無人駕駛礦用運輸車輛感知及控制方法

李宏剛， 王云鵬， 廖亞萍， 周彬， 余貴珍

(北京航空航天大學交通科學與工程學院, 北京 102206)

一方面，隨著礦區工業化、機械化、信息化的突破變革，采礦工程系統日益龐大復雜。另一方面，礦山道路環境復雜，極易引發車輛碰撞及側翻事故，且礦區偏遠封閉，調度通信設備落后，生產作業效率低下。因此，礦車生產作業和安全保障面臨著巨大挑戰，亟需高效、安全、智能的運輸解決方案。

伴隨著人工智能、傳感檢測等高新技術的不斷突破，無人駕駛技術成為當前汽車領域的研究熱點[1]。其智能感知和控制技術能夠實現礦用運輸車輛無人運輸作業[2-5]。同時，礦用運輸車輛運行路線固定、且礦區道路封閉，為無人駕駛技術提供更有利的實施空間。因此，礦用運輸車輛無人駕駛受到了越來越多的科研機構及相關企業的關注。

目前，國外主要有5家大型礦用汽車制造商，包括卡特彼勒、小松、利勃海爾、日立建機和別拉斯[6]。其中小松是第一個在采礦行業將自動運輸系統商行化的制造商，其自動運輸系統(Autonomous Haulage System，AHS)是一個綜合性的礦山車隊管理系統，通過在礦用卡車裝載高精度GPS、障礙物檢測系統、控制器以及無線網絡系統實現了無人裝載、運輸和卸載循環的自動化運行。力拓在西澳大利亞West Angela鐵礦對日本小松無人操作運輸系統進行了試驗，汽車由離礦區1 500 km的操作中心控制，取得了較好的效果。在安全保障和效率提高2個關鍵目標的推動下，卡特彼勒于20世紀80年代便開始了自動化礦卡的研發，通過集成車隊、地形、檢測與控制指令，開發出了最新型的Minestar駕駛系統，實現有效載重為240 t的礦卡無人化操作。而在國內，礦用卡車制造企業雖然已經達到了14家[7]，包括內蒙古北方重型汽車股份有限公司、秦皇島天業通聯重工股份有限公司、三一集團有限公司、中國重型汽車集團有限公司、鄭州宇通重工有限公司、陜西同力電氣有限公司、泰安航天特種車有限公司等制造商，都已試制出無人礦車或寬體改裝車。其中內蒙古北方重工業集團有限公司172 t無人駕駛電動輪礦車在包鋼集團針對礦山現場作業流程進行了測試；數字礦山裝備企業以實現采礦效率的最優化為目標，很早之前就開始著手研制無人駕駛系統，以解決軌跡運行不可控的問題。但各研發單位對無人駕駛技術的側重點不同，導致礦區無人駕駛落地規模應用困難。

無人駕駛礦用運輸車輛的關鍵技術主要包括智能感知技術和車輛控制技術。其中，智能感知設備主要包括相機、激光雷達和毫米波雷達，國內外研究者們提出了許多城市道路環境下的障礙物檢測及識別方法，主要包括基于單一傳感器的方法[8-10]、基于視覺和激光雷達信息融合的方法[11-13]。但礦區作業光線較暗，夜晚車輛交互作業時易出現增光、補光等光線突變現象，并且車輛行駛過程中前方常存在大量灰塵，基于視覺的方法難以適應礦區車輛運行環境；單一激光雷達會將灰塵作為檢測目標而造成較高的誤識別。在軌跡跟蹤控制技術研究方面，目前使用最多的算法主要包括預瞄控制方法[14]、模型預測控制算法[15]、線性二次型調節器(Linear Quadratic Regulator，LQR)跟蹤算法[16]等，但這些算法設計是基于城市道路環境下運行的車輛，且主要采用位置偏差進行跟蹤控制。而礦區實際環境惡劣、地面附著條件較低、道路彎曲程度較大，橫向和縱向的聯合控制是必然要求。

為了提高礦區生產作業的高效性和安全性，促進無人駕駛礦用運輸車輛產業化發展，本文結合國內礦山實際運輸環境，對無人駕駛環境感知和軌跡跟蹤等關鍵技術進行研究。設計礦區環境下的道路、車輛以及其他障礙物識別算法，并基于預瞄-跟蹤實現車輛橫向和縱向自主聯合控制，最終形成礦區運輸車輛的無人駕駛系統體系，加快礦用運輸車輛向完全無人化的演進步伐。

1 礦區無人駕駛運輸車輛系統設計

如圖1所示，在礦區工作環境下，無人駕駛礦用運輸車輛利用感知設備實時采集周圍環境信息，并利用感知模塊依次進行激光雷達和毫米波雷達聯合標定、數據關聯以及信息融合，最終實現前方道路可行駛區域檢測以及周圍障礙物信息識別，并將感知結果發送至規劃控制模塊。結合礦用運輸車輛動力學特性，規劃控制模塊利用路徑跟蹤技術進行車輛橫向和縱向運輸狀態控制，從而實現車輛在可行駛區域內的安全行駛。

圖1 礦用運輸車輛無人駕駛研究技術路線Fig.1 Technical research route of driverless technology for mining vehicles

2 關鍵技術

2.1 基于毫米波雷達與激光雷達融合的無人駕駛礦用運輸車輛環境感知

本文選取毫米波雷達和激光雷達2種感知傳感器搭建無人駕礦用運輸車輛障礙物檢測系統。

面對礦區復雜多變的天氣條件及礦塵飛揚的環境條件，低成本傳感器檢測精確度及魯棒性是無法應對的，激光雷達、毫米波雷達等傳感器是保證無人礦車安全運行的必備需求。此外，由于礦區的行駛環境與城市道路行駛環境有著很大的區別，在礦用運輸車輛的行駛過程中，除了會遇到車輛和行人之外，還會遇到各種石塊和坑洼，同樣會影響車輛的行駛安全。單一傳感器很難滿足礦區無人駕駛環境的高精度、實時性的要求。激光雷達具備探測距離遠、檢測精度高的優勢，但無法適應雨雪霧霾天氣及-40℃低溫環境，因此需要對激光雷達進行嚴格選型；毫米波雷達可穿透灰塵、可全天候工作且不受天氣影響，但檢測精度不夠高。因此，本文對兩者進行優勢互補，在單傳感器檢測的基礎上提出基于毫米波雷達和激光雷達融合的多目標檢測方法。在傳感器工作時，采用固定目標對每個傳感器進行校準，運行過程中采用多傳感器冗余控制，如障礙物位置采用毫米波和多線激光雷達共同獲取，道路邊緣采用單線激光雷達和多線激光雷達共同獲取。

2.1.1 毫米波雷達和激光雷達聯合標定

毫米波雷達和激光雷達的聯合標定是信息融合的基礎，能夠將兩者測量數據從異步狀態轉換到同步狀態，使它們保持時間統一和空間統一。其中，時間統一是從2種傳感器的采樣速率中選取較大的采樣速率為基準，大采樣速率傳感器每采集1 Hz數據，選取小采樣速率傳感器上1 Hz緩存的數據進行匹配，從而實現2種傳感器在時間上同步采集數據；而空間統一是建立精確的毫米波雷達坐標系、激光雷達坐標系和三維世界坐標系之間的坐標轉換關系，將2種傳感器坐標的測量值轉換到同一坐標系中，以實現多傳感器數據在空間中的匹配。

2.1.2 數據關聯

數據關聯是整個多目標檢測跟蹤系統中的核心問題，需要建立傳感器所獲得的目標測量數據與歷史測量數據間的距離關系，以進行目標匹配。由于馬氏距離表示數據的協方差距離，可以同時兼顧目標橫向距離和縱向距離，且不受測量單位干擾，因此本文選取馬氏距離ds進行數據關聯。利用馬氏距離得到評判式為

(1)

根據Bar-shalom和Fortmann[7]提出的Gating方法確定預測值和觀測值的馬氏距離閾值c，以判斷觀測值是否為預測目標，即

Vk={z:ds≤c}=

(2)

當觀測值滿足上述馬氏距離閾值條件Vk，則認為觀測值是有效的。據統計，當c=3時,觀測值在有效區域內的概率為99%。

2.1.3 基于聯合概率數據關聯的數據融合算法

在本研究中，由于每個目標(行人或車輛)最終都具有一個有效的觀測值；各目標之前的存在和運行都是相互獨立無關聯的；同時狀態方程和觀測模型所產生的高斯白噪聲均能滿足高斯分布。因此，本文選取基于卡爾曼濾波的聯合概率數據關聯(Joint Probabilistic Data Association，JPDA)算法進行毫米波雷達和激光雷達的數據融合，如圖2所示。

圖2 JPDA算法流程圖Fig.2 Flowchart of JPDA algorithm

如圖2所示，JPDA算法的狀態估計原理同卡爾曼濾波基本一致，通過前一狀態傳感器的估計值給出當前狀態的預測值，同時通過當前測量值匹配后實現觀測值的更新，通過卡爾曼增益完成當前目標的狀態更新。具體算法流程如下：

根據研究對象給出系統的狀態方程為

xi,k=Fkxi,k-1+vki=1,2,…,n

(3)

利用k-1時刻的狀態值，使用卡爾曼濾波對上一步狀態值和觀測值進行預測得

(4)

則本周期(k時刻)的狀態更新為

(5)

更新預測值與觀測值的協方差矩陣為

(6)

更新卡爾曼增益矩陣：

(7)

對估計值進行更新，采用加權平均法融合毫米波雷達和激光雷達：

(8)

式中：βij為第i個目標產生的第j個傳感器觀測值的概率。則狀態協方差更新如式(9)所示：

(9)

式中：ηij為假設偏差，定義為

(10)

進行βij的求解，按照泊松分布理論得到

(11)

2.2 基于預瞄的路徑跟蹤控制

2.2.1 路徑預瞄跟蹤設計

為了使得無人駕駛礦用運輸車輛沿礦區內固定路徑行駛，保證車輛軌跡跟蹤的距離誤差盡可能小，提出一種用于無人駕駛礦用運輸車輛的路徑跟蹤技術，具體步驟如下：

1) 將規劃好的期望路徑軌跡點存放在軌跡跟蹤器以及方向、速度控制器中。車輛規劃軌跡的路徑點具體包括路徑點的橫縱坐標，曲線弧長以及車輛縱向期望車速，其中路徑點的坐標是位于絕對坐標系中的坐標。

2) 通過無人駕駛礦用運輸車輛的環境感知系統和車速實時檢測系統，將車輛當前狀態信息發送給路徑跟蹤器和縱向、橫向控制器進行相應規劃。

3) 基于無人駕駛礦用運輸車輛的實時坐標，依照車輛實時行駛方向，向前方預瞄距離d，并確定預瞄得到的坐標點(Xp,Yp):

(12)

式中：(X0,Y0)為在絕對坐標系下的車輛當前位置坐標；θ0為絕對坐標系下的車輛與當前的道路切向角。

4) 根據預瞄得到的位置坐標(Xp,Yp)與步驟1)中的規劃軌跡進行相似性確定，包括預瞄點相對于期望軌跡的橫向位置偏差、當前車輛行駛方向與規劃路徑的角度偏差以及車輛實時車速與期望車速的偏差。

5) 路徑跟蹤以及方向、速度控制器采用PID控制，通過計算坐標偏差和方向偏差聯合控制車輛縱向和橫向運動。

2.2.2 縱向運動控制

縱向運動控制主要是通過縱向速度跟隨控制來實現，為了保證行駛過程的平穩，車輛按照固定加速度去控制車輛的速度。參照預瞄跟蹤技術，假設車輛從起始點以固定加速度運動到預瞄點，軌跡點上離車輛最近的點的坐標為(x1,y1,s1,vx,1)，預瞄點處的期望狀態為(x2,y2,s2,vx,2)，根據勻加速運動公式，則獲得車輛的參考加速度aref:

(13)

根據駕駛員經驗，參考加速度范圍應限制在-4～2 m/s2。

考慮到礦山作業過程中車輛經常會出現上坡、下坡以及負載變化，對此引入速度誤差反饋。通過對比期望車速與實際車速得到車速誤差，隨后在速度控制器中得到期望加速度，通過感知車輛實際加速度，計算加速度誤差，根據誤差添加縱向力補償，從而實施加速或減速策略。為減少建模等噪聲的影響，執行過程中添加了低通濾波單元來增加控制的精度。縱向控制系統流程如圖3所示。

2.2.3 橫向運動控制

(14)

式中:Iz為車輛繞z軸的轉動慣量;a、b分別為車輛前軸軸距以及后軸軸距;MCG為整車裝備總質量;u為車輛縱向車速;Caf、Ccar分別為前、后輪的側偏剛度。

圖3 縱向控制方案Fig.3 Longitudinal control scheme

圖4 車輛圓周運動示意圖Fig.4 Schematic diagram of circular motion of vehicle

按照式(14)，穩定行駛下橫向速度vy可以表示成為

vy=Tgr

(15)

式中：

(16)

則期望的方向盤轉角δss與預瞄誤差oss之間的傳遞函數可表示為

(17)

由于不同車速下的預瞄距離對控制精度的影響不同，二次化預瞄距離dpre，以此提高車輛穩定，如式(18)所示：

(18)

式中：tpre為預瞄時間；vx為當前車輛縱向速度；d0為固定的預瞄距離；k為比例系數。

在預瞄跟蹤過程中，考慮到車輛的航向角對于車輛橫向移動有很大影響，且由于礦山場景內橫向距離誤差要求，建立基于航向角誤差及橫向距離誤差的橫向閉環反饋。

圖5中，Ψ為車輛行駛的航向角，Ψr為期望航向角,Ψp為預瞄位置期望航向角。橫向控制過程中，期望航向角包括當前位置期望航向角及預瞄位置期望航向角，分別計算當前狀態誤差ec、ep，可定義為

圖5 車輛航向角誤差反饋Fig.5 Error feedback of vehicle heading angle

ec=Ψr-Ψ

(19)

ep=Ψp-Ψ

(20)

根據實際場景測試，選用比例控制方案Kcp、Kpp來實現車輛的航向角控制，從而獲得航向角反饋増量Δδt，即

Δδt=Kcpec+Kppep

(21)

由于礦山環境復雜，高低起伏大，車輛橫向精度要求嚴苛，積分控制具有消除穩態誤差，因而在此基礎上建立基于橫向距離誤差反饋的比例積分控制方案，計算t時刻橫向距離誤差et(t)：

et(t)=lr(t)-lc(t)

(22)

式中：lc為t時刻車輛相對道路中心位置距離；lr為t時刻參考軌跡相對道路中心位置距離。

通過比例積分控制方案Klp、Kli，實現車輛橫向距離控制，從而獲得橫向距離反饋増量Δδl，即

Δδl=Klpel(t)+Kli(el(t-1)+el(t))Δt

(23)

式中el為橫向距離誤差。

結合上述計算得到的方向盤輸出轉角，可得最終方向盤轉角δ輸出應為

δ=Δδt+δssδ+Δδl

(24)

基于車身的實時狀態以及周圍環境信息，橫向控制器根據期望方向盤轉角計算出相應的轉向輪轉向角度，并將控制角度指令傳送到轉向驅動器，驅動轉向機構完成相應操作并反饋轉向狀態信息。車輛在轉向過程中，基于自身狀態不斷糾正方向偏差，輸出方向盤轉角δ信息，以調整轉向輪的轉向角度，最終實現車輛的橫向控制。

車輛橫向控制方案如圖6所示。

圖6 橫向控制方案Fig.6 Vehicle lateral control scheme

3 礦用運輸車輛駕駛系統平臺測試

3.1 系統平臺搭建

礦用運輸車輛無人駕駛系統的硬件結構如圖7所示，包括測試車輛、工控機、分布式智能計算單元(Distributed Intelligent Computing Unit,DICU)、毫米波雷達、激光雷達單元、慣導模塊、急停機箱和電源模塊等。測試車輛是TLD90非公路寬體自卸車，工控機型號是ARK-3500P-00A1E，毫米波雷達型號為DNMWR004，激光雷達單元分為帶有旋轉平臺的單線激光雷達(型號為LMS511-10100-PRO)，以及四線激光雷達(型號為MRS1104C-111011)，慣導模塊包括慣導以及前后天線，模塊型號是XW-GI5651，急停機箱內置有24 V電源模塊，搭配緊急制動按鈕手柄和5 G無線通信模塊，其中5 G無線通信模塊用于系統云平臺與無人礦車的遠程指令傳輸；電源箱包括了12 V以及220 V電源輸出，其中220 V電源輸出是12 V電源經過升壓模塊升壓后輸出，用來保障駕駛機器人電機的運行，12 V電源為各傳感器模塊供電。

3.2 感知模塊測試

為驗證感知模塊在不同場景下檢測障礙物類型的適應性，同時驗證車輛對道路可行駛區域的檢測效果，本文設置3種常見的礦區工況，分別進行檢測：①在高低不平的泥土路上，周圍20 m內具有較多不規則障礙物的工況；②轎車在自動駕駛礦卡前方繞圈行駛，并帶起一定密度揚塵的工況；③礦區正常作業時，大型卡車較多且密度較大的工況。

如圖8所示，無人駕駛礦用運輸車輛具備較好的道路可行駛區域檢測效果，其中深色點云數據隊列顯示的是道路兩邊的擋土墻。圖9表明，無人駕駛礦用運輸車輛對20 m以內的行人和周圍其他障礙物有較好的檢測效果。圖10表明，激光雷達可以濾除灰塵影響，并能夠較好地檢測和追蹤轎車。圖11表明，感知系統在車輛正常作業時對卡車和周圍障礙物有較好的檢測效果。

圖9 對行人和路邊障礙物的檢測效果Fig.9 Detection effect of pedestrian and roadside obstacles

圖10 對轎車的檢測效果Fig.10 Car detection effect

圖11 對卡車和路邊障礙物的檢測效果Fig.11 Detection effect of trucks and roadside obstacles

3.3 軌跡跟蹤控制測試

3.3.1 測試場景選取

根據礦車的工作狀況，選取裝載點及卸載點停靠、彎道行駛以及上下坡行駛3種場景進行軌跡跟蹤測試。

3.3.2 測試結果分析

1) 裝載點及卸載點停靠測試。裝載點橫向偏差在0.5 m左右，縱向偏差超過1 m(見圖12)，航向偏差遠小于要求值5°。卸載點橫向偏差在0.5 m以內，5次數據有2次超過0.3 m，縱向偏差1.5 m左右(見圖13)，航向偏差遠小于要求值5°。圖中深色為采集路徑，淺色為實際跑車路徑。

2) 彎道行駛測試。在不同曲率彎道下的測試結果差別比較明顯，如圖14及圖15所示。

圖12 裝載點停靠路徑Fig.12 Docking path of mount point

圖13 卸載點停靠路徑Fig.13 Docking path of unloading point

圖14 曲率最大時軌跡Fig.14 Trajectory with maximum curvature

圖15 曲率較小時軌跡Fig.15 Trajectory with small curvature

3) 上坡、下坡速度偏差和橫向偏差測試。為確保測試結果可靠性，本研究進行了2次上下坡測試：第1次上坡速度最大偏差4.7 km/h，上坡橫向最大偏差-0.49 m，下坡速度最大偏差-2.89 km/h，下坡橫向最大偏差-0.49 m，如圖16所示；第2次上坡速度最大偏差4.63 km/h，上坡橫向最大偏差-0.38 m，下坡速度最大偏差-2.64 km/h，下坡橫向最大偏差-0.37 m，如圖17所示。雖然上下坡速度控制效果一般，但上下坡橫向偏差均在合理要求范圍內。

圖16 第1次測試結果Fig.16 The first test results

圖17 第2次測試結果Fig.17 The second test results

4 結 論

為實現礦區的數字化、智慧化和自動化需求，本文主要從無人駕駛礦用運輸車輛的應用需求和安全性需求入手，提出了針對復雜礦區道路環境的感知方法和車輛路徑跟蹤控制方法，最后在實車上集成開發并測試了真實礦區下的礦用運輸車輛無人駕駛系統：

1) 開發了毫米波雷達與激光雷達融合的多目標識別算法。通過現場驗證，算法能夠準確識別行人、卡車、小型轎車等多種障礙物類型，具有較高檢測精確度且能夠適應礦區塵土飛揚的惡劣環境。

2) 攻克了無人駕駛礦用運輸車輛的路徑跟蹤技術。采用預瞄-控制的跟蹤理論，將縱向控制和橫向控制解耦，并使用誤差進行反饋控制調優。現場測試結果表明，本文提出的控制策略能夠在裝載點和卸載點、彎道行駛以及上下坡行駛過程中準確跟蹤期望路徑，獲得的縱向速度偏差和橫向位置偏差均在合理范圍內。

3) 綜上所述，本文設計開發的無人駕駛礦用運輸車輛系統能夠提高礦區生產作業的高效性和安全性。下一步將基于當前無人礦用運輸車輛的發展現狀，研究感知精度更高的傳感器融合方案，且針對不同礦區的車輛運行環境以及礦用運輸車輛車身結構差異，形成更加完善的控制策略及技術測試方案。