela 1, e o sistema de hardware é mostrado na Figura 6.

Subsistema de percepção: O subsistema é responsável por fornecer imagens RGB 2D e informações de profundidade espacial para guiar o movimento do robô e garantir a segurança operacional. Para isso, está equipado com um LiDAR a laser para modelagem ambiental em grande escala a longas distâncias; uma câmera binocular para reconhecimento e localização de alvos de alta precisão em distâncias curtas; uma câmera de monitoramento pan-tilt-zoom (PTZ) para fornecer uma visão operacional e enviá-la ao operador durante todo o processo. Além disso, um sensor de força é integrado para perceber forças externas e fornecer feedback de força ao operador humano, o que ajuda a evitar desligamentos do sistema causados por forças de contato excessivas entre a extremidade do robô e o ambiente.

Subsistema manipulador: Como executor principal das tarefas, esse subsistema consiste em dois manipuladores dispostos em uma configuração homogênea de dois braços.

Subsistema de controle: Como subsistema central do robô de trabalho em linha ativa, ele funciona como centro computacional, de controle e de fornecimento de energia da plataforma, responsável por despachar comandos operacionais para todos os outros subsistemas. Para alcançar isolamento e isolamento de segurança do lado solo, o módulo de energia utiliza uma fonte de alimentação independente na plataforma elevada. Ele utiliza uma fonte de alimentação DC de 48V tanto para controle de energia quanto de acionamento, o que reduz as perdas de inversão e, consequentemente, minimiza o volume e o peso do sistema de energia.

Subsistema de efetor final: Efetores finais especializados (ferramentas) são montados na extremidade do manipulador para executar operações específicas. Uma série de ferramentas especializadas com interfaces padrão foi desenvolvida para diferentes tarefas. Para operações de rede de distribuição, estas incluem uma ferramenta de desmontagem e uma ferramenta de crimpagem (como mostrado na Figura 7), onde a ferramenta de desmontagem utiliza três geradores de laser de 80 W e comprimento de onda de 450 nm com tamanho de ponto focal de 130 × 180 μm, modulados via 5 V PWM. O tempo médio de operação para desmontar uma seção de 120 mm em um cabo de distribuição com diâmetro de 18–24 mm é de aproximadamente 2 min em potência nominal total sob condições de temperatura ambiente. A ferramenta de crimpagem é responsável por fixar de forma segura o fio condutor de derivação ao fio principal de energia com uma grampa, estabelecendo assim continuidade elétrica.

Subsistema portador isolado: Este subsistema é usado para transportar o robô até a posição elevada de trabalho. Normalmente, consiste em uma plataforma de trabalho aérea isolada com rodas ou esteira (também conhecida como caminhão de caçamba). Para permitir o controle integrado de todo o sistema robótico, ele possui capacidades de controle digital (como mostrado na Figura 8).

Subsistema mestre de interação humano-robô: Durante a operação, o operador humano emite comandos para o sistema robótico por meio de um tablet portátil, PC, alavanca de teleoperação e outros dispositivos computacionais. Esses dispositivos reproduzem os dados do sensor, que incluem visão e força de contato retornadas pelo robô, permitindo que o operador monitore o status do robô em tempo real e também mapeie o movimento da mão do operador até a extremidade do manipulador. Os links de comunicação entre os subsistemas estão ilustrados na Figura 9.

Dispositivos de teleoperação

Neste sistema, os dispositivos mestre e escravo para teleoperação são, respectivamente, o dispositivo háptico e o manipulador. Os parâmetros de Denavit-Hartenberg (DH) para cada um serão introduzidos.

Como mostrado nas Figuras 10A, B, estes são os quadros de coordenadas de ligação do manipulador. Para as seis juntas revolutas do manipulador (L₁, L₂,_{L 3},_{L 4},_{L 5}, L₆), um referencial de coordenadas é estabelecido para cada junta de acordo com a regra da mão direita e os princípios da convenção de Denavit-Hartenberg (DH).

Na Figura 10B, x₁∼x₆, y₁∼y6, z₁∼z₆, representam os eixos x, y, z do referencial de coordenadas de cada junta, respectivamente. Com base nesses quadros de ligação estabelecidos, pode-se criar o modelo de cinemática direta do manipulador. A notação DH usa quatro parâmetros: _{a i}, α_i, d_i e θ_i.

Esses parâmetros são definidos da seguinte forma: _{um i}: representa a distância entre mover o eixo z da haste i ao longo de seu eixo x até o eixo z da haste (i+1); α_i: refere-se ao ângulo de rotação do eixo z da haste i ao redor de seu eixo x para o eixo z da haste (i+1)-ésima; d_i: representa a distância entre mover o eixo x da haste i até seu eixo x ao longo do eixo z da haste i;  θ_i: refere-se ao ângulo de rotação do eixo x da i-ésima haste para seu eixo x ao redor do eixo z da i-ésima haste.

O modelo cinemático é estabelecido usando o método do parâmetro DH, e os parâmetros DH para o manipulador são mostrados na Tabela 2 abaixo.

A alça de teleoperação é o dispositivo háptico usado como manipulador mestre, cujas juntas são configuradas em uma cadeia serial. Os referenciais de coordenadas conjuntas são mostrados na Figura 10C; O método de modelagem é o mesmo do manipulador escravo.

Projeto de experimentos

Para validar quantitativamente o algoritmo de controle compartilhado proposto antes da implantação em campo, realizamos dois experimentos laboratoriais em uma plataforma de teleoperação manipuladora de 6 DOF operando a 50 Hz, o que foi alcançado por um script Python rodando em um PC padrão. A cada ciclo de controle, o script lê a pose do lado mestre, calcula a trajetória compartilhada e envia a pose cartesiana alvo para o manipulador. Um intervalo fixo de 20 ms é imposto entre comandos consecutivos, resultando em uma taxa de atualização de 50 Hz, que é a mesma da plataforma laboratorial. A plataforma laboratorial compartilha a mesma arquitetura de controle e algoritmo de controle compartilhado (Equação 4) que o robô de trabalho em linha ativa descrito na construção do sistema de teleoperação, diferindo apenas na cinemática do manipulador e na escala do espaço de trabalho. É usada uma tarefa simulada de batida: na presença de obstáculos (uma garrafa de água e uma coluna de alumínio), o operador controla o efetor final do manipulador da posição inicial A até a posição alvo B, imitando a operação de escuta telefônica, mostrada na Figura 11. Para garantir a repetibilidade exata dos experimentos laboratoriais, os obstáculos físicos e o ponto final alvo foram posicionados com precisão dentro do sistema de coordenadas base do manipulador escravo. Dois obstáculos principais foram instalados no espaço de trabalho: uma garrafa plástica de água (dimensões base: 8 cm × 8 cm, altura: 25 cm) colocada com o centro inferior nas coordenadas (X = 55 cm, Y = 5 cm), e um perfil de alumínio (dimensões base: 2 cm × 2 cm, altura > 50 cm) colocado com o centro inferior nas coordenadas (X = 35 cm, Y = -30 cm). O ponto final alvo para a tarefa de teleoperação era definido nas coordenadas (X = 50 cm, Y = -17 cm, Z = 26 cm). Posteriormente, o algoritmo validado é implantado no robô de trabalho em linha ativa para demonstração em campo.

O procedimento experimental é conduzido por meio de um fluxo de trabalho contínuo e integrado. Primeiro, durante a inicialização do sistema, tanto o manipulador escravo quanto o mestre são ligados, e o software de controle é lançado para verificar comunicação bilateral estável em uma frequência de 50 Hz. Para evitar saltos súbitos de controle no início da teleoperação, uma fase de alinhamento mestre-escravo é realizada antes da teleoperação ativa. Nesta fase, o operador guia manualmente o manipulador mestre até que sua posição cartesiana efetora final (definida no quadro base do mestre) fique a menos de 30 mm da posição cartesiana atual do manipulador escravo (definida no referencial base do escravo). Essas posições cartesianas são obtidas diretamente a partir do feedback do controlador embutido de cada manipulador, enquanto o software de controle monitora a distância euclidiana em tempo real. Uma vez que esse alinhamento é bem-sucedido, a posição escrava atual é registrada como a posição inicial, denotada como posição A. Subsequentemente, a especificação do alvo é realizada fazendo com que o operador guie manualmente o efetor final escravo até o local desejado para registrar suas coordenadas cartesianas, que são designadas como posição do alvo B. O planejador autônomo então gera uma trajetória de referência linear que se estende da posição inicial até a posição B. Após isso, o operador inicia a tarefa de teleoperação de controle compartilhado. Durante a execução ativa, o sistema opera em um ciclo de controle de 20 ms, lendo continuamente a posição mestre como entrada, realizando uma verificação online para detectar comportamentos abruptos do operador, calculando a trajetória de controle compartilhada como saída (conforme formulado na Equação 4) e emitindo comandos correspondentes ao manipulador escravo. Como medida de segurança, se um movimento abrupto for detectado, o manipulador escravo congela imediatamente e mantém sua última posição válida em modo dedicado de manutenção de posição; para se recuperar desse estado e retomar automaticamente a teleoperação de controle compartilhado, o operador deve mover manualmente o manipulador mestre de volta até que a distância euclidiana do efetor final mestre-escravo caia abaixo de um limiar de recuperação de 20 mm. Finalmente, o teste é concluído e considerado bem-sucedido quando o efetor final escravo atinge e permanece dentro de 5 mm da posição alvo B.

Experimento 1: detecção abrupta de comportamento de operação
Este experimento valida o mecanismo de detecção na plataforma do laboratório. Durante a teleoperação a 50 Hz, o deslocamento por quadro do efetor final mestre é monitorado. Quando ultrapassa D_th = 6 mm/frame (velocidade instantânea 300 mm/s), o sistema entra em estado CONGELADO: o manipulador escravo deixa de rastrear e mantém sua última configuração válida. O escravo permanece congelado até que o operador retorne o mestre a até 20 mm da posição congelada.

Experimento 2: Comparação de desempenho de controle compartilhado

Três pesos de arbitragem α=0,3, α=0,8, α=1,0 são comparados na plataforma laboratorial, conforme documentado no Vídeo Suplementar 1, Vídeo Suplementar 2 e Vídeo Suplementar 3. Foram realizados um total de 45 testes experimentais, envolvendo três operadores realizando cinco repetições sob cada uma das três condições de arbitragem. O desempenho do sistema foi avaliado usando três métricas-chave de avaliação. Primeiro, tempo de conclusão T: Duração total desde a primeira entrada do operador até o efetor final escravo alcançar a posição alvo B; tempo mais curto indica maior eficiência operacional. Segundo, eficiência de trajetória η=L_reto/L_real, onde L_reto é a distância euclidiana da posição inicial A até a posição alvo B, e L_real é o comprimento total do caminho percorrido pelo efetor final escravo durante o teste, η=1 indica um caminho perfeitamente eficiente e direto; valores mais baixos indicam movimentos mais redundantes e carregados de desvios. Terceiro, a contagem de submovimentos N_{subrepresenta} o número de segmentos de movimento distintos, que é calculado contando cruzamentos de zero no perfil de velocidade suavizado do efetor final mestre; uma contagem menor indica uma operação mais contínua e confiante, com menor carga cognitiva sobre o operador. Por fim, a significância estatística entre as três condições de arbitragem é avaliada usando o teste H de Kruskal-Wallis, sendo usados testes U de Mann-Whitney par a par para comparações pós-hoc.

Experimento 3: Implantação em campo

Após a validação laboratorial, o algoritmo de controle compartilhado (α=0,3) e a detecção abrupta de comportamento são implantados no robô de trabalho em linha ativa descrito na construção do sistema de teleoperação.

Resultados

Detecção abrupta de comportamento operacional
A Figura 12 mostra a análise em série temporal de um ensaio representativo na plataforma do laboratório, que inclui dois movimentos súbitos intencionais.
Ambos os movimentos abruptos foram detectados (TPR = 100%) em 1,81 s e 5,72 s, respectivamente, sem falsos positivos (FPR = 0%) durante 13,2 s de operação normal. Tempo de resposta ao congelamento: 1 quadro (20 ms), medido pelo tempo do loop de controle.

Desempenho de controle compartilhado
A Figura 13 apresenta a comparação entre 45 ensaios (3 operadores × 5 repetições ×3 condições) na plataforma laboratorial, os detalhes dos dados são fornecidos na Tabela 3.
Os resultados demonstram que um peso de controle compartilhado apropriado pode melhorar significativamente o desempenho da teleoperação. Sob controle compartilhado dominado por robôs (α=0,3), o tempo de conclusão da tarefa diminuiu 31,4%, e o número de submovimentos diminuiu 37,9% em comparação com a teleoperação pura (α=1,0), reduzindo assim a carga mental do operador ao exigir menos ações e decisões corretivas. Enquanto isso, a eficiência da trajetória melhorou 57,8%, indicando que o planejamento autônomo da trajetória do robô elimina efetivamente caminhos redundantes e orienta o operador para movimentos mais diretos e eficientes. Essas tendências foram consistentes entre os três operadores independentes.

Implantação em campo em robô de trabalho em linha viva
O algoritmo de controle compartilhado validado (α = 0,3) com detecção abrupta de comportamento foi implantado no robô de trabalho em linha ativa equipado com um manipulador industrial de 6-DEF. O robô completou com sucesso uma operação de captação em linha ativa em uma rede de distribuição de 10 kV, demonstrando a transferibilidade do algoritmo validado em laboratório para o sistema de campo real. A Figura 14A mostra o robô realizando uma operação de tapping em linha ativa a uma altura elevada, enquanto a Figura 14B mostra o operador realizando teleoperação a partir da estação terrestre.

DISPONIBILIDADE DE DADOS:
Todos os dados brutos que apoiam os achados deste estudo estão disponíveis abertamente no https://github.com/huchenyu778797-lgtm/piper_shared_control/issues e no Arquivo Suplementar 1.

Figura 1: Primeiros sistemas telerobóticos para manutenção em linhas de vida. (A) O robô Phase II desenvolvido no Japão. (B) O sistema TOMCAT foi desenvolvido nos Estados Unidos. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 2: Fios típicos de distribuição de 10 kV. A camada externa é uma camada isolante, enquanto a camada interna é metálica. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 3: Desafios visuais em ambientes externos. A imagem destaca a dobra irregular dos cabos e a perda de informação de profundidade causada pela iluminação complexa. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 4: Estrutura do sistema de controle compartilhado. O diagrama ilustra a integração da entrada do operador humano do lado mestre e o planejamento autônomo do robô no lado escravo para gerar uma trajetória fusível. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 5: Fluxograma do algoritmo de controle compartilhado. O processo inclui aquisição de dados, detecção abrupta de operações, fusão de trajetórias baseada em controle compartilhado e execução de comandos de movimento final. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 6: O sistema de robô de trabalho em linha ativa de distribuição teleoperada. (A) Visão geral do sistema completo implantado em campo. (B) Projeto detalhado de hardware e layout dos componentes do sistema robótico. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 7: Etapas principais na operação de tapping com linha viva. (A) Ablação a laser da camada externa de isolamento. (B) Remoção da camada de isolamento para expor o núcleo metálico. (C) Fixar o fio do condutor de derivação à linha principal de energia usando uma grampe. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 8: Preparação para implantação no campo. Um caminhão de caçamba isolado é usado para transportar o manipulador de escravos até a posição elevada de trabalho próxima às linhas de alta tensão. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 9: Arquitetura de comunicação. O esquema mostra os caminhos de transmissão de dados entre a estação de controle mestre e o manipulador escravo remoto, garantindo teleoperação de baixa latência. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 10: Modelagem cinemática dos manipuladores. (A) O sistema de coordenadas conjuntas estabelecido para o manipulador escravo. (B) Vista detalhada das estruturas das articulações do manipulador escravo. (C) O sistema de coordenadas conjuntas do manipulador mestre. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 11: Configuração experimental laboratorial. (A) O manipulador mestre e o manipulador escravo são usados para testes. (B) O ambiente simulado de tarefa de tapping com obstáculos físicos e um ponto final. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 12: Análise em série temporal da detecção abrupta de comportamento na plataforma de teleoperação laboratorial. (Top) Posições mestre (azul) e escravo (vermelho) em X, Y, Z. Sombreamento vermelho = intervalos congelados. (Meio) Distância mestre-escravo (laranja); linha tracejada verde = limiar de retomada de 20 mm. (Embaixo) Deslocamento por quadro (roxo); linha vermelha = D_th = 6 mm; pontos vermelhos = quadros excedidos. Parâmetros: 50 Hz, D_th = 6 mm/quadro. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 13: Comparação de desempenho de controle compartilhado na plataforma de teleoperação laboratorial sob três condições. Barras = média; barras de erro = ±1 SD. Caixas vermelhas = valores p de Kruskal-Wallis. Parênteses = valores p par a par de Mann-Whitney U. 45 testes (3 operadores × 5 repetições × 3 condições). (A) Tempo de conclusão. (b) Eficiência da Trajetória. (C) Submovimentos. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 14: Aplicação em campo do sistema de controle compartilhado. (A) O manipulador escravo está operando em uma linha de distribuição ativa. (B) Inserção bem-sucedida da parte metálica exposta na grampa utilizando o método de controle compartilhado proposto. Por favor, clique aqui para ver uma versão ampliada desta figura.

Subsistemas	Componente Principal	Função principal	Características
Subsistema Manipulador	Manipulador(es) Simples/Duplo(s)	Alcança movimento multi-DOF	Alta carga útil, leve, grande espaço de trabalho
	Sistema de driver manipulador	Aciona motores de junta via energia DC para alcançar o movimento do manipulador	Entrada DC, alta eficiência de acionamento
Subsistema de Controle	Computador industrial	Computação de dados, comunicação entre módulos	Alta confiabilidade, forte poder computacional, grande capacidade de armazenamento
	Módulo de comunicação	Implementa controle remoto e monitoramento	Estabilidade, confiabilidade, atende aos requisitos de compatibilidade eletromagnética (EMC)
	Módulo de alimentação	Fornece energia para toda a plataforma robótica	Mantém operação estável no sistema por 6+ horas
Subsistema de Percepção	Módulo de visão binocular	Aquisição em pequena escala e alta precisão de nuvens de pontos	Precisão de posicionamento > 1%, alcance operacional > 2m
	Módulo LiDAR	Varredura em nuvem de pontos em grande escala	Alcance operacional > 10m, ângulo de reconstrução > 25°, densidade de nuvens pontuais> 300k pontos
	Módulo sensor de força	Adquire informações de força de seis eixos	Frequência de realimentação de força > 10Hz, precisão de realimentação de força melhor que 1N
Subsistema de Ferramentas	Módulo de limpeza com gelo seco	Implementa a função de limpeza com gelo seco	Leve, atende aos requisitos de limpeza do isolante, é necessária proteção EMC
	Módulo de detecção de valor zero	Implementa detecção de valor zero de pulsos de alta tensão	Tensão de pulso de saída 0-60kV, atende aos requisitos de proteção EMC
	Módulo de parafusamento/desparafusamento	Função de parafusamento/desparafuso dos implementos	Leve, atende aos requisitos de torque, é necessária proteção EMC
	Módulo de descascamento a laser	Descascamento de implementos da camada externa de isolamento dos fios de distribuição	Sem contato, sem danos à parte metálica do fio, e pode efetivamente remover a camada de proteção semicondutora
	Outros módulos funcionais serializados	Emendamento/corte de fios, instalação de repelente de pássaros, instalação de indicador de falha, poda de árvores, reparo de isolamento, instalação de protetor de sobretensão, tarefas de patrulha	Modular, leve, atende à proteção EMC e aos requisitos funcionais correspondentes
Subsistema de Caminhão de Caçamba	Dispositivo isolado de elevação e montagem	Oferece suporte isolado para a plataforma de trabalho equipotencial e permite controle digital remoto	Altos níveis de EMC, com a extremidade capaz de suportar cargas de 250kg ou mais, forte resistência a interferência eletromagnética e capacidade de realizar controle remoto sob interferência de arco a 220kV
	Portadora inteligente	Alcança mobilidade no solo para o robô	Pequeno e leve, adequado para locais estreitos de trabalho com linhas vivas e terrenos complexos
Subsistema Lado Mestre	Plataforma de interação remota operador-robô	Permite teleoperação remota para a plataforma robótica. Alcança resistência, peso e outras necessidades de conveniência de uso	Pequeno e leve, adequado para locais de trabalho em linha de vida

Tabela 1: Especificações do subsistema. Funções detalhadas dos vários subsistemas que compõem o robô de trabalho em linha de vida.

UR10
Articulação	Theta [rad]	a[m]	d[m]	Alpha [RAD]
Articulação 1	0	0	0.1273	π/2
Articulação 2	0	-0.612	0	0
Joint 3	0	-0.5723	0	0
Joint 4	0	0	0.163941	π/2
Joint 5	0	0	0.1157	-π/2
Joint 6	0	0	0.0922	0

Tabela 2: Parâmetros DH para o manipulador. Os parâmetros cinemáticos usados para modelar o sistema conjunto de coordenadas do manipulador escravo.

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

Tabela 3: Detalhes dos dados.Comparação quantitativa do desempenho dos controles compartilhados entre três pesos de arbitragem (α = 0,3, 0,8, 1,0). Dados de 45 testes (3 operadores × 5 repetições × 3 condições). Métricas: tempo de conclusão da tarefa T (s), eficiência da trajetória η e contagem de submovimentos N_sub. Valores reportados como média ± desvio padrão.

Vídeo Suplementar 1: Teleoperação de controle compartilhada com α = 0,3. Este vídeo demonstra o procedimento experimental laboratorial para a tarefa simulada de batida sob uma condição de controle compartilhado dominante por robôs. Ela destaca a alta eficiência da trajetória e a redução dos submovimentos do operador quando o robô assume a maior parte do planejamento do caminho. Por favor, clique aqui para baixar este arquivo.

Vídeo Suplementar 2: Teleoperação de controle compartilhado com α = 0,8 . Este vídeo demonstra o procedimento experimental de laboratório sob uma condição de controle compartilhado dominante por humanos. Como a intervenção humana supera largamente o planejamento autônomo robótico, a operação visualmente se assemelha à teleoperação pura, o que se correlaciona com a falta de melhorias quantitativas significativas em eficiência e tempo de conclusão em relação à linha de base. Por favor, clique aqui para baixar este arquivo.

Vídeo Suplementar 3: Rastreamento mestre-escravo da linha de base de teleoperação α = 1.0 . Este vídeo demonstra o procedimento experimental básico usando a teleoperação tradicional de rastreamento sem assistência autônoma. Ela destaca o tempo de conclusão da tarefa e os submovimentos manuais exigidos pelo operador, além de reduzir a eficiência da trajetória. Por favor, clique aqui para baixar este arquivo.

Discussão

Este estudo propõe um sistema de robô funcional com distribuição teleoperada, baseado no controle compartilhado entre humanos e robôs. Em contraste com sistemas totalmente autônomos que lutam contra iluminação dinâmica externa e fundos não^{estruturados 12}, e a tradicional teleoperação de rastreamento mestre-escravo que impõe altas cargas cognitivas e físicas aos^{operadores 14, 15, 16}, nossa abordagem funde a intenção humana com o planejamento autônomo robótico. Além disso, este estudo aborda possíveis erros do operador ao propor um algoritmo de detecção de movimento abrupto para garantir a segurança operacional. Esta pesquisa avança o campo da interação física humano-robô (pHRI) em ambientes extremos ao fornecer uma integração validada em campo do controle compartilhado para manutenção de alta tensão, fazendo a ponte entre os marcos teóricos de controle^{compartilhado 17,18} e aplicações industriais práticas.

Experimentos laboratoriais demonstram que um peso de controle compartilhado apropriado pode reduzir significativamente o tempo de conclusão da tarefa e o esforço manual de controle do operador (menos submovimentos), ao mesmo tempo em que melhora a eficiência da trajetória. Especificamente, sob controle compartilhado dominado por robôs (α = 0,3), o tempo de conclusão diminuiu 31,4%, a eficiência da trajetória melhorou 57,8% e o número de sub-movimentos diminuiu 37,9% em comparação com a teleoperação de rastreamento. Além disso, o mecanismo de detecção de movimento abrupto alcançou uma taxa de 100% de verdadeiro positivo com um tempo de resposta de 20 ms. O método proposto é de grande importância para modernizar a manutenção da rede elétrica, mitigando objetivamente a fadiga associada a operações perigosas. Além das redes de distribuição de energia, esse framework de controle compartilhado tem aplicações potenciais em outros robóticos de propósito especial que operam em ambientes altamente não estruturados e perigosos, como robôs implantados para resgate contra incêndio ou exploração geológica, onde a adaptabilidade cognitiva humana deve ser combinada com precisão robótica.

Embora esses resultados demonstrem viabilidade em cenários controlados, as limitações incluem um único tipo de tarefa (tapping (tapping de dados) e a falta de análise dos efeitos em diferentes experiências dos operadores. É necessária validação adicional entre diversas tarefas, operadores e condições ambientais. Trabalhos futuros focarão no ajuste adaptativo α e nos testes de campo ampliados, nos quais α serão atualizados com base no risco na posição cartesiana atual, e na construção de um campo de risco para calcular o risco.

Apesar das demonstrações bem-sucedidas, este estudo apresenta várias limitações. Primeiro, a validação experimental foi focada principalmente em um único tipo de tarefa (live-line tapping). Segundo, o peso de controle compartilhado era fixo antes de cada tarefa, sem adaptabilidade em tempo real a incertezas em constante mudança. Por fim, o estudo avaliou um número limitado de operadores treinados, e o efeito dos diferentes níveis de experiência do operador não foi analisado. As direções futuras focarão no desenvolvimento de uma estrutura de controle compartilhado adaptativa que ajuste dinamicamente o peso de arbitragem com base no contexto da tarefa em tempo real e no estado^{do operador 17}. Além disso, planejamos realizar testes de campo ampliados, abrangendo diversas tarefas de manutenção, experiências de diferentes operadores e condições climáticas variadas para validar ainda mais a robustez do sistema.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Hikvision DS-2DC2D20IW-DE3	Hikvision	https://www.hikvision.com/cn/products/pdplist/161056/	câmera de monitoramento pan-tilt-zoom (PTZ)
KUNWEI KWR75	KUNWEItech	https://www.kunweitech.com/products/866.html	sensor de força
LivoxAVIA	Livox(DJI)	https://www.livoxtech.com/cn/avia	LiDAR a laser
Piper	AGILEX	https://www.agilex.ai/page/690abe7b5e78cfa260412c92?mi=1&rn=PIPER+%E6%A0%87%E5%87%86%E7%89%88	manipulador master/slave para validação de experimento na plataforma de laboratório
Python	Python Software Foundation	https://www.python.org/	linguagem de programação
RealSenseD435	Intel	https://store.realsenseai.com/buy-intel-realsense-depth-camera-d435.html	câmera binocular
Touch	3D Systems	https://cn.3dsystems.com/haptics-devices/touch	dispositivo haptico
Ubuntu 24.04	Canonical Ubuntu	https://ubuntu.cn/	sistema operacional
UR10	Universal Robots	https://www.universal-robots.cn/	manipulador do robô de trabalho em linha