Проект робота для инспекции внутри труб (IPIRS) с интеграцией YOLOv8–LSTM для навигации в трубах в реальном времени

Роботы внутри труб

Каждый день обширные сети скрытых труб тихо поставляют нефть, газ и воду, от которых зависит современная жизнь. Многие из этих труб стареют, находятся в труднодоступных местах и представляют опасность при ручной проверке. В этом исследовании представлен новый тип робота — достаточно маленького, чтобы ползать внутри труб — который использует передовое камерное зрение и предиктивное программное обеспечение для самостоятельного продвижения через изгибы, повороты и ответвления, одновременно обнаруживая проблемы до того, как они перерастут в катастрофу.

Почему заглянуть внутрь труб так трудно

Скрытые трубопроводы тянутся на сотни километров под улицами, полями и заводами. Со временем они могут корродировать, трескаться или засоряться, что приводит к утечкам, прорывам или засорам. Традиционные проверки полагаются на людей, спускающих камеры или приборы в колодцы — медленная и рискованная работа, которая при этом все равно пропускает многие дефекты. Ранние роботы для труб повысили безопасность, но испытывали трудности на крутых изгибах и при смене диаметра трубы. Их колеса могли проскальзывать, они застревали в разветвлениях, а их простые камеры не могли достаточно хорошо интерпретировать увиденное, чтобы самостоятельно ориентироваться или заранее предупреждать операторов о появляющихся проблемах.

Гибкий робот, созданный для узких пространств

Исследователи разработали систему инспекции внутри труб, или IPIRS, специально предназначенную для узких труб диаметром от 10 до 15 сантиметров. Корпус робота состоит из четырех коротких модулей, соединенных пружинными шарнирами. Эти шарниры мягко прижимают колеса к стенкам трубы, помогая роботу удерживать сцепление при изгибах или изменении диаметра. Передний и задний модули содержат небольшие моторы, которые управляют направлением и корректируют позу робота, позволяя ему справляться с резкими поворотами и Т‑образными разветвлениями. На борту глубинная камера смотрит вперед, а датчик движения отслеживает наклоны, повороты и ускорения робота, предоставляя исходные данные для его «цифрового мозга».

Обучение робота видеть и предвидеть

Чтобы превратить сырые изображения с камеры в полезное понимание, команда использовала современный метод зрения под названием YOLOv8. Обученный на тысячах размеченных изображений из реалистичных компьютерных симуляций, этот алгоритм может мгновенно обнаруживать ключевые элементы трубы, такие как окончания, выходы и различные формы разветвлений по мере движения робота. В испытаниях он с очень высокой точностью идентифицировал эти структуры, достигая около 98% по стандартной метрике качества детекции и общего сбалансированного показателя точности и полноты (F1‑score) равного 0.95. Это означает, что в большинстве случаев робот точно знает, какой тип конструкции трубопровода находится впереди и где она расположена в изображении.

Прогнозирование усилий, необходимых для стабильности

Одного зрения недостаточно: когда робот входит в изгиб или участок с ответвлением, силы на его шарниры и колеса быстро меняются. Если моторы реагируют с опозданием, робот может раскачиваться, скользить или заедать. Чтобы решить эту проблему, исследователи добавили второй обучаемый компонент — LSTM‑сеть, которая анализирует короткие последовательности данных с датчиков движения и текущих усилий моторов, чтобы предсказать, сколько силы потребуется в следующий момент. Это прогнозируемое усилие затем смешивается со стандартной управляющей петлей позиционирования шарниров, позволяя роботу тонко корректировать крутящий момент до возникновения проблемы. В симуляциях ошибки прогнозирования были крайне малы, что указывает на способность модели предвидеть, насколько сильно должны работать моторы для поддержания плавного движения.

Проверка системы в виртуальных трубах

Прежде чем собирать аппаратную часть, команда создала подробного цифрового двойника сети труб с использованием Robot Operating System и физически обоснованных симуляторов. В виртуальной среде были представлены прямые участки, изгибы, вертикальные подъемы и несколько типов разветвлений. Здесь можно было безопасно собирать данные с камер и датчиков, обучать модели и запускать полнофункциональные испытания системы. Совместная схема восприятия и прогнозирования позволяла роботу распознавать предстоящие структуры, планировать прохождение через них и в реальном времени корректировать позу и усилия моторов, при этом соблюдая ограничения по скорости колес и крутящему моменту. Статистические проверки показали, что компоненты зрительного распознавания и прогнозирования ведут себя надежно в многочисленных тестах, несмотря на предсказуемую путаницу в наиболее визуально схожих типах разветвлений.

Что это означает для безопасности трубопроводов

Исследование демонстрирует, что сочетание гибкой механической конструкции с интеллектуальным зрением и предиктивным управлением может сделать роботов для инспекции внутри труб значительно более способными, чем ранние модели. В симуляциях IPIRS успешно проходил сложные макеты труб, точно распознавая структурные элементы и прогнозируя, насколько интенсивно должны работать его моторы — комбинация, которая улучшает устойчивость и прокладывает путь к истинной автономии. Хотя пока работа выполнена в виртуальной среде и реальные трубы добавят дополнительные сложности — ржавчину, воду и мусор, — результаты указывают на ясную дорогу к компактным инспекционным роботам, которые не только видят проблемы внутри скрытых трубопроводов, но и думают наперед, чтобы не застрять и повысить безопасность критической инфраструктуры.

Цитирование: 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

Ключевые слова: инспекция трубопроводов, робот для внутри труб, автономная навигация, компьютерное зрение, предиктивное управление