Autonomous Inspection of Power Line Insulators with UAV on an Unmapped Transmission Tower

1. O Problema

A inspeção regular de linhas de transmissão de alta tensão é crucial para prevenir falhas mecânicas ou elétricas causadas por contaminação ou danos físicos nos isoladores. Atualmente, essa tarefa é realizada de forma laboriosa (a pé com binóculos) ou por UAVs (Veículos Aéreos Não Tripulados) controlados manualmente.

As abordagens autônomas existentes geralmente exigem um mapa prévio da estrutura da torre ou conhecimento exato da posição e quantidade de isoladores. Isso limita a eficiência, pois frequentemente requer uma estratégia de "dois voos":

1. Um voo de escaneamento para criar um mapa 3D da torre e localizar os isoladores.
2. Um segundo voo para visitar os pontos de inspeção otimizados e capturar imagens.

O objetivo deste trabalho é desenvolver um algoritmo de inspeção online que permita a um UAV autônomo inspecionar uma torre de transmissão sem mapa prévio, sem conhecimento exato do número ou posição dos isoladores, realizando a detecção, localização e captura de imagens em um único voo.

2. Metodologia

O sistema proposto integra fusão de sensores (Câmera e LiDAR) em tempo real. O pipeline é dividido nas seguintes etapas principais:

• Detecção de Isoladores (Visão Computacional):

  • Utiliza uma Rede Neural Convolucional (CNN) leve, especificamente o YOLOv11n, para detectar isoladores nas imagens RGB capturadas pela câmera a bordo.
  • O modelo foi treinado em dois conjuntos de dados distintos: um simulado (usando o simulador Flight Forge com torres de tipos A e B) e um real (coletado em voos reais).
  • A inferência foi otimizada com TensorRT para garantir tempo de resposta adequado em hardware embarcado.

• Fusão de Dados e Filtragem:

  • Os pontos da nuvem de pontos do LiDAR são projetados no plano da imagem da câmera.
  • Apenas os pontos 3D que caem dentro das caixas delimitadoras (bounding boxes) geradas pela detecção do YOLO são mantidos para processamento posterior. Isso filtra o ruído de fundo e foca na estrutura do isolador.

• Localização de Isoladores (Geometria e Agrupamento):

  • O artigo propõe e compara quatro métodos para estimar a posição e orientação do isolador a partir da nuvem de pontos filtrada:
    1. DBSCAN: Agrupamento baseado em densidade.
    2. RANSAC: Ajuste de linha para estimar a orientação.
    3. DBSCAN + RANSAC: Combinação onde o DBSCAN agrupa os pontos e o RANSAC refina a linha e o centro.
    4. DBSCAN + PCA: Combinação onde o DBSCAN agrupa e o PCA (Análise de Componentes Principais) é usado para refinar a orientação e o centro, iterativamente removendo outliers.
  • Assume-se que o isolador tem uma forma cilíndrica para auxiliar na estimativa da orientação e do centro.

• Algoritmo de Inspeção Online (Planejamento de Trajetória):

  • O UAV segue um caminho de exploração ao redor da torre, baseado apenas nas coordenadas GPS aproximadas da torre e das torres vizinhas (para evitar colisões e definir volumes de segurança).
  • Assim que um isolador é detectado e localizado, o sistema calcula automaticamente os "waypoints" (pontos de passagem) ótimos para capturar imagens detalhadas.
  • O UAV desvia temporariamente do caminho de exploração para visitar esses waypoints, captura as imagens e retorna à exploração.
  • Um mecanismo de memória no referencial mundial evita a re-inspeção do mesmo isolador e gerencia a inspeção de ambos os lados da torre sequencialmente.

3. Principais Contribuições

• Inspeção em Voo Único: Elimina a necessidade de um voo de mapeamento prévio, permitindo a inspeção completa em uma única missão.
• Pipeline de Fusão Online: Desenvolvimento de um sistema robusto que funde detecção baseada em CNN com dados LiDAR para localização precisa sem mapas prévios.
• Comparação de Métodos de Localização: Avaliação sistemática de quatro abordagens (DBSCAN, RANSAC, DBSCAN+RANSAC, DBSCAN+PCA) para localização de isoladores em nuvens de pontos filtradas.
• Validação em Cenários Reais e Simulados: Demonstração do sistema em simulador e em uma torre de alta tensão real, utilizando hardware embarcado (Jetson Orin Nano).

4. Resultados

• Eficiência de Tempo (Simulação):

  • A estratégia de voo único proposta economizou até 24% do tempo total de inspeção em comparação com a estratégia de dois voos (escaneamento + inspeção otimizada) para 8 waypoints.
  • A vantagem de tempo manteve-se significativa mesmo com até 20 waypoints.

• Precisão de Localização (Experimento Real):

  • O método de melhor desempenho foi DBSCAN + RANSAC.
  • Erro médio de localização horizontal (plano xy): 0,16 ± 0,08 m.
  • Erro médio de localização vertical (altitude z): 0,16 ± 0,11 m.
  • A variância do erro de localização horizontal foi mais de uma ordem de magnitude menor do que a abordagem baseada em câmera binocular citada na literatura [3].

• Desempenho de Detecção:

  • No simulador, o mAP50-95 foi de 0,81.
  • No mundo real, o mAP50-95 foi de 0,17. A queda foi atribuída a condições adversas não totalmente representadas no treinamento (lentes embaçadas, iluminação não ideal), mas o sistema funcionou adequadamente para a tarefa de inspeção.

5. Significado e Impacto

Este trabalho representa um avanço significativo na automação da manutenção de infraestrutura elétrica. Ao eliminar a dependência de mapas prévios e reduzir o número de voos necessários, o método proposto:

• Reduz custos operacionais e o tempo de inatividade das linhas de transmissão.
• Aumenta a segurança, minimizando a exposição humana a riscos e permitindo que o UAV opere em estruturas desconhecidas.
• Democratiza a inspeção autônoma, tornando-a viável para torres onde a digitalização prévia (mapeamento) é difícil ou cara.

A precisão alcançada (centimétrica) é suficiente para guiar o UAV para posições de captura de imagem de alta qualidade, validando a viabilidade de sistemas de inspeção totalmente autônomos e reativos em tempo real.