Projekt systemu robotycznego do inspekcji wnętrza rur (IPIRS) z integracją YOLOv8–LSTM do nawigacji w czasie rzeczywistym

Roboty wewnątrz rur

Codziennie rozległe sieci zakopanych rur dyskretnie dostarczają ropę, gaz i wodę, od których zależy współczesne życie. Wiele z tych rurociągów jest stare, trudne do osiągnięcia i niebezpieczne do inspekcji ręcznej. W niniejszym badaniu przedstawiono nowy rodzaj robota — na tyle małego, by pełzać wewnątrz rur — który wykorzystuje zaawansowaną wizję z kamery oraz oprogramowanie predykcyjne, by samodzielnie poruszać się po zakrętach, łukach i rozwidleniach, wykrywając problemy zanim staną się katastrofą.

Dlaczego przegląd wnętrza rur jest tak trudny

Ukryte rurociągi ciągną się setkami kilometrów pod ulicami, polami i zakładami. Z czasem mogą ulegać korozji, pękać lub zatykać się, prowadząc do wycieków, pęknięć lub blokad. Tradycyjne kontrole polegają na opuszczaniu kamer lub urządzeń do studzienek przez ludzi — to praca powolna i ryzykowna, która nadal pomija wiele usterek. Wcześniejsze roboty rurowe poprawiły bezpieczeństwo, ale miały problemy z ostrymi zakrętami i zmiennymi średnicami rur. Ich koła mogły się ślizgać, blokowały się w rozwidleniach, a proste kamery nie potrafiły dobrze interpretować obserwowanego obrazu, by samodzielnie się prowadzić lub wcześnie ostrzegać operatorów o pojawiających się problemach.

Elastyczny robot zaprojektowany do ciasnych przestrzeni

Naukowcy zaprojektowali system inspekcji wewnątrz rur, nazwany IPIRS, przeznaczony specjalnie do wąskich rur o średnicy od 10 do 15 centymetrów. Kadłub robota składa się z czterech krótkich modułów połączonych przegubami ze sprężynami. Przeguby te dociskają koła delikatnie do ścianek rury, pomagając robotowi w utrzymaniu przyczepności podczas zginania rury lub zmiany jej średnicy. Moduły przedni i tylny zawierają małe silniki, które sterują i regulują postawę robota, co pozwala mu radzić sobie z ostrymi zakrętami i skrzyżowaniami typu T. Na pokładzie znajduje się kamera mierząca głębię, patrząca przed siebie, a także czujnik ruchu śledzący pochylenie, obrót i przyspieszenie robota, dostarczając surowych danych dla jego „cyfrowego mózgu”.

Nauka widzenia i przewidywania

Aby przekształcić surowe obrazy z kamery w użyteczne rozumienie, zespół zastosował nowoczesną metodę widzenia znaną jako YOLOv8. Trenowana na tysiącach oznakowanych obrazów z realistycznych symulacji komputerowych, ta sieć potrafi natychmiast wykrywać kluczowe cechy rur, takie jak zakończenia, wyloty i różne kształty rozwidleń w miarę poruszania się robota. W testach poprawnie rozpoznawała te struktury z bardzo wysoką dokładnością, osiągając około 98% według standardowej miary jakości detekcji oraz ogólny współczynnik F1 równy 0,95. Oznacza to, że w większości przypadków robot dokładnie wie, jaki rodzaj elementu rury znajduje się przed nim i gdzie on występuje na obrazie.

Przewidywanie siły potrzebnej do zachowania stabilności

Samodzielne widzenie nie wystarcza: kiedy robot wchodzi w zakręt lub sekcję z rozgałęzieniem, siły działające na jego przeguby i koła zmieniają się szybko. Jeśli silniki zareagują za późno, robot może chwiać się, ślizgać lub zablokować. Aby temu przeciwdziałać, badacze dodali drugie narzędzie uczące — sieć LSTM, która analizuje krótkie historie odczytów z czujników ruchu i wysiłków silników, aby przewidzieć, ile momentu obrotowego będzie potrzebne w następnej chwili. Ta przewidziana wartość jest następnie łączona ze standardową pętlą sterowania pozycją przegubów, pozwalając robotowi delikatnie zwiększyć moment zanim pojawi się problem. W symulacjach błędy predykcji były wyjątkowo małe, co wskazuje, że model potrafi przewidzieć, jak mocno silniki powinny pracować, aby utrzymać płynność ruchu.

Testy systemu w wirtualnych rurach

Zanim zbudowano sprzęt, zespół stworzył szczegółowego cyfrowego bliźniaka sieci rur, wykorzystując Robot Operating System oraz symulatory oparte na fizyce. Wirtualne środowisko obejmowało odcinki proste, zakręty, pionowe wspinaczki i kilka typów rozwidleń. Tam mogli bezpiecznie zbierać dane z kamer i czujników, trenować modele, a następnie przeprowadzać pełne próby systemu. Połączenie modułów percepcji i predykcji pozwoliło robotowi rozpoznawać nadchodzące struktury, planować sposób ich pokonania oraz w czasie rzeczywistym dostosowywać swoją postawę i wysiłek silników, jednocześnie przestrzegając ograniczeń prędkości kół i momentu obrotowego. Kontrole statystyczne wykazały, że zarówno komponent widzenia, jak i predykcji zachowywały się niezawodnie w wielu przebiegach testowych, mimo przewidywalnych pomyłek przy najbardziej wzrokowo podobnych typach rozwidleń.

Znaczenie dla bezpieczniejszych rurociągów

Badanie pokazuje, że połączenie elastycznej konstrukcji mechanicznej ze sprytną wizją i sterowaniem predykcyjnym może uczynić roboty rurowe znacznie bardziej zdolnymi niż wcześniejsze projekty. W symulacji IPIRS nawigował po skomplikowanych układach rur, jednocześnie dokładnie rozpoznając elementy konstrukcyjne i przewidując, jak ciężko powinny pracować jego silniki — kombinacja, która poprawia stabilność i toruje drogę do rzeczywistej autonomii. Chociaż jak dotąd prace były prowadzone w środowisku wirtualnym, a prawdziwe rury wniosą dodatkowe wyzwania, takie jak rdza, woda i zanieczyszczenia, wyniki sugerują jasną ścieżkę ku kompaktowym robotom inspekcyjnym, które nie tylko widzą problemy wewnątrz zakopanych rurociągów, lecz także myślą z wyprzedzeniem, by uniknąć zakleszczenia i zwiększyć bezpieczeństwo krytycznej infrastruktury.

Cytowanie: Elkholy, H., Meligy, R., Bassiuny, A.M. et al. Design of an in-pipe inspection robotic system (IPIRS) with YOLOv8–LSTM integration for real-time in-pipe navigation. Sci Rep 16, 9658 (2026). https://doi.org/10.1038/s41598-026-42181-z

Słowa kluczowe: inspekcja rurociągów, robot do pracy wewnątrz rur, nawigacja autonomiczna, wizja komputerowa, sterowanie predykcyjne