未地図化送電鉄塔における UAV による送電線絶縁体の自律点検に関する技術サマリー

本論文は、事前の地図情報を持たない送電鉄塔に対して、単一の飛行で詳細な点検画像を取得することを可能にする、UAV（無人航空機）搭載のオンライン点検アルゴリズムを提案しています。カメラと LiDAR のセンサー融合を用いて、絶縁体の検出と位置特定をリアルタイムで行い、最適な観測経路を自律的に生成する手法が核心です。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細をまとめます。

1. 問題定義

送電線の絶縁体は、長期的な屋外環境への曝露により汚染や物理的損傷を受けやすく、電力供給の停止や大規模な事故につながるリスクがあります。従来の点検は、地上からの双眼鏡による目視や、操縦者が手動で操縦する UAV による撮影に依存しており、労働集約的で時間がかかります。
既存の自律点検システムは、多くの場合、点検対象の鉄塔構造や絶縁体の位置に関する事前知識（事前地図）を必要とします。しかし、実際の現場では、すべての鉄塔の正確な位置や絶縁体の数が事前に把握されているとは限りません。また、従来の「まず鉄塔全体をスキャンして地図を作成し、その後、最適化された経路で絶縁体を撮影する」という 2 段階の飛行アプローチは、時間とコストの面で非効率的です。

課題:

• 事前の地図情報や絶縁体の正確な位置・数が不明な鉄塔への対応。
• 単一の飛行で「探索（絶縁体の検出・位置特定）」と「撮影（詳細画像の取得）」を完了する効率化。
• 複雑な背景や照明条件下での高精度な絶縁体検出と、画像取得に必要な位置特定精度の確保。

2. 手法 (Methodology)

提案されたシステムは、カメラ（RGB）と LiDAR のセンサー融合パイプラインに基づいており、以下のステップで構成されます。

A. 絶縁体の検出 (Insulator Detection)

• モデル: 軽量かつ高性能な深層学習モデル YOLOv11n を採用。
• データセット: シミュレーション環境（Flight Forge）と実世界での飛行の 2 つでデータを収集・学習。シミュレーションでは天候や時間帯を変化させ、実世界ではコントラストや回転などのデータ拡張を適用。
• 最適化: TensorRT による推論時間の短縮を行い、リアルタイム処理を可能にしています。

B. カメラと点群データの融合 (Sensor Fusion)

• 検出された絶縁体の 2D バウンディングボックス（画像内）に基づき、LiDAR の 3D 点群データをフィルタリングします。
• 固定された外パラメータ変換行列を用いて、LiDAR 座標系からカメラ座標系、さらに画像平面へ点を投影し、バウンディングボックス内の点のみを抽出します。

C. 絶縁体の位置特定 (Localization)

フィルタリングされた点群データから、絶縁体の中心位置と向きを推定するために、以下の 4 つの手法を提案・比較しました。

1. DBSCAN のみ: クラスタリングによる位置推定。
2. RANSAC のみ: ランダムサンプリングによる線形フィッティング。
3. DBSCAN + RANSAC: DBSCAN でクラスタリングを行い、最も近いクラスタに対して RANSAC で直線フィッティングを行い、外れ値を除去して中心を計算。
4. DBSCAN + PCA: DBSCAN でクラスタリング後、主成分分析（PCA）を用いて方向と中心を推定し、外れ値の影響を反復的に除去。

D. オンライン点検アルゴリズム (Online Inspection Algorithm)

• 探索経路: 鉄塔の概略 GPS 座標と隣接鉄塔の情報に基づき、鉄塔周囲の安全な探索経路を生成。
• 状態遷移:
  1. 探索経路を飛行し、絶縁体を検出・位置特定する。
  2. 検出された絶縁体の位置情報から、詳細画像を取得するための「観測ウェイポイント」を計算し、バッファに蓄積。
  3. 探索を一時停止し、バッファ内のウェイポイントへ移動して画像を撮影。
  4. 撮影完了後、探索経路に戻り継続。
• このプロセスにより、同じ絶縁体の重複検出を防ぎ、鉄塔の遠側は後回しにするなどの論理を実装しています。

3. 主要な貢献 (Key Contributions)

1. 事前地図不要の単一飛行点検: 鉄塔の構造や絶縁体の位置に関する事前情報なしに、単一の飛行で「探索」と「撮影」を完了するアルゴリズムを提案。
2. カメラ-LiDAR センサー融合パイプライン: YOLOv11n による検出と、バウンディングボックスを用いた LiDAR 点群のフィルタリング、および DBSCAN/RANSAC/PCA を組み合わせた高精度な位置特定手法の統合。
3. 効率性の向上: 従来の「地図作成→最適経路飛行」の 2 段階アプローチと比較し、単一飛行戦略による時間短縮を実証。
4. 実世界での検証: シミュレーションに加え、実機（Jetson Orin Nano 搭載 UAV）を用いた高圧送電鉄塔での実証実験を行い、実環境での有効性を確認。

4. 結果 (Results)

シミュレーション結果

• 検出精度: 学習済みモデルの mAP50–95 は 0.81 を達成。
• 位置特定精度: 距離 $w$ に対する誤差評価において、DBSCAN + RANSAC が最も優れた性能を示しました。
• 時間効率: 8 個の観測ウェイポイントが必要な場合、従来の 2 段階アプローチと比較して約 24% の時間短縮が可能でした。ウェイポイント数が増加しても（最大 20 個まで）、単一飛行戦略の方が効率的であることが示されました。

実世界実験結果

• 検出精度: 実環境（霧や照明条件の悪化）では mAP50–95 は 0.17 まで低下しましたが、システムは動作しました。
• 位置特定精度: 最良の手法（DBSCAN + RANSAC）を用いた場合、絶縁体の位置特定誤差は以下の通りでした。
  • 水平面 (xy): 0.16 ± 0.08 m
  • 高度 (z): 0.16 ± 0.11 m
• 比較: 既存のステレオカメラベースのアプローチ [3] と比較して、水平方向の位置特定誤差の分散が1 桁以上小さく、より安定した精度を達成しました。
• 画像取得: 得られた位置情報に基づき、絶縁体の詳細な点検画像を成功裏に取得できました。

5. 意義と結論

本研究は、送電網の維持管理において、事前の精密な地図データがなくても自律的に点検を完了できる新しいパラダイムを示しました。

• 経済的・時間的効率: 2 回の飛行（スキャンと撮影）を 1 回に統合することで、燃料、バッテリー、人件費を大幅に削減できます。
• 実用性: 鉄塔の最大高さや幅、GPS 座標といった最小限の情報だけで安全な飛行計画が立てられるため、広範なインフラ点検への適用が可能です。
• 技術的革新: 深層学習による検出と幾何学的な点群処理を融合させることで、複雑な環境下でも高精度な位置特定を実現し、自律 UAV の実用レベルを一段階引き上げました。

今後は、より多様な気象条件や鉄塔タイプへの対応、および大規模なネットワーク全体への展開が期待されます。