配网旁路作业机器人目标位姿估计方法

doi:10.3969/j.issn.1006-2475.2025.09.003

计算机与现代化 ›› 2025, Vol. 0 ›› Issue (09): 20-26.doi: 10.3969/j.issn.1006-2475.2025.09.003

配网旁路作业机器人目标位姿估计方法

（1.国网江苏省电力有限公司常州供电分公司，江苏常州 213000； 2.南京理工大学自动化学院，江苏南京 210094）

出版日期:2025-09-24 发布日期:2025-09-24
作者简介: 作者简介：姚杰（1992—），男，江苏常州人，工程师，本科，研究方向：配网不停电作业，E-mail： 979024503@qq.com；殷洪海，男，高级工程师，本科，研究方向：配网不停电作业；汪大海，男，工程师，硕士，研究方向：配网不停电作业；通信作者：李润梓（1998—），男，江苏镇江人，硕士研究生，研究方向：机器视觉，E-mail： 1260058586@qq.com；张茜雯，女，硕士，研究方向：机器视觉；郭毓，女，教授，博士，研究方向：复杂系统控制与优化，自适应控制。
基金资助:
基金项目：国家电网有限公司科技项目（J2023016）；国家自然科学基金面上项目（61973167）

Target Pose Estimation Methods for Distribution Network Bypass Operation Robots

（1. Changzhou Power Supply Branch， State Grid Jiangsu Electric Power Co. Ltd.， Changzhou 213000， China；
2. School of Automation， Nanjing University of Science and Technology， Nanjing 210094， China）

Online:2025-09-24 Published:2025-09-24

摘要/Abstract

摘要：
摘要：机器人代替人工完成旁路作业任务，需要其在复杂的作业场景下具有自主估计目标物体位姿的能力。针对旁路作业机器人在复杂背景和不同光照条件下目标位姿的实时估计问题，提出一种基于改进YOLO-6D且融合Transformer模型的6D位姿估计算法（RTFT6D），改进YOLOv8主干网络以提升推理速度，设计一种融合Transformer模型的特征加强网络，提升位姿估计的鲁棒性。实验结果表明，该算法在LINEMOD数据集上的精度超过了大多数基于RGB图像输入的位姿估计算法，并且针对不同光照条件下的配网旁路作业目标具有很好的位姿估计效果。

关键词: 关键词：配网旁路作业机器人, 位姿估计, YOLO-6D, YOLOv8, Transformer

Abstract:
Abstract： To replace humans in bypass operation tasks， robots need the ability to autonomously estimate the pose of target objects in complex work environments. Addressing the problem of real-time pose estimation of targets by bypass operation robots under complex backgrounds and varying lighting conditions， this proposes a 6D pose estimation algorithm （RTFT6D） based on improved YOLO-6D integrated with Transformer model. The YOLOv8 backbone network is modified to enhance inference speed， and a feature enhancement network incorporating the Transformer model is designed to improve the robustness of pose estimation. The experimental results show that the proposed algorithm surpasses most RGB image-based pose estimation algorithms in accuracy on the LINEMOD dataset， and it achieves excellent pose estimation performance for bypass operation targets under different lighting conditions.

Key words: Key words： distribution network bypass operation robot, pose estimation, YOLO-6D, YOLOv8, Transformer

中图分类号:

TP391.4

姚杰1, 殷洪海1, 汪大海1, 李润梓2, 张茜雯2, 郭毓2. 配网旁路作业机器人目标位姿估计方法[J]. 计算机与现代化, 2025, 0(09): 20-26.

YAO Jie1, YIN Honghai1, WANG Dahai1, LI Runzi2, ZHANG Qianwen2, GUO Yu2. Target Pose Estimation Methods for Distribution Network Bypass Operation Robots[J]. Computer and Modernization, 2025, 0(09): 20-26.

参考文献

［1］ MARUYAMA Y， MAKI K， MORI H. A hot-line manipulator remotely operated by the operator on the ground［C］// Proceedings of the 6th IEEE International Conference on Transmission and Distribution Construction and Live-Line Maintenance. IEEE， 1993：437-444.
［2］ TSUNEMI K， MARUYAMA Y， YANO K， et al. Development of a hot-line work robot "Phase II" and a training system for robot operators［C］// Proceedings of ESMO 1998 International Conference on Transmission and Distribution Construction， Operation and Live-Line Maintenance. IEEE， 1998：147-153.
［3］赵玉良，鲁守银，吕曦，等. 带电抢修机器人用力反馈液压机械臂的设计［J］. 液压与气动， 2013，11（8）：31-34.
［4］ EDWIN O. AprilTag： A robust and flexible visual fiducial system［C］// Proceedings of 2011 IEEE International Conference on Robotics and Automation. IEEE， 2011：3400-3407.
［5］ GARRIDO-JURADO S， MUÑOZ-SALINAS R， MADRID-CUEVAS F J， et al. Automatic generation and detection of highly reliable fiducial markers under occlusion［J］. Pattern Recognition， 2014，47（6）：2280-2292.
［6］ FIALA M. ARTag： A fiducial marker system using digital techniques［C］// Proceedings of 2005 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2005：590-596.
［7］梁雨. 复杂环境下基于深度学习和信息融合的实时多目标识别和6D姿态估计方法［D］. 深圳：中国科学院大学（中国科学院深圳先进技术研究院）， 2022.
［8］ YU L. Real-time Multi-object Recognition and 6D Pose Estimation Method Based on Deep Learning and Information Fusion in Complex Environments［D］. Shenzhen： University of Chinese Academy of Sciences （Shenzhen Institute of Advanced Technology， Chinese Academy of Sciences）， 2022.
［9］ PENG S D， LIU Y， HUANG Q X， et al. PVNET： Pixelwise voting network for 6D of pose estimation［C］// Proceedings of 2019 IEEE International Conference on Computer Vision and Pattern Recognition. IEEE， 2019：4561-4570.
［10］ LI Y， WANG G， JI X Y， et al. DeepIM： Deep iterative matching for 6D pose estimation［C］// Proceedings of 2018 IEEE European Conference on Computer Vision. IEEE， 2018：683-698.
［11］ PARK K， PATTEN T， VINCZE M， et al. Pix2Pose： Pixel-wise coordinate regression of objects for 6D pose estimation［C］// Proceedings of 2019 IEEE International Conference on Computer Vision. IEEE， 2019：7667-7676.
［12］ WANG C Y， LIAO H Y M， WU Y H， et al. CSPNet： A new backbone that can enhance learning capability of CNN［C］// Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. IEEE， 2020：390-391.
［13］ WANG C Y， BOCHKOVSKIY A， LIAO H Y M. YOLOv7： Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］// Proceedings of 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. IEEE， 2023：7464-7475.
［14］ LIN T Y， DOLLAR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］// Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2017：2117-2125.
［15］ VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. ACM， 2017：6000-6010.
［16］ FENG Z H， KITTLER J， AWAIS M， et al. Wing loss for robust facial landmark localisation with convolutional neural networks［C］// Proceedings of 2018 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2018：2235-2245.
［17］ LEPETIT V， MORENO-NOGUER F， FUA P. EPnP： An accurate O（n） solution to the PnP problem［J］. International Journal of Computer Vision， 2009，81（2）：155-166.
［18］ HINTERSTOISSER S， LEPETIT V， RAJKUMAR N， et al. Going further with point pair features［C］// European Conference on Computer Vision. Springer， 2016：834-848.
［19］ BRACHMANN E， MICHEL F， KRULL A， et al. Uncertainty-driven 6D pose estimation of objects and scenes from a single RGB image［C］// Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2016：3364-3372.
［20］ HODAŇ T， MATAS J， OBDRŽÁLEK Š. On evaluation of 6D object pose estimation［C］// European Conference on Computer Vision. Springer， 2016：606-619.
［21］ KEHL W， MANHARDT F， TOMBARI F， et al. SSD-6D： Making RGB-based 3D detection and 6D pose estimation great again［C］// Proceedings of 2017 IEEE International Conference on Computer Vision. IEEE， 2017：1521-1529.
［22］ RAD M， LEPETIT V. BB8： A scalable， accurate， robust to partial occlusion method for predict ingthe 3D poses of challenging objects without using depth［C］// Proceedings of 2017 IEEE International Conference on Computer Vision. IEEE， 2017：3828-3836.
［23］ ZAKHAROV S， SHUGUROV I， ILIC S. DPOD： 6D pose object detector and refiner［C］// 2019 IEEE/CVF International Conference on Computer Vision. IEEE， 2019：1941-1950.
［24］ LI Z G， WANG G， JI X Y. CDPN： Coordinates-based disentangled pose network for real-time RGB-based 6-DoF object pose estimation［C］// 2019 IEEE/CVF International Conference on Computer Vision. IEEE， 2019：7677-7686.
［25］ WANG G， MANHARDT F， TOMBARI F， et al. GDR-Net： Geometry-guided direct regression network for monocular 6D object pose estimation［C］// Proceedings of 2021 IEEE International Conference on Computer Vision and Pattern Recognition. IEEE， 2021：16611-16621.
［26］ WANG G， FABIAN M， LIU X Y， et al. Occlusion-aware self-supervised monocular 6D object pose estimation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021，46（3）：312-341.
［27］ CHEN H Z， MANHARDT F. TexPose： Neural texture learning for self-supervised 6D object pose estimation［C］// Proceedings of 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2023：4841-4852.

[1]	贾涛1, 吴月超2, 吕洋2, 付文龙3. 基于改进YOLOv8-EDD的光伏板缺陷检测[J]. 计算机与现代化, 2025, 0(09): 43-49.
[2]	苏衍森, 牟莉. 改进YOLOv8的课堂行为检测算法[J]. 计算机与现代化, 2025, 0(08): 76-81.
[3]	李子贺, 王一丁. 不同视角三维人体关键点动作相似度计算[J]. 计算机与现代化, 2025, 0(07): 63-68.
[4]	郝荣荣1, 马巧梅1, 谭亚军1, 石桓印2. 基于可变形卷积与注意力机制的复杂火灾检测[J]. 计算机与现代化, 2025, 0(06): 79-85.
[5]	唐锐1, 武建超1, 陈剑波1, 柴江1, 王迁1, 何雨辰2. 基于GiraffeDet的改进YOLOv8s输电线路覆冰检测[J]. 计算机与现代化, 2025, 0(03): 6-11.
[6]	何飞熊1, 谢海巍1, 蒲超2, 邹传铭2, 贾艺璇1. 基于改进YOLOv8网络的道路病害检测方法[J]. 计算机与现代化, 2025, 0(02): 108-113.
[7]	刘飞, 杨德刚, 章鑫, 秦静. 基于YOLOv8改进的水下目标检测算法[J]. 计算机与现代化, 2025, 0(01): 113-119.
[8]	谷岳, 邓松峰, 沈霁, 穆文涛, 赵恩棋. 基于改进YOLOv8的SAR舰船目标检测算法[J]. 计算机与现代化, 2024, 0(12): 78-83.
[9]	陈凯1, 李宜汀1, 2, 全华凤1 . 基于改进YOLOv8的河道废弃瓶检测方法[J]. 计算机与现代化, 2024, 0(11): 113-120.
[10]	张泽1, 张建权2, 3, 周国鹏2, 3. 基于改进YOLOv8s的摄像头模组缺陷检测[J]. 计算机与现代化, 2024, 0(09): 107-113.
[11]	马永, 王俊, 张子健, 赵煜阳, 张靖, 周明. 面向智慧运维系统的改进YOLOv8行为检测算法[J]. 计算机与现代化, 2024, 0(08): 43-48.
[12]	乔善宝, 高永彬, 黄勃, 余文俊. 基于条件卷积与极化自注意力的单目深度与位姿估计[J]. 计算机与现代化, 2023, 0(02): 34-39.

配网旁路作业机器人目标位姿估计方法

Target Pose Estimation Methods for Distribution Network Bypass Operation Robots

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 12

编辑推荐

Metrics

本文评价