露天矿山无人驾驶运输技术现状及发展趋势研究

2022-06-28庞春霖黄丽莎赵梓澄

煤炭工程 2022年6期

张晞，梁斌，于淼，庞春霖，彭阳，黄丽莎，赵梓澄

(1.中国矿业大学(北京)，北京 100083；2.煤矿智能化与机器人创新应用应急管理部重点实验室，北京 100083；3.车载信息服务产业应用联盟，北京 100040)

1 露天矿运输安全风险分析及研究现状

随着浅部资源的逐渐稀少，各矿山陆续转为深部凹陷开采，边坡垂直高度不断增大，延长运输距离的同时也增大了滑坡及边坡倾倒滑移等地质灾害发生的概率。露天矿区运输与一般道路运输不同，环境恶劣扬尘大、道路狭窄弯道多、路面坑洼不平整；运输车辆车体宽盲区大，对驾驶员资质要求高；而部分矿区位于超深度、高海拔区域使得安全风险更高。此外各矿山企业普遍存在用工难、用工成本高等问题，无人驾驶的应用恰能有效缓解人力供给不足导致的产能迟滞，还有利于各企业根据市场需求灵活调整产能。而矿区运输运行路线固定、道路封闭等特点更为无人驾驶在该领域的应用提供了便利[1]。

自20世纪70年代国内外就开始对矿山自动化开展研究。目前小松生产制造的930E无人驾驶矿车车队已在澳大利亚和智利投入使用，实现了无人装载、运输和卸载循环的自动化。2020年日立建机于澳大利亚Whitehaven煤矿实现了EH5000AC3完全无人驾驶矿车车队商业运行。自2013年智慧矿山建设被提出以来我国煤矿智能化建设快速推进，现已有包括北方重汽、三一集团、中国重汽等多家企业具备试制无人矿车的能力。2018年11月，徐工集团在上海宝马车展上展出自制的无人矿车。总体而言我国矿用无人驾驶正处于系统编组试验阶段，2020年1月包钢集团白云鄂博铁矿牵头发布的团标正式实施，填补了我国露天矿无人驾驶运行安全标准体系的空白，中国信息通信研究院联合慧拓等编制的团体标准也于2021年1月发布。我国露天矿无人驾驶正在朝着成熟化、规模化不断趋近。

根据矿山运输的工作需求，可将无人驾驶技术根据具体功能分为以下几项技术：环境感知技术、定位导航技术、路径规划技术、决策控制技术、线控技术、通讯网络及调度技术。无人驾驶关键技术框架如图1所示。

图1 无人驾驶关键技术框架

2 环境感知技术现状

矿区环境复杂、载运车辆过大导致驾驶员视野受阻是运输车辆发生事故的主要原因，使用环境感知技术进行观察能有效改善这一情况。

2.1 单一传感器的环境感知

常见的环境感知手段有激光雷达、毫米波雷达、超声波传感器、红外传感器、视觉传感器及4D光场智能感知系统等。各传感器工作性能对比见表1。

表1 各传感器工作性能对比

激光雷达在测距、测速及跟踪时有较高的精度，具有探测数据多、分辨率高及抗干扰能力强等优点。但成本较高，受天气影响大，波束极窄，在采集过程中可能损失目标轮廓、纹理等信息。

毫米波雷达测量精度高，与激光雷达相比穿透性强，环境适应性强[2]。但易受雷达内部工作性能不稳定、金属物干扰、回波能量不均匀等因素影响而出现无效或虚假感知。毫米波雷达是在露天矿场景中最可靠且最具有发展前景的环境感知技术，与其他传感技术融合时具有很强的优越性。

视觉传感器突出的优势是可以通过扩展数据库识别新的目标，此外还具有能准确提取目标三维轮廓、探测范围广等优势。但其性能受光线影响较大，在扬尘较大的露天矿环境中测量准确性更加受限，可利用其在障碍物识别上的优势辅助提升系统整体性能。

红外传感器在夜间及恶劣天气条件下优势最为明显，但测距和测速精度低，单独使用无法满足露天矿运输车辆实时避障的需求，主要用于辅助提高系统在昏暗环境中的感知性能。

超声波雷达较激光雷达和毫米波雷达成本最低，但分辨能力弱，检测精度低。它最根本的问题是测距过近，仅为4～5m，而露天矿无人驾驶理想测距范围为20m，单独使用无法保障安全性。

4D光场智能感知系统能一体化获取2D及3D信息，无需进行数据融合匹配，有效提高了感知效率及可靠性，环境适应性强。但其仍存在光学采集的固有缺点：在绝对遮挡的情况下无法工作。光场技术是近年来众多科技巨头争相布局的热门，要实际运用到露天矿运输中，还需针对设备小型化和低功耗化等问题加强研究。

综上所述，各传感器各有利弊，单独使用能一定程度满足环境感知需求，但对于安全性要求较高的露天矿运输场景，还需进一步提高系统准确性、实时性及稳定性等。当前最有效且最常用的方法就是多传感器融合。

2.2 多传感器融合的环境感知

将不同传感器所获数据利用联合概率数据关联等算法进行融合处理以提高数据准确性，达到统计学上的最佳效果，是目前常见的提升感知系统性能的思路。如毫米波雷达分辨率较激光雷达低，可使用激光雷达采集数据对毫米波雷达采集数据进行替换更新，从而有效提高分辨率[3]。多传感器融合主要有两种策略：前融合和后融合。后融合为每个传感器独立处理各自所获目标信息后，由主处理器进行数据融合并输出最终结果的算法。而前融合则是将各传感器所获原始目标数据同步，而后通过感知算法对融合后的多维综合数据进行感知，从而达到端到端的目标识别效果。前融合算法结构原理如图2所示，后融合算法结构原理如图3所示。

图2 前融合算法结构原理

图3 后融合算法结构原理

前融合算法是现在各高校、研究所的主要研究方向，也是无人驾驶的未来。后融合算法各自独立生成目标数据后再进行融合，过滤低置信度信息，因此主处理器需处理数据量小，能获得较好的实时性，但这也造成原始数据损失，而损失的低置信度原始数据往往可通过数据融合用于提高置信度。另外，不同传感器生成数据帧率可能差距极大，在空间上难以匹配，从而牺牲鲁棒性。而前融合算法各传感器采集数据在传输过程中没有发生损失，能够得到更高的感知精度，但也因为传输数据量较大，实时性有所下降。未来还需对如何通过改进融合方式来提高算法鲁棒性、感知精度尤其是实时性进一步加强研究。

如激光雷达与相机的融合，当前大多数基于多传感器融合的目标识别算法都是将视觉获取方案和激光点云2D获取方案集成在一个网络中，由于激光雷达采集的三维点云数据与相机获取的图像数据帧率差距非常大，难以进行匹配，因此传统的后融合算法鲁棒性较弱，也难以实现实时处理。针对这一问题，可以通过改用前融合的方法来解决，Caltagirone L等提出先将点云投影到相机图像上，通过上采样获取编码空间信息的密集2D图像的方法。Liu H.等提出通过引入金字塔投影方法来提高多尺度激光雷达图生成精度的方法。

3 定位导航技术现状

定位导航技术用于获取车辆的位置、行驶方向、速度、姿态等信息。露天矿运输道路坑洼不平，车辆易发生颠簸、偏离，对定位系统的精度要求更高。常用的定位导航技术有惯性导航系统、GNSS差分定位技术、SLAM技术等。

3.1 常用定位导航技术

惯性导航系统可实现全天候、全时段、各种工作环境下的稳定实时高精度定位。但其经积分产生，因此使用越久，误差越大，精度也越低，且价格高昂。矿山企业对于无人化升级关心的一大问题就是成本，因此需要价格更加低廉并能保障精度及稳定性需求的定位导航技术。

GNSS差分定位技术具有全天候、全方位的特点，抗干扰能力强。虽也存在误差，但可通过设置基准站的差分定位方式来提高精度。自我国北斗卫星导航系统正式开始提供区域服务，GNSS定位精度进一步提高，可达厘米级，具有巨大的发展优势，笔者认为可作为定位导航技术的重点研究方向。

即时定位与地图构建技术即SLAM技术是当前主流的定位技术，根据实现形式可分为激光SLAM、视觉SLAM等，具有定位质量不依托于基准图、可融合多种传感器、环境适应性强、定位精度高等优点，激光SLAM精度可达厘米级，具有广阔的应用前景。经典SLAM系统主要包含三个部分：定位、建图、闭环，在行驶过程中它会实时感知环境信息并构建局部地图，将局部地图与已有的全局地图相关联并对其实时更新从而实现定位，而闭环主要用于消除系统误差和测量噪声对系统造成的漂移。2019年提出的SuMa++是同时使用几何和语义信息的激光SLAM系统，较传统纯几何激光SLAM系统在动态物体较多的环境中表现出明显优势，且改善了鲁棒性和准确性。针对闭环问题，2020年提出的OverlapNet神经网络利用深度学习方式分析两帧激光点云间的重叠部分大小和相对偏航角，有效提高了系统建图精度及定位性能。

3.2 组合导航系统

为保障无人矿卡的行驶安全性，需提高定位导航技术的精度及稳定性，使用单一定位技术难以同时兼顾以上需求。因此推荐使用组合导航系统来获取车辆位置估计的最优解，实现运输路径的全局定位，有效提高系统的抗干扰、防故障能力，保证系统长期稳定运行。

GNSS和视觉SLAM组合导航定位技术是现在的常用组合，它们能够实现优劣互补，利用GNSS抑制视觉SLAM的误差累积，而GNSS稳定性差、易受干扰，利用视觉SLAM能有效克服外部遮挡及干扰对GNSS系统定位性能的影响。GNSS/双目VO松组合系统最早由Agrawal和Konolige在2006年提出，试验证明其性能优于纯视觉系统的定位性能[4]。为进一步提高该组合导航定位系统的精度及可用性，王磊等将影像中世界坐标系的已知特征点与GNSS测距信号进行紧耦合，提高了定位精度，在弱GNSS环境下仍能实现持续精确定位[5]。张奕然等利用深度学习技术，通过图像信息进行目标探测识别，从而优化系统的定位性能[6]。

此外，GNSS差分定位导航系统和惯性导航系统相融合也是现在许多学者的研究方向，利用GNSS的高精度弥补惯导的误差发散问题，利用惯导的自主性辅助GNSS实现持续定位导航，主要的问题是成本较高。随着我国北斗系统正式投入使用，我国各高校对基于北斗的组合导航系统及其滤波算法开展了深入研究。赵志鹏等提出一种基于矢量跟踪结构的深组合导航通道滤波器，能有效抑制载波频率剧烈变化对定位性能的不利影响[7]。

另外，还可通过路侧及车载多传感器融合感知的方式来辅助车辆定位，通过设置路侧感知单元与作业车辆的感知系统融合感知，从而实现装载与卸载区域的局部精确定位。路车多传感器融合的感知技术示意如图4所示。

图4 路车多传感器融合的感知技术示意图

4 路径规划技术现状

路径规划技术即保证车辆沿系统分析出的最优路径或次优路径安全稳定驶达目标位置的技术，根据对环境信息的把握程度可分为基于先验完全信息的全局路径规划和基于传感器信息的局部路径规划。全局路径规划主要保证车辆沿期望路径行驶，而局部路径规划则是在此基础上使车辆实现车道保持和动态避障等功能[8，9]。常用的路径规划技术有基于图搜索的路径规划算法、基于采样的路径规划算法、基于曲线插值的路径规划算法等。

4.1 常用路径规划算法

基于图搜索的路径规划算法根据已知的外界环境信息规划可行路径，主要有深度优先和广度优先两种途径。深度优先算法求解效率高但往往不是最优解。广度优先算法则相反，搜索到的第一条路径即为最短路径。经典的该类算法有Dijkstra算法、A*算法等。Dijkstra算法作为经典的广度优先算法，能保证路径最优性，但求解效率低。A*算法在广度优先基础上加入一个估价函数，能够在保证路径最优的同时有效提高规划效率。但由于矿山运输环境复杂、来往车辆及作业人员较多，简单的A*算法无法满足要求，所获取的最优路径易与障碍物相切，导致车辆与障碍物发生摩擦或碰撞。针对这一问题，提出了Voronoi图法，采用将相邻两障碍物连线取中垂线的方法代替A*算法直接取障碍物投影的方式，提高了路径安全性，但也使得规划路径相应延长。而针对动态环境下的路径规划问题又提出了D*算法及基于双重A*算法的移动机器人路径规划方法等。此外常见的基于图搜索的路径规划算法还有ARA*算法[10]、MHA*算法及DMHA*算法等。

基于采样的路径规划算法无需对状态空间的自由区域建模，算法效率高，但无法解决非完整约束的动力学问题。典型的该类算法有PRM算法和RRT算法，其中RRT算法实时性较好，在解决复杂环境中的路径规划问题时优势明显，但其生成的路径存在冗余节点且一定不是最优解，在某些工况下也无法保证路径确定性。为解决这一问题研究人员又基于两者提出了渐近最优的RRT*算法。RRT*的主要优化在于能够选择低代价节点的父节点进行扩展，使之有方向性地进行规划，通过不断迭代收敛寻得最优路径，但也导致效率降低。为此研究人员又提出了进一步提高收敛速度的informed-RRT*算法及针对动态环境中的路径规划问题改进设计的Risk-RRT算法等。

基于曲线插值的路径规划算法利用计算机辅助几何设计技术来实现路径的平滑优化，根据预先输入的约束条件对已知节点进行插值优化，能获得具有良好连续性的路径，但在多障碍物场景中表现较差，无法满足环境复杂的矿山运输场景的技术需求。常见的基于曲线插值的路径规划算法有多项式曲线、贝塞尔曲线及杜宾曲线等。其中杜宾曲线在二维坐标约束基础上增加yaw约束，并保证其变化连续，采用基于两定点(x，y，yaw)的方式，可将任意位置和航向角的两点平滑连接，被广泛应用于自动泊车等无人驾驶路径规划场景中。许多学者借鉴这一思路，通过在经典路径规划算法中增加yaw约束来改善算法所得路径的连续性及安全性。

4.2 组合路径规划算法

综上所述，对于路况复杂、安全性要求尤为苛刻的矿山运输场景来说，单独使用某一路径规划算法获得的实时性和安全性仍稍显逊色，可通过组合路径规划算法的方式来改善系统性能。现在普遍采用的组合路径规划思路是先规划、后优化。使用基于图搜索或基于采样的规划算法获得一条质量较高的原始路径，在此基础上使用基于插值的路径规划算法提高路径连续性及安全性，且由于原始路径质量较高，因此二次优化计算量小，系统仍能保证较好的实时性。

还可采用数值优化算法与A*算法等经典路径规划算法融合以优化原始路径的方法，将已知的环境信息及车辆性能参数等转化为约束条件，根据工况设置优化目标后进行求解并获得最优路径。约束可分为硬约束和软约束，即严格满足的约束和优先满足的约束。通过硬约束得到的路径一般能够满足安全要求，但可能会出现离障碍物过近或摩擦边界的情况，通过软约束能够使得路径尽可能远离障碍物边界，因此软约束优化是现在更加理想的优化方法。但软约束因为表现的是一种偏向，调参不到位可能会出现与障碍物相撞的问题，在进行算法设计时需加强注意。

5 决策控制技术现状

决策控制单元负责进一步处理采集信息并根据处理结果控制车辆油门、刹车及方向盘等，从而指导车辆行为，可分为纵向控制和横向控制。纵向控制主要用于控制车辆的车速信息，而横向控制指路径跟踪，即通过转向控制使车辆安全无碰撞地沿期望路径行驶。

由于车辆运输作业时基本保持低速行驶，横向控制主要考虑车辆运动学约束影响。主要的路径跟踪方法有：纯跟踪算法、PID控制方法、模型预测控制算法、模糊控制方法等。

多数研究采用模糊控制算法对车辆进行横向控制，但该方法所得反馈信号存在滞后现象，难以保证车辆按期望路径行驶。PID控制方便可靠且具有闭环特性，但对于非线性、高耦合的无人驾驶系统难以实现系统处理，鲁棒性较差。许多研究人员通过优化传统的PID控制方法，在航向反馈控制中根据偏差调整微分及积分作用的强弱，从而获得更好的跟踪性能及适应性。现在更热门的研究方向为模型预测控制和基于预瞄的路径跟踪控制。

5.1 模型预测控制

模型预测控制算法能有效解决多变量、多约束系统的控制问题。P.Falcone研究了基于车辆非线性及线性模型的模型预测控制器分别的性能表现[11]。传统模型预测算法基于时间建立预测模型，其输出的转向角变化曲线较为粗糙，平滑性不足，导致转向系磨损严重[12，13]。马浩楠等提出一种改进的空间模型预测控制算法，将传统的基于时间的车辆运动学模型转换为基于空间的偏差模型，优化目标函数，从而有效提高路径跟踪的精确性和平稳性[14]。但模型预测控制算法在道路突变情况下易发生跟踪超调，影响路径跟踪准确性及稳定性。

5.2 基于预瞄的路径跟踪控制

基于预瞄的路径跟踪控制方法将预先规划好的期望路径轨迹点储存在轨迹跟踪器及方向、速度控制器中，通过环境感知系统和车速检测系统等获取车辆实时坐标及行驶方向等信息，与期望路径进行相似性确定，依据分析结果调整车辆的运动轨迹、姿态及速度。该方法能有效解决路径突变等复杂情况下车辆易发生控制超调的问题，保证行驶稳定性和安全性。露天矿运输作业区域较为封闭，运输车辆具有组织性，行驶路线较为固定，行驶速度较为稳定，恰有利于基于预瞄的路径跟踪控制方法的应用。

综上所述，基于预瞄的路径跟踪算法恰能弥补模型预测控制方法在路径曲率过大时的超调问题，因此将两者结合以改善算法性能是常见的优化思路。孟宇等构建基于预瞄距离的MPC控制器，经验证改善了跟踪精度及稳定性[15]。

其控制流程如图5所示，ξkin为运动学模型的状态输入量，xf、yf、θf、γf分别为车体前桥中点的x坐标、y坐标、航向角度值及转向角度，ukin为控制输出量，vf、ωγ分别为前车架参考速度及车辆转向角速度。

图5 基于预瞄距离的MPC控制器路径跟踪控制原理

在实际应用场景中，为应对不同的行驶状况、获得最佳的行驶效率，必定需要对车辆的行驶方向和车速进行全面控制，需要将横纵向控制相结合，以实现对无人矿用车辆行为的精确操纵。矿卡横纵向控制原理示意如图6所示。

图6 矿卡横纵向控制原理示意图

6 线控技术现状

线控技术是代替驾驶员操纵车辆的技术，传感器将车辆转向、制动、油门、货箱举升等动作转换为电信号，经由电缆操纵执行机构。它具有很高的精度和可靠性，是当前主流的控制方案，根据技术路线可分为前装线控和后装线控。

前装线控即为出厂前主机厂对自产的矿用工程车进行线控化改造升级，而后装线控为出厂后。前者易实施但不便于规模化复制，后者便于对已投入使用的矿用工程车进行规模化线控升级。露天矿山运输车辆主要包括大型矿用卡车与小型宽体自卸车。大型矿卡价格高昂，可达几百万到几千万不等，使用寿命可达十五年左右，对于矿区已投入使用的矿卡一般采用后装的方式，而新购矿卡多采用前装方式。而小型宽体自卸车，一般成本相对较低，使用寿命较短，从无人化改造的成本角度考虑，一般只对新购车辆进行前装的线控改造方式。

7 通讯网络及调度

要实现无人矿卡安全可靠运行，还需配备稳定且高速的无线通讯系统用于信号放大和传递，而露天矿生产计划的实施还需要合理的车流分配调度才能完成。

7.1 通讯网络平台

为保证无人矿卡自身及外部信息得到实时处理，需配备无线通讯系统并在作业区域内搭建基塔。基于准确性、可靠性需求，露天矿无线通讯系统设置多制式、多冗余通道。常用通讯制式包括LTE/WIFI/5G等，一套系统至少使用2种制式，一种制式至少开通2条通道。在常用的通讯技术中，5G通信技术是现在最热门的技术，它最显著的特点是高速率、低时延、大容量。已知无人矿卡所需网络时延为20～30ms(端到端)，带宽上行需10～14Mbps/台，而5G通信技术的最高理论数据传输速率可达每秒数；空口时延可低至1ms，可靠性高达99.999%，能够满足露天矿无人运输需求。2019年6月全球首个无人矿卡编组的5G+应用在白云鄂博矿区发布，实现了矿卡车辆的无人驾驶。5G技术是建立安全稳定露天矿无人驾驶系统的关键和核心，未来应在煤矿生产运输中重点推广。

7.2 矿用卡车分配调度

合理的矿卡分配调度对减少露天矿运输成本、提高运输效率有重要的意义。当前，国外常利用仿真模拟进行车流分配调度模型的构建。Patterson[16]等以减少车辆排队时间为目标构建了车流分配调度模型；J.B.Mendes[17]等提出一种动态矿卡调度的多目标遗传算法，能有效提高调度效率。国内多采用精确算法求解单目标车流分配调度模型，采用启发式算法求解多目标车流分配调度模型，其中最常用且有效的方法为通过改进遗传算法求解。郭天中[18]采用模拟退火算法对遗传算法改进优化，得到了更高质量的露天矿卡车流调度全局最优解。

总体而言，目前关于露天矿卡车分配调度模型的研究主要以单目标模型为主，对多目标模型的理论研究还较少，且随着露天矿山无人运输的不断发展，传统的分配调度模型已不再适用，应加强针对无人矿卡车流调度的研究。