Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
DETECÇÃO DE OBSTÁCULOS PARA ROBÔ AUTÔNOMO DE INSPEÇÃO DE
LINHA VIVA USANDO DISTÂNCIA DE MAHALANOBIS
Thiago Alberto Barbosa∗, Cleber Vinı́cius Ribeiro de Almeida†, Marco Antonio dos
Reis†, Plinio Barbosa da Silva†, Samy Marcelo Nascimento†, Vitor Nascimento
Varandas†
∗
Universidade Estadual de Feira de Santana - Departamento de Tecnologia
Av. Transnordestina, S/N
Feira de Santana, Bahia, Brasil
†
SENAI CIMATEC
Av. Orlando Gomes, 1850
Salvador, Bahia, Brasil
Emails: [email protected], [email protected],
[email protected], [email protected], [email protected],
[email protected]
Abstract— This article’s objective is to present an Obstacles Detection System developed to autonomous
inspection power line robot. The article takes into account the implementation aspects related to hardware
and software. The main component of this system is a Laser Scan sensor. Data from this sensor are processed
using Mahalanobis distance which is able to determine the similarity between sensor reading and one reference’s
standard. Based on that information the obstacles are detected, enabling the robot’s transposition. The system
proposed was tested in laboratory, reproducing real conditions. Tests’ results have showed a system with good
speed and efficiency.
Autonomous Robot, Inspection, Power Line, Mahalanobis Distance, Laser Scan
Keywords—
Resumo— O objetivo deste trabalho é apresentar um sistema de detecção de obstáculos desenvolvido para um
robô autônomo de inspeção de linhas vivas. O trabalho aborda tanto aspectos de implementação de hardware,
quanto de software. O principal componente do sistema é um sensor de varredura a Laser (Laser Scan). Os dados
desse sensor são processados utilizando a distância de Mahalanobis que é capaz de determinar a similaridade entre
a leitura do sensor e um padrão de amostras. Baseado nessa informação os obstáculos são detectados, permitindo
que o robô o transponha. O sistema proposto foi testado em laboratório, reproduzindo condições reais. Os
resultados dos testes demonstram a rapidez e eficácia do sistema desenvolvido.
Palavras-chave—
1
Robô Autônomo, Inspeção, Linha Viva, Distância de Mahalanobis, Varredura a Laser
Introdução
buscam verificar a integridade fı́sica dos componentes das linhas, em termos de fissuras, corrosão
e eventuais danos que venham a prejudicar o fornecimento de energia elétrica. A captação de imagens térmicas possibilita a identificação de elevações na temperatura dos cabos, o que é um indı́cio
de possı́veis pontos de ruptura. Por outro lado,
a captação de imagens convencionais, utilizando
uma câmera de espectro visı́vel, permite que as
condições do local onde as torres são instaladas
sejam inspecionadas, pois a vegetação e eventuais
construções deverão ser mantidas a uma distância mı́nima segura, evitando assim interferências
no funcionamento da linha. Realizar estes tipos de
inspeções é uma tarefa complexa, e durante vários
anos, essa atividade vem sendo executada através
de aeronaves tripuladas. O uso deste tipo de aeronave resulta em um procedimento operacional
com grau de risco elevado, além de alto custo.
A expressão Robótica Avançada é normalmente
utilizada para se referir à ciência que estuda robôs
com caracterı́sticas marcantes de autonomia, cujas as aplicações buscam resolver problemas de
operação em ambientes hostis, além de outros tipos de serviços mais complexos (Sciavicco and Siciliano, 2000). A motivação que norteia o estudo
dessa ciência sempre gira em torno da idéia de
melhorar a qualidade de vida dos seres humanos.
O Setor Elétrico é um dos setores industriais
de maior relevância na atualidade. A robustez do
Sistema Elétrico de um determinado paı́s tem impacto direto na qualidade de vida do cidadão comum, e tem impacto até mesmo na capacidade de
desenvolvimento econômico do paı́s. Desta forma
é fácil perceber a importância estratégica que têm
os sistemas de Geração, Transmissão e Distribuição de Energia.
Uma aplicação importante conecta esses dois
ramos da engenharia: a inspeção das linhas de
transmissão e distribuição de um sistema de energia elétrica.
Inspeções térmica e visual de linhas de energia
Diante da importância de se realizar o procedimento de inspenção, e da complexidade atual
para realização desta tarefa, algumas alternativas vem sendo pensadas recentemente. Esse é o
caso, por exemplo, do robô teleoperado desenvolvido por (Montambault and Pouliot, 2007). Existe
1530
Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
ainda uma abordagem alternativa utilizando veı́culo aéreo não-tripulado, como o desenvolvido em
(Rangel et al., 2009). É neste cenário que surge a
idéia de se desenvolver um robô autônomo que realize inspeções térmica e visual em cabos de linhas
energizadas de 138 kV. Em relação as alternativas
existentes atualmente o robô proposto se destaca
pelo fato de possuir operação autônoma, além de
baixo peso.
Robôs autônomos tem a capacidade de decidir que ações tomar utilizando apenas informações
do ambiente e das restrições que o seu próprio sistema mecânico impõe. A capacidade que esse tipo
de sistema robótico tem de ter uma percepção do
ambiente é proveniente do seu sistema de sensoriamento. A área de sensoriamento é uma área
bastante vasta e desenvolvida na engenharia. A
concepção de um sistema como esse é complexa
e envolve aspectos que vão desde a aquisição e
condicionamento de sinais, até a etapa de processamento de dados, para que o sistema de controle
possa tomar as melhores decisões.
Esse trabalho se propõe a descrever de forma
detalhada a concepção e implementação de um sistema de monitoramento utilizado para a detecção
de obstáculos em um robô autônomo usado para
inspecionar linhas viva de transmissão de energia
elétrica. A seção 2 é dedicada a apresentar de
forma breve o robô que foi desenvolvido, o qual
possui o sub-sistema dedicado a detecção de obstáculos. A seção 3 apresenta em detalhes o subsistema que realiza a detecção de obstáculos, e que
é o foco principal deste trabalho. Na seção 4 são
descritos os testes e resultados obtidos. Por fim, a
seção 5 fica responsável por fazer um fechamento
do trabalho desenvolvido.
2
Figura 1: Lagarta Caterpillar em deslocamento
Figura 2: Conceito do Robô Autônomo desenvolvido
esta parte do robô, inclusive o Laser Scan e o sensor Ultrassonico. Por outro lado, na parte central do dispositivo se encontra o módulo (ou unidade) de apoio, mostrado na Figura 4. Uma importante função desse módulo é servir de ponto de
apoio para o robô durante a operação de ultrapassagem de obstáculos, diminuindo o efeito de alavanca proveniente do peso dos módulos de tração
durante a rotina de ultrapassagem de obstáculos.
É também na unidade de apoio que se localiza a
eletrônica embarcada que controla o robô.
Descrição da Plataforma Robótica
O conceito do robô autônomo em questão foi bioinspirado no movimento de uma lagarta Caterpillar, mostrada na Figura 1. O movimento desta
lagarta é provido a partir de dois pontos distintos
de seu corpo: um ponto na parte traseira, e outro
na parte dianteira. A lagarta se locomove através de movimentos sucessivos, onde ela aproxima
a parte traseira da dianteira formando um ”U”.
O robô foi projetado para se deslocar de forma
similar a lagarta quando for preciso ultrapassar
um obstáculo. Um esboço da estrutura mecânica
do robô é apresentado na Figura 2. Esse dispositivo possui três módulos principais, sendo dois
módulos de tração e um de apoio.
Os módulos de tração são responsáveis por
prover a força motora do dispositivo, que proporciona o deslocamento do robô ao longo da linha
de energia, podendo ser visto na Figura 3. O
conjunto de garras presentes aı́ são responsáveis
por manter o robô preso ao cabo. Além disto,
parte significativa dos sensores estão anexadas a
Figura 3: Módulo de Tração
O processo de ultrapassagem de obstáculos
do robô é ilustrado através da Figura 5. No primeiro momento, ilustrado na Figura 5 (a), o robô
se aproxima de um obstáculo, que é identificado.
Nesse momento se inicia o procedimento de ultrapassagem. A Figura 5 (b) mostra o módulo de
tração dianteiro já aberto. A Figura 5 (c) apresenta a fase intermediária do processo, e por fim, a
1531
Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
Figura 4: Unidade de Apoio
Figura 5 (d) mostra o módulo traseiro aberto, que
é a parte final do movimento de ultrapassagem.
3
Sistema de Detecção de Obstáculos
A operação de um robô autônomo se apoia em alguns processos de tomada de decisão. No caso de
um robô de inspeção de linhas viva, a atividade
mais crı́tica é a ultrapassagem de obstáculos. Durante o processo de inspeção, o robô de inspeção
deve ser capaz de ultrapassar obstáculos como os
grampos de suspensão, isoladores e jumpers. Esses
obstáculos são exemplificados na Figura 6. Outro
aspecto importante é que o sistema tenha a capacidade de identificar emendas no cabo, já que
nestes pontos a inspeção deve ser mais detalhada.
Ao longo desta seção serão discutidos aspectos de
hardware e de software do sistema implementado.
3.1
Arquitetura e Componentes
O sistema de identificação de obstáculos é composto pela combinação de duas estratégia de sensoriamento que são complementares. A primeira
parte do sistema utiliza um sensor Ultrassônico,
e a segunda parte do sistema fica a cargo de um
sensor de varredura a Laser (Laser Scan).
O sensor Ultrassônico busca identificar os obstáculos a uma distância mais longa. Essa tarefa
não poderia ficar a cargo do Laser Scan devido
a angulação escolhida para a sua operação, que
prioriza medições mais próximas do robô.
O Laser Scan foi posicionado com um ângulo
que possibilita leituras precisas do cabo, possibilitando inclusive a identificação de alterações menos
significativas no cabo, que é o caso das emendas.
O Laser Scan passa a ser a ser a principal referência para o algoritmo de controle a partir do
momento que o sensor Ultrassônico identifica que
há um obstáculo logo a frente.
3.1.1
Figura 5: Procedimento de Ultrapassagem de Obstáculo
Sensor Ultrassônico
Figura 6: Tipos padrão de Obstáculos encontrados
em Linha Viva
A primeira parte do sistema de sensoriamento é
feita por um sensor ultrassônico modelo MB1033
da série HRLV-MaxSonar-EZ3T M , mostrado na
Figura 7. Esse sensor é fabricado e comercializado
1532
Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
pela MAXBOTIX. As caracterı́sticas que destacam o sensor MB1033 são a resolução de 1 mm,
range de 30 cm a 5 m, frequência de operação 42
kHz taxa de atualização de 10 Hz e múltiplas saı́das de sinal (RS232, Analógica e largura de pulso).
como o Laser Scan Hokuyo, foram utilizadas bibliotecas do ROS.
3.2
A utilização de um sensor Laser Scan para o sistema de inspeção em questão torna-o um sistema
multidimensional, já que a cada varredura são tomadas diversas leituras com angulação incremental. Sistemas deste tipo tem desempenho bastante satisfatório quando se utiliza uma escala
de medida multidimensional (Taguchi and Jugulum, 2002).
A Distância de Mahalanobis (MD) mede a distância em um espaço multidimensional levando em
conta as correlações presentes. A MD é bastante
sensı́vel a estrutura de correlação do grupo de referência. Na sua forma clássica, a MD é utiliza
para encontrar a ”proximidade” de uma medida
desconhecida em relação a um grupo. Existem
outras técnicas de medição multivariável, com a
Distância Euclidiana, mas nesse caso a distribuição dos pontos no grupo não é levada em conta.
A Figura 9 apresenta uma comparação entre os
dois métodos citados. São consideradas duas variáveis, X1 e X2. Na Figura, a forma elı́ptica se
refere ao limite de Mahalanobis, enquanto a forma
circular a Euclidiana. Supondo duas amostras A e
B sendo adicionadas ao sistema. Para a Distância
Euclidiana, esses dois pontos seriam classificados
de forma semelhante, já que ambos estão a uma
mesma distância do centro do circulo. Porém, o
ponto A é claramente mais próximo do grupo de
referência do que o B, e a Distância de Mahalanobis, por levar em conta a distribuição do grupo
de referência, é capaz de identificar essa diferença
(Taguchi and Jugulum, 2002).
Figura 7: Sensor Ultrassônico MB1033
3.1.2
Distância de Mahalanobis
Sensor de Varredura a Laser (Laser
Scan)
O sensor Laser Scan utilizado é o UTM30LX/LN, produzido pela HOKUYO AUTOMATIC CO.,LTD, que é mostrado na Figura 8. Esse
sensor tem resolução angular de 0.25o e faixa de
irradiação padrão de 270o , mas é limitado em software para uma faixa de 90o , que é suficiente para
a identificação dos obstáculos na linha. Esse modelo trabalha a uma velocidade de 25 milissegundos por varredura. Esse modelo opera em duas
dimensões apenas.
Figura 8: Sensor Hokuyo
3.1.3
Unidade de Processamento e Plataforma de Software
O sistema de processamento central utiliza um
computador de placa única (SBC) baseado no padrão PC/104-Plus, modelo CoreModule 745, produzido pela empresa Adlink Technology Inc.
O plataforma de software utilizado para gerenciamento e controle do robô foi baseado na plataforma ROS (Robot Operating System). O ROS é
uma plataforma open source que provê ferramentas e bibliotecas para auxiliar desenvolvedores a
criar aplicações robóticas. Para o gerenciamento
da aquisição de dados provenientes dos sensores,
Figura 9: Comparativo entre Distância de Mahalanobis e Distância Euclidiana
O sistema descrito neste trabalho utiliza a distância de Mahalanobis (Mahalanobis, 1936) para
o problema de identificação e classificação de obstáculos.
Para motivar a definição matemática da Distância de Mahalanobis é considerado um conjunto de pontos caracterizado por dois parâmetros
x = (x1 , x2 ) (Criado et al., 2011). Conhecendo
1533
Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
uma amostra aleatória de N pontos, se deseja estimar a probabilidade de que um dado ponto pertença àquele conjunto. É natural assumir que essa
probabilidade vai ser maior, quanto mais próximo
o ponto investigado esteja do vetor médio µ =
(µ1 , µ2 ), e por consequência,
quanto menor for a
√
distância d(x, µ) = (x1 − µ1 )2 + (x2 − µ2 )2 .
Por outro lado, também é natural levar em
consideração o desvio-padrão das variáveis aleatórias (σ1 e σ2 ), e finalmente considerar se essas variáveis estão correlacionadas. Desta forma,
uma maneira propı́cia para definir essa distância leva em consideração a matriz de covariância
σ 1 σ21
Σ=( 1
).
σ12 σ21
Por fim, isto leva a definição da Distância de
Mahalanobis dada em (Mahalanobis, 1936), conforme visto na Equação 1
√
dm = (x − µ)Σ−1 (x − µ)T ,
(1)
Espaço de Mahalanobis. É necessário realizar esse
ciclo de operação apenas uma vez, e esses dados
servem de informação de entrada para a segunda
parte do algoritmo.
Aquisição de Dados
do Conjunto
de Referência
(Laser Scan)
Geração dos
Vetores Médios
e Desvios-Padrão
Geração da Matriz
de Covariância e
da Mat. Cov. Inversa
Espaço de
Mahalanobis
(Entrada para a rotina
de tempo real)
onde a variável x é a amostra que se deseja investigar, Σ−1 é a inversa da matriz de covariância, e µ é o vetor médio das amostras do conjunto
de referência. Esse resultado é facilmente extensı́vel para casos multivariáveis com mais de 2 parâmetros. A base de dados contendo as médias, os
desvios-padrão, e a estrutura de correlação das variáveis do conjunto de referência é habitualmente
chamado de Espaço de Mahalanobis.
3.3
Figura 10: Fluxograma de geração do Espaço de
Mahalanobis
A segunda parte do algoritmo consiste da rotina onde a Distância de Mahalanobis é calculada
quando o robô esta operando. A MD é calculada
para cada leitura que o Laser Scan faz durante a
operação do Robô Autônomo na linha, conforme
pode ser visto na Figura 11. Após o cálculo da
MD, o obstáculo é classificado de acordo com o
valor encontrado. E finalmente essa informação
serve de dado de entrada para o Módulo de Controle do Robô Autônomo que toma a decisão sobre
a forma de ultrapassagem.
Algoritmo de Identificação de Obstáculos
É possı́vel encontrar na literatura diferentes soluções para o problema de identificação de obstáculos em uma linha de transmissão de energia.
Um exemplo disto é a técnica que utiliza processamento de imagens para identificar os obstáculos
(Fu et al., 2006) (Zuo et al., 2009). A solução
adotada para o dispositivo robótico descrito nesse
artigo, baseia-se na utilização de um sensor Laser Scan e de um algoritmo que utiliza o princı́pio da distância de Mahalanobis. Esta estratégia
apresenta um ótimo desempenho computacional
já que o processamento da distância de Mahalanobis é feito de forma bastante rápida, conforme
pode ser verificado na etapa de testes.
O algoritmo é composto de duas etapas. A
primeira etapa consiste na obtenção dos dados de
referência, que após processados formaram o Espaço de Mahalanobis. A Figura 10 apresenta o
fluxograma que descreve essa etapa. As amostras
de referência são tomadas em um ambiente onde o
sensor esteja lendo apenas o cabo, que é a condição normal de operação. Esses dados de referência
são os dados de entrada para o cálculo dos vetores
médios e desvios-padrão de cada medição com diferentes ângulos que é feita na varredura do sensor.
Baseado nessas amostras de referência também é
gerada uma matriz de correlação, e a sua inversa,
já que a matriz de covariância inversa é parte do
Aquisição de Dados
Operando em Tempo Real
(Laser Scan)
Espaço de
Mahalanobis
Cálculo da Distância
de Mahalanobis
Avaliação do Resultado
(Classificação do obstáculo)
Dado de Entrada
para Módulo de
Controle do Robô
Figura 11: Fluxograma do cálculo da DM
1534
Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
4
Testes e Resultados Obtidos
O sistema descrito foi testado em laboratório. A
plataforma de testes utilizada foi montada nas
dependências do SENAI CIMATEC em Salvador/BA. A Figura 12 apresenta a estrutura utilizada. Esse ambiente de testes reproduz os tipos
de obstáculos que o robô vai encontrar em operação, permitindo testes de ultrapassagem de obstáculos e identificação de emendas. O vão de testes
montado possui dois grampos de ancoragem e um
grampo de suspensão, formando um jumper, além
de uma emanda no cabo. A Figura 13 mostra o
robô posicionado na linha para realização de testes.
Figura 14: Padrão de resultados obtidos: Distância
de Mahalanobis X Amostras
O Espaço de Mahalanobis gerado para o sistema de detecção de obstáculos considera que a
leitura de referência do Laser Scan é a leitura de
cabo. O número que representa a Distância de
Mahalanobis assume pequenos valores quando o
sensor esta fazendo leitura apenas do cabo. No
caso das emendas, cuja espessura é apenas alguns
milı́metros maior que o cabo convencional, a MD
já apresenta valores maiores, já que essa medida
começa a se distanciar do espaço de referência considerado. Essa mudança de perfil no resultado do
processamento pode ser percebida no gráfico da
Figura 14. Ao se aproximar de um obstáculo real,
como uma cadeia de isoladores, a MD tem um aumento significativo. É nesse momento que se inicia
a rotina mecânica de ultrapassagem do obstáculos.
A garra da unidade de tração se abre e a parte da
frente do robô se desprende do cabo. O robô se
desloca para frente com o Laser Scan fazendo medições de pontos distantes do cabo, e consequentemente distante de seu padrão de referência. Na
etapa final da rotina mecânica de ultrapassagem,
o módulo de tração onde o sensor essa fixado se
reaproxima do cabo, já do lado oposto ao obstáculo. Ao encontrar valores mais baixos de MD, o
algortimo de controle percebe essa reaproximação
o que vai permitir o comando de fechamento da
garra, finalizando o processo.
Figura 12: Plataforma de testes
5
Figura 13: Teste do robô em laboratório
Conclusões
O sistema de detecção de obstáculos implementado se mostrou eficiente durante os testes realizados. A estratégia de associação do Laser Scan com
o algoritmo de Mahalanobis se mostrou bastante
adequada. Conforme resultados apresentados na
seção anterior, o sistema foi capaz de diferenciar
até mesmo pequenas alterações no cabo, como as
emendas. Isso demonstra uma sensibilidade elevada da arquitetura desenvolvida. A velocidade
de processamento obtida com o algoritmo resultou
em um desempenho bastante satisfatório, principalmente se for considerado a velocidade mode-
O algoritmo foi avaliado em um processador
Intel Core 2 Duo @ 3.00 GHz, 4GB de memória
RAM. O tempo de processamento ficou na ordem
de 300 milissegundos. O desempenho do algoritmo
é fator importante, pois deve estar adequado ao
funcionamento do restante do sistema, estando em
sintonia tanto com o sistema de controle quanto
com a parte mecânica em si.
Os resultados dos testes realizados na linha do
laboratório podem ser observado através do gráfico mostrado na Figura 14.
1535
Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
rada de locomoção deste dispositivo robótico.
Agradecimentos
O projeto desse robô autônomo é um desenvolvimento no âmbito dos editais de P&D da ANEEL,
sendo fomentado pela CEMIG Distribuição S/A,
e por ela identificado como ”D311 - Robô de Inspeção de Linha”. Os autores agradecem a CEMIG e
a ANEEL por fomentarem financeiramente o projeto. Os autores agradecem também, de forma especial, ao SENAI CIMATEC, instituição responsável por prover a estrutura necessária ao desenvolvimento do projeto.
Referências
Criado, C., Alamo, N., Rabal, H. and Cap,
N. (2011). Decision and classification problems using mahalanobis statistical distance,
Eighth International Conference on Fuzzy
Systems and Knowledge Discovery (FSKD)
pp. 1012–1016.
Fu, S., Li, W., Zhang, Y., Liang, Z., Hou, Z.,
Tan, M., Lian, W. Y. B. and Zuo, Q. (2006).
Structure-constrained obstacles recognition
for power transmission line inspection robot,
Proceedings of the 2006 IEEE/RSJ International Conference on Intelligent Robots and
Systems pp. 3363–3368.
Mahalanobis, P. C. (1936). On the generalized distance in statistics, Proceedings of the National Institute of Science of India (12): 49–55.
Montambault, S. and Pouliot, N. (2007). Design
and validation of a mobile robot for power
line inspection and maintenance, 6th International Conference on Field and Service Robotics .
Rangel, R., Kienitz, K. and Brandão, M. (2009).
Sistema de inspeção de linhas de transmissão
de energia elétrica utilizando veı́culos aéreos
não-tripulados, 3rd CTA-DRL Workshop on
Data Analysis and Flight Control .
Sciavicco, L. and Siciliano, B. (2000). Modelling
and control of robot manipulators, SpringerVerlag London Limeted, London, Great Britain.
Taguchi, G. and Jugulum, R. (2002).
The
Mahalanobis-Taguchi Strategy - A Pattern
Technology System, John Wiley and Sons,
INC, New York, US.
Zuo, Q., Xie, Z., Guo, Z. and Sun, D. (2009). The
obstacle recognition approach for a power
line inspection robot, Proceedings ofthe 2009
IEEE International Conference on Mechatronics and Automation pp. 1757–1761.
1536