一种具身机器人带电巡检方法、装置、计算机设备及存储介质与流程

摘要: 本技术涉及具身机器人领域,尤其涉及一种具身机器人带电巡检方法、装置、计算机设备及存储介质。背景技术:1、随着智能控制与物理ai大模型技术的快速发展,具身机器人正...
一种具身机器人带电巡检方法、装置、计算机设备及存储介质与流程

本技术涉及具身机器人领域,尤其涉及一种具身机器人带电巡检方法、装置、计算机设备及存储介质。

背景技术:

1、随着智能控制与物理ai大模型技术的快速发展,具身机器人正逐步应用于各类电力场景的自主运维与巡检工作中。在实际应用中,通常通过预设的动作规划网络(如视觉-语言-动作大模型)对巡检机器人的多模态感知数据和人类的巡检任务指令进行流式解析与推理,从而自主规划出机器人的运动轨迹和巡检动作。这种端到端的黑盒控制模式赋予了机器人优秀的语义理解能力和任务泛化规划能力,使其能够应对复杂的场景变换。

2、然而,水电站地下厂房、封闭廊道等作业现场通常部署有大量的高压带电设备,这些区域对机器人的运动安全性有着极为严苛的物理绝缘距离要求。在这些高危带电场景中,传统的端到端动作规划网络由于缺乏硬性的物理安全边界约束,其黑盒推理机制天然存在“算法幻觉”以及动作规划随机发散的问题。在实际带电巡检过程中,动作规划网络一旦产生微小的控制指令突变、解码偏移或动作发散,就极易导致机器人盲目向高压设备逼近;一旦其运动位置突破了对应高压带电设备的空气绝缘物理红线,就会在极短时间内诱发突发性的弧光放电闪络事故,直接导致高压电力设备损毁、电网中断以及机器人本体报废。

3、有鉴于此,提出本发明具身机器人带电巡检方法、装置、计算机设备及存储介质。

技术实现思路

1、本技术实施例的目的在于提出一种具身机器人带电巡检方法、装置、计算机设备及存储介质,通过基于巡检机器人的实时空间坐标与动作规划网络解析得到的原始运动控制指令,前置仿真预测机器人执行该指令后与目标带电设备的预测空间距离,并在所述预测空间距离小于由设备电压等级确定的安全净距阈值时,对所述原始运动控制指令中朝向所述目标带电设备逼近的运动分量进行限制修正以生成最终运动控制指令 ,达到刚性约束机器人运动边界、杜绝因动作规划网络算法幻觉或动作发散引发的电气击穿事故并保障巡检全过程本质安全的目的。

2、为了解决上述技术问题,本技术实施例提供一种具身机器人带电巡检方法,采用了如下所述的技术方案:

3、一种具身机器人带电巡检方法,包括下述步骤:

4、获取巡检机器人的感知数据和巡检任务指令;

5、基于所述感知数据确定所述巡检机器人的实时空间坐标;

6、获取目标带电设备的电压等级,基于所述电压等级确定对应的安全净距阈值;

7、基于所述实时空间坐标和所述感知数据,提取得到空间特征;

8、将所述空间特征和所述巡检任务指令输入预设的动作规划网络解析,得到原始运动控制指令;

9、基于所述实时空间坐标和所述原始运动控制指令确定所述巡检机器人执行所述原始运动控制指令后与所述目标带电设备的预测空间距离;

10、基于所述预测空间距离与所述安全净距阈值的比对结果,生成驱动所述巡检机器人的最终运动控制指令;其中,当所述预测空间距离小于所述安全净距阈值时,对所述原始运动控制指令中朝向所述目标带电设备逼近的运动分量进行限制修正,得到所述最终运动控制指令,以使所述巡检机器人在巡检过程中根据所述巡检任务指令执行巡检动作。

11、进一步的,所述当所述预测空间距离小于所述安全净距阈值时,对所述原始运动控制指令中朝向所述目标带电设备逼近的运动分量进行限制修正,得到所述最终运动控制指令包括以下步骤:

12、获取所述目标带电设备的表面几何特征;

13、基于所述实时空间坐标与所述预测空间距离,在所述目标带电设备的设备表面确定对应点;

14、基于所述目标带电设备的表面几何特征和所述对应点,确定法向量;

15、将所述原始运动控制指令中沿所述法向量向所述目标带电设备逼近的控制数值进行数值限幅截断,以限制所述运动分量;

16、基于所述法向量确定切向安全逃逸控制向量;

17、将所述切向安全逃逸控制向量覆盖截断后的所述原始运动控制指令,得到所述最终运动控制指令。

18、进一步的,还包括:

19、获取所述实时空间坐标后,按预设采样周期将所述实时空间坐标存储至预设的时序特征缓存队列中;

20、当接收到预设的外部强切信号或者判定所述巡检机器人与控制端的通信中断时间超过预设时间阈值时,中断所述预设的动作规划网络的输出;

21、从所述时序特征缓存队列的尾端倒序提取历史空间坐标点,并根据提取的所述历史空间坐标点生成局部安全路径;

22、基于所述局部安全路径生成对应的所述最终运动控制指令,以驱动所述巡检机器人沿所述局部安全路径逆向撤离。

23、进一步的,所述基于所述感知数据确定所述巡检机器人的实时空间坐标,包括:

24、获取卫星定位信号强度;

25、当所述卫星定位信号强度低于预设闭锁阈值时,判定是否存在上一采样周期对应的实时空间坐标;

26、若存在,则基于所述上一采样周期对应的实时空间坐标进行航位推算,生成中间预测坐标;

27、若不存在,则获取预设初始坐标,并基于所述预设初始坐标进行所述航位推算,生成所述中间预测坐标;

28、基于所述中间预测坐标进行点云匹配纠偏,得到所述实时空间坐标。

29、进一步的,所述基于所述中间预测坐标进行点云匹配纠偏,得到所述实时空间坐标,包括:

30、获取预设的三维点云先验地图,并从所述感知数据中提取激光点云特征;

31、基于所述中间预测坐标在所述三维点云先验地图中确定匹配检索区域,将所述激光点云特征与所述三维点云先验地图在所述匹配检索区域内进行局部点云配准,得到空间偏差;

32、基于所述空间偏差对所述中间预测坐标进行修正,得到所述实时空间坐标。

33、进一步的,还包括:

34、基于所述巡检任务指令确定预设巡视点;

35、当所述最终运动控制指令驱动所述巡检机器人到达所述预设巡视点后,获取所述目标带电设备的当前相对温升和当前局放频域能量谱比值;

36、基于所述当前相对温升和所述当前局放频域能量谱比值,对所述目标带电设备进行缺陷判定,当判定所述目标带电设备存在缺陷时,输出聚焦指令。

37、进一步的,所述基于所述当前相对温升和所述当前局放频域能量谱比值,对所述目标带电设备进行缺陷判定,以及当判定所述目标带电设备存在缺陷时,输出聚焦指令,包括:

38、将所述当前相对温升与预设的相对温升阈值进行大小比对,若所述当前相对温升大于所述相对温升阈值,则判定所述目标带电设备存在超温缺陷;

39、将所述当前局放频域能量谱比值与预设的局放频域能量谱倍数阈值进行大小比对,若所述当前局放频域能量谱比值大于所述局放频域能量谱倍数阈值,则判定所述目标带电设备存在局放缺陷;

40、在判定存在所述超温缺陷或所述局放缺陷,确定所述目标带电设备存在缺陷;

41、将当前的所述实时空间坐标确定为目标聚焦坐标,基于所述目标聚焦坐标生成所述聚焦指令;

42、将所述聚焦指令发送至周边的分布式异构终端,以驱动所述分布式异构终端强切至联合聚焦状态,并控制所述分布式异构终端朝向所述目标聚焦坐标执行多视角交叉感知数据采集。

43、为了解决上述技术问题,本技术实施例还提供一种具身机器人带电巡检装置,采用了如下所述的技术方案:

44、一种具身巡检机器装置,包括机身、四足机械腿、前部视觉与红外检测模块、传感器模组、激光雷达、环境感知模块、巡检检测模块、辅助照明模块、通信天线模块、电池仓、机械臂和控制模块舱;

45、所述四足机械腿设有四组,并分别转动连接于所述机身的下部,用于支撑并驱动所述具身巡检机器人行走;

46、所述前部视觉与红外检测模块、传感器模组、激光雷达、环境感知模块、巡检检测模块、辅助照明模块和通信天线模块分别安装于所述机身上;

47、所述机械臂设于所述机身上,所述机械臂用以执行巡检动作;

48、所述电池仓和所述控制模块舱设置于所述机身内部,所述电池仓与所述控制模块舱电连接,用于为所述巡检机器人提供电能;

49、所述控制模块舱分别与所述前部视觉与红外检测模块、传感器模组、激光雷达、环境感知模块、巡检检测模块、辅助照明模块和通信天线模块信号连接,并与所述四足机械腿控制连接;

50、所述控制模块舱用于执行所述的具身巡检机器人带电巡检方法,并被配置为获取所述前部视觉与红外检测模块、传感器模组、激光雷达、环境感知模块和巡检检测模块采集的感知数据,生成运动控制指令,并基于所述感知数据对所述运动控制指令进行安全修正,以驱动所述四足机械腿带动所述机身执行带电巡检。

51、为了解决上述技术问题,本技术实施例还提供一种计算机设备,采用了如下所述的技术方案:

52、一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上所述的具身机器人带电巡检方法的步骤。

53、为了解决上述技术问题,本技术实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:

54、一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的具身机器人带电巡检方法的步骤。

55、与现有技术相比,本技术实施例主要有以下有益效果:

56、本技术公开的具身机器人带电巡检方法,首先通过获取感知数据并据此确定巡检机器人的实时空间坐标,在封闭或复杂的巡检现场为机器人建立了高精度的绝对空间几何基准,避免其因定位失准而误入危险区域;在此基础上,系统通过获取目标带电设备的电压等级并映射确立对应的安全净距阈值,能够根据现场不同高压资产的实际危险物理特性,因地制宜地动态划定绝缘安全物理红线。随后,将基于坐标与感知数据融合提取的空间特征与巡检任务指令共同输入动作规划网络进行解析,这既保留了具身智能网络对复杂自然语言指令的泛化理解和自主路径规划能力,又通过将输出限制在原始运动控制指令这一阶段,避免了黑盒模型直接控制底层硬件所带来的未知风险。

57、更为关键的是,在本方法中,原始指令在正式下发执行前必须强制通过前置校验,即联合实时空间坐标与原始运动控制指令进行前向离算化预测,推算出执行该指令后的虚拟位姿,进而解算出机器人包络与目标带电设备表面之间的预测空间距离,从而在时间轴上提前预知了动作规划网络可能因算法幻觉或动作发散而导致的越界倾向。最终,通过将该预测空间距离与前述刚性的安全净距阈值进行在线大小比对,并在预测距离小于阈值的危险工况下,主动对原始运动控制指令中朝向目标带电设备逼近的运动分量进行限制修正,从而重构生成具备安全边界约束的最终运动控制指令。

58、这一层层递进、环环相扣的前置主动仿真预测与危险运动分量刚性拦截的控制流程,彻底打破了传统具身智能端到端无约束的危险控制模式,使得无论动作规划网络因内部不确定性输出何种突变或发散的原始动作,机器人在物理世界中均被绝对限制在安全绝缘净距之外,从根本上消除了具身机器人逼近高压带电设备而引发空气绝缘击穿和弧光放电闪络事故的重大安全隐患,实现了高危电站带电巡检作业全流程的本质安全。