<legend id="mskac"><i id="mskac"></i></legend>
<strong id="mskac"></strong>

    1. <legend id="mskac"></legend>
      <span id="mskac"><output id="mskac"></output></span>
    2. <legend id="mskac"><i id="mskac"></i></legend>

      <ruby id="mskac"><i id="mskac"></i></ruby>
    3. <ol id="mskac"><output id="mskac"></output></ol>
        • (010)84657853 84658665 84657900
        • mt@zgmt.com.cn
        • 北京市朝陽區芍藥居35號中煤信息大廈(100029)

        ★ 智慧礦山 ★

        礦用無人卡車國內外研究現狀及關鍵技術

        丁 震1,2 孟 峰1,2

        (1.國家能源集團煤炭產業中心,北京市東城區,100011;2.中國神華能源股份有限公司煤炭產業中心,北京市東城區,100011)

        摘 要 分析了國內外露天礦山用卡車無人駕駛技術發展現狀,詳細介紹了露天礦山卡車無人駕駛關鍵技術;通過分析對比前裝線控和后裝線控兩種技術路線的優缺點以及超聲波雷達、毫米波雷達、激光雷達、4D光場智能感知系統、紅外傳感器、視覺傳感器等環境感知技術的優缺點;提出多傳感器高度融合將是露天礦山卡車實現全天候環境感知的發展方向。通過分析對比慣性導航系統、GNSS差分定位技術、車聯網定位技術、電子地圖定位技術、視覺傳感器等定位導航技術的差異,指出多定位技術融合是露天礦山無人駕駛卡車定位方式的必然選擇。結合露天煤礦的生產實際,提出將現有的無人駕駛各種技術算法與露天礦山標準作業流程有機融合是實現卡車無人駕駛的必由之路。最后指出無人駕駛卡車應用 5G 技術是露天礦山安全生產的關鍵和核心,是無人駕駛的必備技術。

        關鍵詞 露天礦山 礦用卡車 無人駕駛 4D光場 環境感知 導航定位

        目前,露天礦山普遍面臨用工難和用工成本高的問題。據統計,我國露天礦山使用的百噸級以上礦用自卸卡車超過2000臺,按照勞動法規定每周工作不超40 h計算,每臺卡車按照配備4.2名司機計算,全國2000輛車需要人工為8400人。由于大多礦山均遠離市區,加之礦區運輸工作環境惡劣,且現有司機老齡化嚴重,社會人員從業意愿低,即便招工培養出徒也需要一定的周期,導致卡車司機緊缺。據不完全統計,1名百噸級礦用卡車司機1年的工資和社保等各種費用超過20萬元/a,1輛卡車人工費用超過84萬元/a。在露天礦山的運輸中,卡車司機駕駛工作不僅枯燥而且存在著危險,駕駛員需要時刻關注環境的變化,尤其夜間還需要克服自身疲勞、大意等身體局限?;诖?,大力發展露天礦山卡車無人駕駛技術具有重要的現實意義。

        1 國內外露天礦山卡車無人駕駛現狀

        1.1 露天礦山卡車無人駕駛技術

        露天礦山無人駕駛技術由駕駛環境感知、路徑規劃和車輛控制等技術集合而成。無人駕駛車輛的功能總體結構可以分為感知層、任務規劃層、行為執行層和運動規劃層等[1]。首先通過裝備感知傳感器實現礦用卡車對環境感知,再由基于GPS定位的卡車調度系統為每輛車指定裝載點及卸料點的位置和規劃運輸路線,然后卡車通過接收無線指令到達裝有GPS的挖掘機裝載點進行裝載,最后卡車按照規劃路線運行至卸料點進行卸料。露天煤礦卡車無人駕駛流程如圖1所示。

        圖1 露天煤礦卡車無人駕駛流程

        1.2 國外礦用卡車無人駕駛現狀

        礦用卡車無人駕駛技術始于20世紀70年代,由于受到當時信息化和自動化技術的限制,進展相對緩慢。進入21世紀,以卡特公司的“Mine Star”系統和小松公司的“AHS”系統為代表的卡車無人駕駛技術進展加快,并在巴西淡水河谷公司、澳大利亞所羅門鐵礦等礦山進行了無人駕駛卡車的試驗和應用情況。

        1.2.1 “Mine Star”系統

        “Mine Star”系統由車輛管理系統(Fleet)、生產現場管理系統(Terrain)、安全探測系統(Detect)、設備診斷系統(Health)與調度協同指揮系統 (Command)5個功能模塊組成。車輛管理系統能夠提供實時的設備跟蹤,按作業計劃分配車輛及利用率統計管理。生產現場管理系統能對挖掘、裝載、排土等作業進行精細管理。安全探測系統依靠環境感知探測器與報警系統用于輔助操作避免發生碰撞。設備診斷系統能夠顯示設備運行狀況及運行數據,實現對設備診斷分析并實時上傳數據?!癕ine Star”系統的各個功能模塊相關數據和信息可以共享,實現卡車裝載、運輸、卸載等環境信息感知以及車輛裝載點、卸載點、行駛路徑的規劃。

        20世紀 80年代末,卡特公司研制首臺自動化礦用卡車,1996年研制了第一輛無人駕駛卡車。2008年卡特開發了793F無人駕駛卡車。2012年7月,卡特公司為澳大利亞所羅門鐵礦提供45輛793F無人駕駛卡車,并提供完整的“Mine Star”系統。目前,澳大利亞所羅門鐵礦運營的無人駕駛卡車為60輛,累計運量超過2.5億t,有人駕駛卡車為12輛。無人駕駛卡車每天作業為23.5 h,0.5 h用于點檢及加油,與有人駕駛卡車相比,無人駕駛卡車每天多作業2~3 h,年作業時間近7000 h,可提高生產效為20%~30%。與此同時,無人駕駛卡車不會因駕駛員疲勞和誤操作而引發事故。目前,卡特公司在運行的無人駕駛卡車總數超過200輛。

        1.2.2 “AHS”系統

        小松公司的卡車無人駕駛主要通過自動化運輸系統(Autonomous Haulage System,AHS)實現,系統用控制裝置、GPS衛星、無線通信技術和軟件來取代原來坐在駕駛室內的司機。

        1996年,小松公司研制了第一輛無人駕駛卡車,2005年,小松公司研制了無人運輸系統。2016年,小松公司研制了首款無駕駛的礦用卡車。目前,小松公司在運行的無人駕駛卡車總數超過100輛。

        1.3 國內礦用卡車無人駕駛現狀

        2018年8月,北方重型MT3600自卸卡車在白云鄂博礦區進行了國內第一輛無人駕駛卡車試驗。2019年7月,航天重工與神寶能源合作將兩輛在用的航天重工HT3110礦用車進行了無人化升級改造,目前已實現了固定道路無人駕駛、自動避障等功能,并在江西銅業集團公司城門山礦開展了1輛110 t無人駕駛礦用車工業試驗運行。

        目前,湘電重裝、徐工礦山等國內礦用卡車生產廠家都在開展無人駕駛系統研發。

        2 露天礦山卡車無人駕駛關鍵技術

        根據無人駕駛卡車的功能需求,可將無人駕駛技術分為礦用卡車的線控技術、環境感知技術、定位導航技術、路徑規劃技術和決策控制技術[2]等幾項關鍵技術。

        2.1 線控技術

        線控技術是實現礦用卡車無人駕駛的基礎,它是將駕駛員操縱的轉向、制動、檔位、油門、貨箱舉升等動作經過傳感器轉換為電信號,通過電纜直接控制執行機構,目前礦用卡車線控技術主要有前裝線控和后裝線控兩種技術路線。

        2.1.1 前裝線控

        前裝線控就是在礦用卡車出廠前,由主機廠基于自身礦用卡車的技術基礎對自己品牌、自己生產的礦用卡車轉向、制動、檔位、油門、貨箱舉升等功能進行線控化升級改裝,這種技術路線優點是實施較為容易且車輛出廠時就具備線控能力,缺點是無法應用于不同品牌和不同車型的礦用卡車,適用面小且不能規?;茝V復制,目前北方重工、三一重裝、徐工礦山、航天重工、湘電重裝等國內礦用卡車主機廠都具備前裝線控的能力。

        2.1.2 后裝線控

        后裝線控就是在礦用卡車出廠后,對礦用卡車的轉向、制動、檔位、油門、貨箱舉升等功能進行線控化升級改造,這種技術路線要求能適用于不同品牌主機廠的礦用卡車。目前國內航天重工在該技術路線中處于領先地位,其自主專有的礦用車線控核心技術能夠對現有不同廠家、不同品牌的礦用卡車進行智能無人化升級改造,完整保留原車的操作控制裝置和功能,車輛操作和維護不受任何影響。一是安全性高,除了設計有“有人駕駛/無人駕駛”模式切換開關外,改造方案還確保了人工操作的最高優先級;二是信息化、智能化程度高,將原車的報警信息、儀表信息完整采集到控制系統,使車輛運行參數能夠實時遠程監控,實現整車遠程健康管理。后裝線控的技術路線能夠對大量現存的礦用車進行線控化升級改造,能夠實現規?;瘡椭坪屯茝V,極大節省了成本,避免了已有資源的浪費。

        2.2 環境感知技術

        露天礦山卡車無人駕駛環境感知系統是實現無人駕駛的關鍵技術之一,目前無人駕駛感知系統已由單一傳感器感知周圍環境的檢測算法發展為利用相機融合激光雷達感知周圍環境的檢測算法。

        目前,露天礦山卡車無人駕駛感知系統主要有超聲波雷達、毫米波雷達、激光雷達、4D光場智能感知系統、視覺傳感器以及紅外傳感器等 [3-5]。礦用卡車在行駛過程中采用安裝的感知系統傳感器實時收集數據,實時感知周圍環境,對動靜態物體進行識別和檢測。

        2.2.1 超聲波雷達

        (1)工作原理。超聲波雷達通過超聲波發射裝置向外發出超聲波,通過接收器接收到發送過來的超聲波的間差來測算距離。

        (2)優點。超聲波雷達能量消耗較緩慢,在介質中傳播的距離較遠,頻率低,穿透性較強, 購置成本低,測距的方法簡單,角度測量能力最優。

        (3)缺點。超聲波的傳播速度很容易受天氣情況的影響,在不同天氣情況下,超聲波的傳輸速度不同,而且傳播速度較慢,當卡車高速行駛時,使用超聲波測距無法跟上卡車的車距實時變化,誤差較大;超聲波散射角大,方向性較差,在測量較遠距離的目標時,其回波信號會比較弱,影響測量精度;測量物體距離、卡車運行速度對其測量精度影響較大;很難獲取目標速度信息。

        (4)用途。主要用于卡車裝載倒車入位、卸載倒車入位及起停車時的安全輔助,能有效幫助駕駛員解決倒車入位、起停車時存在的視野盲區。

        2.2.2 毫米波雷達

        (1)工作原理。毫米波雷達通過天線輻射,在毫米波波段(24 GHz、77 GHz或79 GHz)通過電磁波實現目標有無檢測、檢測相對距離、檢測相對速度以及檢測目標方位。

        (2)優點。同厘米波導引頭相比,毫米波引頭具有體積小、質量輕和空間分辨率高的特點;與紅外、激光、電視等光學導引頭相比,毫米波導引頭穿透霧、煙、灰塵的能力強,具有全天候(大雨天除外)和全天時的特點。

        (3)缺點。探測距離受到頻段損耗的直接制約(想要探測的遠,就必須使用高頻段雷達),對周邊所有障礙物無法進行精準的建模。

        (4)用途。長距毫米波雷達多用于自動巡航系統,針對前方物體與卡車的相對距離與速度主動調整自身的車速,保證在安全車距范圍內。中距離毫米波雷達多用于防碰撞系統,可以快速準確無模糊地獲取車身周圍的物體信息,一般在卡車前后均會安裝防碰撞雷達。

        2.2.3 激光雷達

        (1)工作原理。激光雷達向目標探測物發送探測信號(激光束),然后將目標發射回來的信號(目標回波)與發射信號進行比較,進行適當處理后,便可獲取目標的距離、方位、高度、速度、姿態、甚至形狀等參數的相關信息,從而對目標進行探測、跟蹤和識別。

        (2)優點。激光雷達體積小、質量輕。激光雷達可以獲得極高的角度、距離和速度分辨率。自然界中能對激光雷達起干擾作用的信號源不多,因此激光雷達抗有源干擾的能力較強。激光雷達只有對被照射的目標才會產生反射,完全不存在地物回波的影響,因此可以“零高度”工作。

        (3)缺點。激光雷達工作時受天氣和大氣影響較大,在壞天氣中激光的衰減是晴天的6倍,大氣環流還會使激光束發生畸變、抖動,直接影響激光雷達的測量精度。激光雷達的波束極窄,在空間搜索目標非常困難,直接影響對非合作目標的截獲概率和探測概率,只能在較小的范圍內搜索、捕獲目標。激光雷達對目標信息的獲取依賴于稀疏的激光雷達點,在采集的過程中會損失目標的輪廓和紋理等信息,無法實現多目標探測。

        (4)用途。利用高精度地圖限定感興趣區域(Region Of Interest,ROI)后,基于全卷積深度神經網絡學習點云特征并預測障礙物的相關屬性,得到前景障礙物檢測與分割。利用高精度地圖限定ROI后,可以對ROI內部(比如可行駛道路和交叉口)的點云的高度及連續性信息進行判斷,看點云處是否可通行。

        2.2.4 4D光場智能感知系統

        (1)工作原理。光場用來描述空間中的若干條矢量光線,每條矢量光線包含光強、顏色以及方向等信息。4D光場智能感知系統可以通過特殊的光學設計和算法,采集和還原4D光場信息。這些4D信息能夠進一步解析成為普通的2D視覺圖像和3D點云信息,從而既可對區域內的目標進行高效的識別和分類,也能夠獲取目標的距離、高度、結構信息,從而計算目標的運動方向、速度、姿態等信息。

        (2)優點。能夠同步采集和結算設備三維位置和色彩信息,同時具備激光雷達+視覺傳感器的能力。在低光及影像高速移動的情況下,仍能準確獲取目標場景數據。二三維數據一體化采集,無需進行數據的融合,無匹配誤差,提升了數據獲取速度和可靠性,降低了成本。結合AI算法對場景進行的識別和分割的能力,遠超普通視覺傳感器。三維數據具備超高密度,與激光雷達相比具備數量級上的提升。設備間相互無干擾,惡劣天氣適應性強,受雨雪霧粉塵等影響低,在礦業環境下適應能力強。

        (3)缺點。光學采集設備在絕對遮擋的情況下,無法像毫米波雷達一樣穿透目標。

        (4)用途。直接獲取彩色點云數據,能夠高速、有效、完整地獲取場景信息,能夠對車道線、交通標志、障礙物、行人、車燈、綠化帶等環境進行更大范圍、更精準的識別和分類,可為無人駕駛提供更完整的決策信息。能夠判斷周圍運動物體的速度、方向、姿態、加速情況等,為應急、避障、實時規劃等提供更有力的保障。

        2.2.5 紅外傳感器

        (1)工作原理。通過發射紅外光波識別熱量差異獲取物體信息,并通過發射與接收紅外光的時間差進行測距。

        (2)優點。環境適應性優于可見光,尤其是在夜間和惡劣天氣下的工作能力;一般都是被動接收目標的信號,比雷達和激光探測安全且保密性強,不易被干擾;與雷達系統相比,紅外系統的體積小、重量輕、功耗低;善長測量切向運動,視域寬闊,成本低;測量距離遠,能夠多個傳感器同步測量;測量范圍廣、響應時間短;安裝方便。

        (3)缺點。徑向運動測量能力差,易受環境溫度等影響,距離和速度測量信息基本不可用。

        (4)用途。能夠識別視覺傳感器、雷達等無法識別的物體。

        2.2.6 視覺傳感器

        (1)工作原理。通過攝像頭從一整幅圖像捕獲光線的百萬級像素。

        (2)優點。能夠獲取目標的類別以及圖像中的位置,識別道路目標具有高度的靈活性,可識別不同物體。

        (3)缺點。對目標在現實世界中的位置估計不精確,受光線干擾較大,無法準確獲取速度和距離信息。

        (4)用途。應用于識別車道線、交通標識、障礙物、行人。

        2.3 定位導航技術

        2.3.1 慣性導航系統

        (1)工作原理。慣性導航系統由陀螺儀與加速度儀組成,慣性導航的基本工作原理是以牛頓力學定律為基礎,通過測量載體在慣性參考系的加速度,將它對時間進行積分,且把它變換到導航坐標系中,就能夠得到在導航坐標系中的速度、偏航角和位置等信息。在露天煤礦采坑中通過陀螺儀檢測行駛自卸卡車的角運動,通過加速度計檢測行駛自卸卡車的線運動,依據檢測數據和算法實時準確確定行駛自卸卡車的位置、速度和姿態角。

        (2)優點。由于慣性導航系統是不依賴于任何外部信息、也不向外部輻射能量的自主式系統,因此隱蔽性好,也不受外界電磁干擾的影響;可全天候、全時段工作于空中、地球表面乃至水下;能提供位置、速度、航向和姿態角數據,所產生的導航信息連續性好而且噪聲低;數據更新率高、短期精度和穩定性好。

        (3)缺點。由于導航信息經過積分而產生,定位誤差隨時間而增大,長期使用精度較差,且每次使用之前需要較長的初始對準時間;設備價格比較昂貴;不能給出時間信息。

        2.3.2 GNSS差分定位技術

        GNSS系統主要由導航衛星、地面監控檢測站以及 GNSS 衛星接收機組成。GNSS系統具有全天候、全方位、抗干擾能力強、簡便易行以及實時連續不間斷等特點,民用導航定位系統精度一般可達 10 m 以內,GNSS差分定位[6]技術可實時改正定位誤差,其定位精度達厘米級,從而為礦用自卸卡車無人駕駛系統安全運行提供有力保障。

        2.3.3 車聯網定位技術

        車聯網是由車載電子標簽通過無線識別等技術構建的一種車載自組網[7]。通過收集并共享信息,實現卡車與卡車(V2V)、卡車與礦山道路及基礎設施(V2I)以及無人駕駛卡車與露天礦山網絡的互聯。從車聯網的體系架構[8]中可以看出,車聯網使用 RFID、傳感器,從物理世界獲取信息,然后將這些信息通過網絡傳到卡車或者服務器端,由此實現礦用無人駕駛卡車的精確定位。車載通信中通常采用的通信協議為 IEEE 802 .11p[9],其通信頻段為5800 MHz ,包含3個傳輸通道且每個通道相互獨立,具有V2V和V2I兩種通信模式,V2V通信可以實現在車輛間交換偽距信息。車載節點的一跳傳輸范圍理論上可達250 m ,實際傳輸范圍通常與周圍傳輸環境(如建筑遮擋 、機械干擾等)密切相關。通信中通過控制信道[10]保證數據的安全性,實現快速可靠的數據傳輸 。在仿真中,卡車以1~10 Hz 的廣播頻率發送合作感知消息,相鄰車輛間可以通過收發信標消息實現車輛位置、車輛速度和車輛加速度等自身狀態信息的共享。

        2.3.4 電子地圖定位技術

        基于電子地圖匹配的礦用卡車定位就是通過獲取礦用卡車不同源位置參數基礎上,利用軟件技術將礦用自卸卡車與數字地圖中的信息對應起來,從而確定礦用自卸卡車位置的定位方法。使用電子地圖匹配技術需要具有高精度位置坐標的數字地圖,且被測礦用自卸卡車正在此道路信息網中行駛,通過定位信息與數字化地圖所提供的道路信息進行比較,使用最優匹配方式來確定[11]。

        2.4 路徑規劃技術

        2.4.1 基于圖搜索的路徑規劃技術

        基于圖搜索的路徑規劃算法的基本思想是將狀態空間通過確定的方式離散成搜索圖,并用各種啟發式搜索算法計算其可行解。Dijkstra[12]算法是一種經典的最短路徑搜索算法,但其廣度優先的性質會導致搜索太多無關節點。因此,在此基礎上又對算法進行了改進,提出了A*算法[13]、ARA*算法[14]、HMA*算法[15]、DMHA*算法[16]等自適應能力更強的算法。

        2.4.2 基于采樣的路徑規劃算法

        與基于搜索的路徑規劃算法不同,基于采樣的路徑規劃算法通過均勻隨機采樣的方法來探索高維狀態空間的連通性。此類算法的最大特點有兩個:一是無需對狀態空間的自由區域進行建模;二是由于其隨機采樣的特點,搜索速度快、規劃效率高,缺陷在于不能處理非完整約束動力學問題。典型的基于隨機采樣的算法是RRT算法[17],該算法不要求狀態之間精確連接,適合解決無人駕駛車輛在復雜環境下的路徑規劃問題。

        2.4.3 智能優化算法

        隨著對各個交叉學科的研究,各類智能優化算法也被引入到路徑規劃領域,通過模擬自然界生物行為規律實現優化的目的,智能優化算法具有自學習、自決定功能。近年來,典型的智能優化算法包括蟻群算法(Ant Colony Optimization,ACO)[18]、觸須算法(Tentacle Algorithm,TA)[19]和智能水滴算法(Intelligent Water Drops,IWD)[20]。

        2.4.4 基于強化學習的算法

        強化學習[21]指無人駕駛車輛利用自身傳感器不斷與環境相互作用來獲取未知環境的知識。強化學習的優勢在于通過和環境交互試錯進行在線學習,在行動和評價的環境中獲得知識,對行動方案進行改進適應環境,以獲得最優動作。常用的強化學習算法有瞬時差分法、Sarsa算法和Q-learning算法[22]。其中Q-learning算法是最有效的與環境模型無關的算法,具有在線學習的特點。

        2.5 決策控制技術

        2.5.1 橫向決策模型

        有限狀態記錄了在一個時間段內從開始到結束過程中研究對象發生的事件及發生事件的原因。在使用有限狀態機時應遵循一些基本假設:一是系統的狀態是有限的、可列出的、切實固定的。二是狀態間的轉移是瞬時的。智能車輛橫向駕駛行為的數量是有限的[23],智能車輛的橫向駕駛行為定義為車道保持、換道準備與換道。橫向決策模型決定了智能車輛保持當前車道行駛或者換道到相鄰車道。橫向轉角控制量由預描點偏差反饋量,偏差積分和前饋控制組成,最終的轉向指令由前饋和反饋控制器控制量按照不同權重比相加而成。

        2.5.2 縱向決策模型

        部分可觀測馬爾科夫過程(POMDP)[24]將其他車輛的駕駛意圖作為隱藏變量,建立貝葉斯概率模型,可求解出自車在規劃路徑上的最優加速度。在復雜交叉路口的仿真測試下,能夠較好地根據其他車輛的駕駛行為調整自車的最優加速度,保證安全性與行車效率,從而控制礦用卡車按照期望的速度行駛,即控制油門的開度和制動踏板的制動量,根據輪速傳感器反饋以及慣導的當前車速信息,完成礦用卡車行駛速度的閉環控制。

        3 露天礦山卡車無人駕駛發展方向

        3.1 多傳感器高度融合

        一方面,激光雷達、超聲波雷達、毫米波雷達等主動式傳感器通過處理自身發出和返回的時變信號感知環境,從而獲取被檢測目標的速度、位置等信息,目前在礦用卡車防碰撞系統中占主導地位,但該類傳感器受車與車之間同類傳感器的干擾,同時污染環境;另一方面,以視覺傳感器為代表的被動傳感器由于硬件成本降低,在礦用卡車無人駕駛環境感知系統中應用越來越廣泛,多用于識別礦用卡車運輸道路擋墻、路面撒料、坑凹等。但在礦山夜間或煤塵較大時容易失效。此外,紅外傳感器能夠獲取被動傳感器、其他主動傳感器不能識別的物體信息。因此,基于單一傳感器的目標檢測算法有各種各樣的弊端,將多傳感器高度融合,傳感器之間取長補短,將是露天礦用卡車實現全天候環境感知的發展方向??梢詫⒍鄠€傳感器獲取的信息投影到同一個坐標系下,對同一個目標,將不同傳感器獲取的信息進行求并集,從而提高目標檢測的精度,提高露天礦山卡車無人駕駛的安全性。

        3.2 多定位技術融合

        隨著技術水平的發展及安全生產的需求,目前在露天礦山卡車運輸中,使用單一定位技術無論是從定位精度還是從安全生產角度來講,都無法滿足對行駛在礦山道路中的礦用無人駕駛卡車精確定位。多定位技術融合就是使用慣性導航定位技術、GNSS定位技術、地圖定位技術、V2V定位技術等多種定位方法組合起來的多元定位系統,利用各定位技術的優點,對多源定位信息進行計算確定無人駕駛卡車定位信息最優估計量,在提高無人駕駛卡車定位精度的同時,增強定位系統的抗干擾和防故障能力,保證定位系統安全穩定運行。因此,多定位技術融合是露天無人駕駛卡車定位方式的必然選擇。

        3.3 路徑規劃技術融合

        基于圖搜索的路徑規劃算法、基于采樣的路徑規劃算法和智能優化算法以及基于強化學習的算法在一定程度上都可實現無人駕駛車輛的路徑規劃,但每種算法都有其優點及局限性。難以采用單一算法實現動態環境下精準、安全可靠的路徑規劃。故結合多種算法,產生更加高效的優化算法是該領域研究的重點。在無人駕駛車輛路徑規劃技術的研究中,確定起始位置的點到點的路徑規劃以及已知環境下障礙物的路徑規劃問題的研究都已較為成熟,未知環境下有障礙物的路徑規劃也取得重大進展,但在每個具體規劃算法中還存在一些不足,所以路徑規劃領域的重點依然是混合路徑規劃算法的研究。

        3.4 決策控制技術融合

        一般的單一決策模型總是無法兼顧準確度與適用度,在某一方面好則會在另一方面較差,因此可以采用橫向控制的有限狀態機與縱向控制的部分可觀測馬爾科夫過程模型來組成復合決策模型。這樣,通過復合的決策模型而非單一的決策模型,可以更好的兼顧模型的準確程度與使用程度。因此,復合決策模型是露天無人駕駛卡車定位方式的必然選擇。

        3.5 與標準作業流程高度融合

        目前,國內礦用卡車無人駕駛技術主要是將公路無人駕駛技術應用到露天卡車上,研發團隊不熟悉礦山工作環境以及現場管理經驗。露天煤礦礦用自卸卡車標準作業流程是國家能源集團露天礦山生產作業系統多年工作經驗的沉淀,是對卡車司機各種作業環境及操作動作的總結提煉。因此,將現有的無人駕駛各種技術算法與露天礦山標準作業流程有機融合是實現卡車無人駕駛的必由之路。

        3.6 深入應用5G技術

        5G技術最顯著的特點是高速率、低時延、大容量, 5G超高速網絡能實現無人卡車大量數據實時傳輸,5G毫秒級超低時延是無人駕駛決策執行系統安全運行的保證,5G穩定網絡連接能根據優先級分配網絡,幫助無人卡車高效收集、處理信息,高效做出決策,提升無人卡車安全性。因此, 無人駕駛卡車應用 5G 技術是露天安全生產的關鍵和核心,是無人駕駛的必備技術。

        4 結語

        隨著計算機視覺技術、電子技術、人工智能、互聯網+等學科快速發展,兩化融合戰略以及公路運輸無人駕駛技術的不斷推進,露天礦山卡車已安裝應用了毫米波雷達防碰撞系統、車輛超速管理系統、卡車防碰撞預警系統、駕駛員防疲勞預警系統、駕駛員行為及周邊環境視頻監控系統、GPS卡車調度系統、車載對講系統、倒車影像等輔助駕駛技術,加之精細化感知、多源數據融合、5G等國家互聯網和兩化融合戰略的關鍵技術升級,露天礦山道路運輸環境下的礦用卡車無人駕駛技術必將早日實現。

        參考文獻:

        [1] 陳慧巖,熊光明,龔建偉等.無人駕駛汽車概論[M].北京:北京理工大學出版社,2014.

        [2] 趙陽.無人駕駛汽車關鍵技術[J].中國科技博覽,2011(26):272.

        [3] 沈垣.智能車輛視覺環境感知技術的研究[D].南京:南京航空航天大學,2010.

        [4] 陳曉偉.汽車前方車輛識別的雷達和視覺信息融合算法開發[D].吉林:吉林大學,2016.

        [5] Araki H, Yamada K, Himshima Y, et al.Development 0f rear-end collision avoidance system[C].Intelligent Vehicles symposium Proceedings IEEE,2002:224-229.

        [6] 丁震.露天煤礦邊坡實時監測技術應用對比分析[J].煤炭科學技術,2017(S1):189-192.

        [7] Vehicular Ad hoc Network,Vanettoory,Muhlethaler P,et al.Vehicle Ad Hoc networks: applications and related technical issues[J]. IEEE Communications Surveys & Tutorials, 2008,10(3):74-88.

        [8] 王建強,吳辰文,李曉軍.車聯網架構與關鍵技術研究[J].微計算機信息,2011,27(4):156-158.

        [9] Jiang D,Delgrossi L.IEEE802.11 p:Towards an international standard for wireless access in vehicular environments [C]//Proceedings of the 67th IEEE Vehicular Technology Conference (VTC Spring 2008).Singapore :IEEE ,2008 :2036-2040.

        [10] Stanica R,Chaput E, Beylot A L. Properties of the M AC layer in safety vehicular Ad Hoc networks[J].IEEE Communications Magazine ,2012,50(5):192-200.

        [11] 李睿.基于多傳感器信息融合的鐵路信號試驗車綜合定位系統研究[D].北京:北京交通大學,2006.

        [12] Dijkstra E W. A note on two problems in connexion with graphs[J]. Numerische Mathematik,1959,1(1):269-271.

        [13] Hart P E, Nilsson N J, Paphael B. A Formal basis for the heuristic determination of minimum cost paths[J]. AcmSigart Bulletin,1972,4(37):28-29.

        [14] 趙鑫,胡廣地. 平滑ARA*算法在智能車輛路徑規劃的應用[J]. 機械科學與技術,2017,36(8):1272-1275.

        [15] Wagner G, Choset H. M*:A complete multi-robot path planning algorithm with optimality bounds[J].Redundancy in Robot Manipulators and Multi-Robot Systems,2011,57(1):3260-3267.

        [16] Islam F, Narayanan V, Likhachev M. Dynamic multi-heuristic A*[C]. IEEE International Conference on Robotics and Automation,2015:2376-2382.

        [17] Lavalle S M, Kuffner J J J. Randomized kino-dynamic planning [J]. International Journal of Robotic & Research, 1999, 15(5):378-400.

        [18] Dorigo M, Maniezzo V, Colorni A. Ant system: Optimization by a colony of cooperating agents[J]. IEEE Transaction on Systems Man & Cybernetics Part B Cybernetics A Publication of the IEEE Systems Man & Cybernetics Society,1996,26(1):29.

        [19] Bbonnafousd, Lacroix S, SimeIon T. Motion generation for a rover on rough terrains[C].IEEE/rsj International Conference on Intelligent Robots and Systems, 2001:784-789.

        [20] Shan-hosseini H. The intelligent water drops algorithm: a nature-inspired swarm-based optimization algorithm[J]. International Journal of Bio-Inspired Computation,2009,1(2):71-79.

        [21] Barto A G. Reinforcement learning[J]. A Bradford Book,1998,15(7):665-685.

        [22] Arnold B. Reinforcement leaning : An introduction (adaptive computation and machine learning) [J]. IEEE Transactions on Neural Networks,1998,9(5):1054.

        [23] Gu T,Atwood J,Dong C,et al. Tunable and stable real-time trajectory planning for urban autonomous driving[C]. IEEE/RSJ International Conference on Intelligent Robots and Systems. 2015:250-256.

        [24] Thrun S. Probabilistic robotics[J]. Communications of the ACM,2002,45(3):52-57.

        Domestic and overseas research status and key technologies of unmanned mine trucks

        Ding Zhen1,2, Meng Feng 1,2

        (1.Coal Industry Center, China Energy Investment Group, Dongcheng, Beijing 100011, China;2. Coal Industry Center, China Shenhua Energy Co., Ltd., Dongcheng Beijing 100011, China)

        Abstract This paper introduced the domestic and overseas development status and key technologies of truck driverless technology for open pit mines, analyzed and compared the advantages and disadvantages of two technical routes: wire control before installation and wire control after installation and environmental sensing technologies such as ultrasonic radar, millimeter wave radar, laser radar, 4D Light Field Intelligent Awareness System, infrared sensor, visual sensor, etc., and pointed out that high fusion of multiple sensors will be the development direction of truck driverless technology for open pit mines to realize all-weather environmental sensing. The differences among inertial navigation system, GNSS differential positioning technology, vehicle networking positioning technology, electronic map positioning technology, visual sensors and other positioning and navigation technologies were analyzed and compared. It was proposed that multi-positioning technology fusion is the inevitable choice for open-air unmanned truck positioning. Based on the production practice of open pit coal mine, it was put forward that the only way to realize the truck driverless is to organically integrate the existing algorithms of driverless technology with the standard operating procedure of open pit mine. Finally, the advantages and disadvantages of 5G technology were analyzed, and it was proposed that the application of 5G technology to driverless trucks is the key and core of safe production in open pit mines, as well as the necessary technology for driverless vehicles.

        Key words Open pit mine, unmanned mine truck, unmanned driving, 4D light field, environmental perception, navigation & positioning

        中圖分類號 TD67

        文獻標識碼 A

        引用格式:丁震,孟峰. 礦用無人卡車國內外研究現狀及關鍵技術[J].中國煤炭,2020,46(2):42-49.

        Ding Zhen,Meng Feng. Domestic and overseas research status and key technologies of unmanned mine trucks[J].China Coal,2020,46(2):42-49.

        作者簡介:丁震 (1980-),男,山西萬榮人,高級工程師,現就職于國家能源集團煤炭產業中心,主要從事煤礦機電技術研究及管理工作。 E-mail:zhen.ding@chnenergy.com.cn。

        (責任編輯 路 強)

        體育下注app-網上體育投注平臺-im體育平臺App-官網推薦? 在线观看免费A∨网站,A毛片毛片看免费,免费A片在线观看,在线A毛片免费视频观看