礦用卡車無人駕駛系統研究

閆凌， 黃佳德

(1.國家能源集團準能公司 哈爾烏素露天煤礦， 內蒙古 鄂爾多斯 017100；2.株洲中車時代電氣股份有限公司， 湖南 株洲 412001)

0 引言

隨著大型露天礦山開采深度加大，坡度大、彎道多的現象逐漸增多，生產難度不斷增加。礦車駕駛屬于高危職業，路況差、駕駛難度高，有害氣體和粉塵等也影響身體健康[1]。研究數據顯示，在合理考慮相關因素的理論狀態下，7臺無人駕駛礦車可替代至少9臺同型號車，燃油成本降低6%，輪胎磨損減少7.5%以上，收益率(含節省的人工成本)提高49%[2]。礦區無人化運營是實現安全生產、降低人工和整車使用成本、提升運行效率的有效途徑。2020年3月，國家發展和改革委員會、國家能源局等8部委聯合印發的《關于加快煤礦智能化發展的指導意見》中提到：到2025年，大型煤礦和災害嚴重煤礦基本實現智能化，形成多系統的智能化決策和自動化協同運行，露天煤礦實現智能連續作業和無人化運輸[3]。

國外無人駕駛礦車技術發展較早[4]。2005年，智利一家銅業公司開始試運行自動運輸系統，在該公司旗下最大的銅礦——丘基卡馬塔銅礦運行無人礦用卡車(簡稱礦卡)，以解決開采收尾階段超長距離的運輸問題。2013年，加拿大一家油砂企業開始在其油類和采礦業務中測試自動運輸系統，該公司現有9臺無人礦卡，由控制中心調配運輸材料，計劃在未來部署150臺無人礦卡，減少約400個重型設備操作員。2013年，澳大利亞某企業開始在其鐵礦區中使用無人礦卡，無人礦卡數量從8臺增加到54臺后，礦區運行效率提高了20%[5]。

目前國內大型礦卡主機廠及礦企、互聯網技術公司正在開展礦山無人駕駛系統研制，并已在露天礦進行測試驗證，但要實現商用化還尚待時日。2019年11月，河南焦煤能源公司計劃實現10臺鉆機、13臺挖掘機和60臺礦卡的遠程控制或無人駕駛[5-6]。2020年12月，陜西神延煤炭有限責任公司開展礦卡無人駕駛技術應用，是國內首個批量采用國產關鍵系統的大功率電驅動礦卡無人駕駛商業化項目。

2018年5月，國家能源集團準能公司“露天煤礦礦卡無人駕駛系統”項目立項。該系統實現了礦卡“裝、運、卸”典型作業過程的完全無人自主運行，并能夠與鉆機、電鏟、推土機、平路機等露天煤礦關鍵作業設備配合作業[7]。本文介紹了該系統的架構及關鍵算法實現，并進行了測試驗證。

1 礦卡無人駕駛系統架構

1.1 整體架構

礦卡無人駕駛系統分為3個子系統：車載無人駕駛子系統(Vehicular Autonomous Packge，VAP)、通信管理子系統(Data Communication System，DCS)和地面管理子系統(Ground Management System，GMS)，其整體架構如圖1所示。

圖1 礦卡無人駕駛系統整體架構Fig.1 Overall architecture of unmanned driving system for mine-used trucks

VAP是無人駕駛系統的作業主體，其主要功能如下：通過車載傳感器感知環境狀態；接收GMS的調度指令，根據環境感知結果進行行為決策和路徑規劃；通過控制模塊驅動車輛按照規劃的路徑和速度行駛。

DCS負責連接VAP和GMS，其主要功能如下：通過礦區作業專用無線網絡，在VAP和GMS之間傳輸監控數據和調度指令等信息；通過路側傳感器和計算單元感知礦區環境狀態，并反饋給GMS。

GMS位于調度中心，是無人駕駛系統的大腦，其主要功能如下：接收VAP和DCS反饋的實時信息，監控礦卡和作業環境的實時狀態；根據生產計劃和實時作業狀態智能調度礦卡完成作業任務；通過遠程駕駛操縱臺對出現緊急情況的設備進行遠程接管；存儲和分析礦山運營數據，為礦山運營優化提供支持。

1.2 VAP架構

VAP主要包括攝像頭、激光雷達、毫米波雷達、差分全球導航衛星系統(Global Navigation Satellite System，GNSS)、雙模式通信模塊及執行器等，如圖2所示。攝像頭負責采集視頻信息，對車輛周圍環境進行監控，可為環境感知算法效果驗證提供對比信息；激光雷達和毫米波分別提供三維點云數據與毫米波目標信息，可為環境感知算法提供傳感器數據；差分GNSS提供定位信息，實現車輛厘米級定位；雙模式通信模塊負責傳輸后臺數字礦山管理系統(Digital Mine Management System，DMMS)指令并接收監控數據；執行器負責為計算單元提供車輛底層狀態信息并執行計算單元發送的控制命令。

圖2 VAP硬件架構Fig.2 VAP hardware architecture

為提高環境感知精度與魯棒性，VAP采用了傳感器冗余設計方法，實現了毫米波與激光交叉覆蓋，無線通信及定位系統相互冗余。傳感器布局如圖3所示，無人駕駛系統主要包含5個激光雷達、4個毫米波雷達、4個攝像頭及2根GNSS天線，其中攝像頭不參與目標識別與跟蹤任務，故系統的主要傳感器為激光雷達和毫米波雷達，其參數見表1。

圖3 傳感器布局Fig.3 Sensor layout

表1 主要傳感器參數Table 1 Main sensor parameters

為提升軟件算法的可移植性和擴展性，VAP采用分布式軟件體系結構(圖4)，包括感知域、決策域、控制域和安全域4個分域。

圖4 分布式軟件體系結構Fig.4 Distributed software architecture

感知域負責對各外部硬件的原始數據進行解析處理，實現車輛的障礙物檢測功能、定位功能及視頻監控功能；決策域主要負責監控各軟件節點的工作情況并根據感知域信息進行行為決策；控制域負責根據決策信息進行相應的縱橫向控制；安全域負責數據記錄和故障診斷功能，其中故障診斷功能包括系統狀態監控及信息路由傳輸保障。

1.3 DCS架構

DCS架構如圖5所示,其中CPE表示客戶終端設備。DCS根據場景區域采用不同的頻率配置，生活辦公區、維修區等主要使用4G網絡，作業區域(如開采區、卸礦區、排土區、運輸區等)建設5G+4G雙模冗余通信網絡，以保證作業設備、路側設備(RSU)及調度中心之間通信的可靠性。GMS設備通過網關路由器以有線連接的方式接入核心網，通過通信基站將數據轉發給其他子系統。

圖5 DCS架構Fig.5 DCS architecture

1.4 GMS架構

GMS由用戶操作端、通信設備及地面系統服務器集群3大模塊組成，如圖6所示。

圖6 GMS架構Fig.6 GMS architecture

用戶操作端包括供系統管理員使用的后臺工作站、供地圖編輯員管理地圖使用的地圖管理工作站、供調度員和調度長使用的總調工作站、調度工作站、遠程遙控工作站和中央監控大屏。

通信設備包括接入交換機、匯聚交換機等，以接入DCS并連接用戶操作端和服務器集群。

服務器集群包括地面管理服務器、數據庫服務器、存儲陣列等，分別用于實現部署監控、作業調度、地圖管理、數據存儲和分析等功能。

在以上硬件基礎上，GMS軟件采用微服務架構，將各類業務拆分為不同的功能模塊，每個功能模塊對應一個微服務，各微服務由配置中心統一管理，以提高開發維護的方便性、獨立性和系統的可擴展性。

2 無人駕駛系統關鍵算法

2.1 環境感知算法

為滿足礦山非結構化環境感知需求，充分利用多傳感器特性，提出了面向礦山非結構化環境的多源異構傳感器融合感知算法。根據傳感器種類及組合方式不同，該算法分為激光雷達感知模塊、毫米波雷達感知模塊及多源傳感器融合模塊，如圖7所示。

圖7 多源異構傳感器融合感知算法架構Fig.7 Architecture of multi-source heterogeneous sensor fusion sensing algorithm

2.1.1 激光雷達感知模塊

激光雷達感知模塊負責對激光雷達點云數據進行處理，實現聚類分割、目標形狀估計及多目標跟蹤和航跡管理功能，從而實現激光雷達障礙物檢測。礦區非鋪裝路面多為碎石泥土，表面凹凸不平，不利于激光雷達的穩定檢測。因此，本文采用基于深度圖的點云分割與聚類算法(圖8)將激光雷達點云變換為深度圖，并通過計算深度圖梯度進行分割聚類，實現了不同程度顛簸條件下的地面和障礙物自適應檢測，提高了環境感知系統檢測的準確性。

在獲得障礙物聚類點云后，需對障礙物的大小、形狀等進行估計。本文采用最小邊界框估計方法[8](圖9)，對于每一組聚類后的激光點云，尋找某一特定角度下能包裹該組所有點云的最小矩形邊界框，并使用聚類點與矩形框的最近距離來定義矩形框擬合的程度f：

(1)

式中：m為聚類點簇中點的個數；ri為第i個點到矩形擬合框各邊的最近距離。

圖8 基于深度圖的點云分割與聚類算法Fig.8 Point cloud segmentation and clustering algorithm based on depth map

圖9 最小邊界框估計方法Fig.9 Minimum bounding box estimation method

礦區環境復雜，障礙物多變，且障礙物目標易受環境影響而丟失或被遮擋，因此，需對經過形狀估計的障礙物進行跟蹤與航跡管理。本文采用交互多模型多目標跟蹤與航跡管理算法[9]，對同一障礙物使用多種模型進行跟蹤，并對短時丟失障礙物信息進行狀態更新與補充。

2.1.2 毫米波雷達感知模塊

毫米波雷達感知模塊主要負責對毫米波雷達輸出的障礙物信息進行過濾和挑選，降低非結構化環境中的虛警概率，并使用過濾后的目標進行跟蹤與航跡管理。針對毫米波雷達數據雜亂、多虛警和目標分裂問題，采用目標挑選算法對道路邊界外的目標進行濾除，并通過速度距離閾值關聯算法進行目標合并。毫米波雷達目標挑選算法流程如圖10所示。

2.1.3 多源傳感器融合模塊

多源傳感器融合模塊主要負責充分利用多傳感器的信息，通過數據關聯融合獲得高置信度、高魯棒性的障礙物目標，以更好地適應礦區多種環境。采用基于最近鄰的多目標關聯算法[10]實現多源傳感器目標關聯，如圖11所示，其中O1,1—O1，3為傳感器1檢測到的目標，O2,1—O2，3為傳感器2檢測到的目標，虛線橢圓框表示目標的關聯門，d3,2，d3,3分別表示傳感器1檢測的目標3與傳感器2檢測的目標2和目標3之間的歐氏距離。計算出2個傳感器的每2個檢測目標之間的歐氏距離后，選取距離最近的2個目標作為關聯上的目標對。

圖10 毫米波雷達目標挑選算法流程Fig.10 Process of millimeter wave radar target selection algorithm

圖11 基于最近鄰的多目標關聯算法Fig.11 Multi-object association algorithm based on nearest neighbor

對于關聯上的目標對，采用基于聯邦濾波器的狀態融合算法[11-12]進行目標狀態融合，其流程如圖12所示。激光雷達和毫米波雷達分別作為獨立的子濾波器進行信息分配、更新和融合。

圖12 基于聯邦濾波器的狀態融合算法流程Fig.12 Process of state fusion algorithm based on federated filter

礦區環境復雜，在進行多源傳感器融合后，獲得的目標信息中包含山體等道路外障礙物，此類障礙物對計算資源消耗巨大，但對車輛實際決策規劃及運行影響不大。因此，采用局部多邊形擬合過濾算法(圖13)對道路外障礙物進行過濾，使用道路地圖邊緣信息對地圖局部區域進行劃分，并對劃分的區域進行多邊形擬合，判斷目標障礙物是否處于多邊形中，若處于多邊形中則保留該目標，否則進行剔除。

圖13 局部多邊形擬合過濾算法Fig.13 Local polygon fitting filtering algorithm

2.2 車輛控制算法

礦卡在行駛過程中需充分考慮不同工況下車輛控制的精確性和魯棒性。針對礦區車輛在不同載質量與不同坡度情況下的行駛需求，提出了考慮質量與坡度的縱向自適應控制算法，使礦卡能夠適應不同載質量下坡停、坡起、定點停車與車鏟配合停車等工況下的縱向速度控制與距離控制要求。針對礦區大曲率轉向、倒退等行駛需求，提出了基于變參數自適應的前進橫向控制方法與后退橫向控制方法，使礦卡能夠達到礦區全部復雜路面的橫向精確控制要求。

礦卡無人駕駛控制算法架構如圖14所示。根據規劃層下達的期望路徑與速度信息，結合傳感器采集的當前車輛速度、加速度、位置、位姿等信息，通過縱向控制器與橫向控制器實時計算期望加速度與期望方向盤轉角，并通過線控底盤接口控制轉向輪角、電驅動/電制動與液壓制動，實現車輛橫縱向運動控制。

縱向控制深度融合了坡度與質量等信息。首先計算當前速度與期望預瞄速度的差值；然后根據速度差及預先采集的車輛執行器特性，計算是否進行驅/制動切換；再通過PI(比例積分)控制方法求得期望的油門或制動踏板開度命令；最后將命令發送到車輛底層，實現車輛控制。為盡量減少驅/制動切換次數，采用了基于坡度修正的閾值設定方法。為充分考慮坡度與質量帶來的影響，采用近似動力學分析的方法，將坡度與質量轉換為驅動力影響，計算補償增益后疊加到PI控制中。

圖14 礦卡無人駕駛控制算法架構Fig.14 Architecture of unmanned driving control algorithm of mine-used trucks

橫向控制算法區分了前進橫向控制與倒退橫向控制，分別采用前軸中心和后軸中心作為參考點，有利于實現車輛在不同速度、不同曲率下的路徑跟蹤控制。前進橫向控制、倒退橫向控制均采用了基于速度與曲率的自適應預瞄方法。在前進橫向控制中采用了斯坦利控制方法，計算公式為

(2)

式中：δ為期望前輪轉角；θe為車輛實際橫擺角與預瞄點切線角之差；k為斯坦利系數；efa為車輛當前點與預瞄點的橫向距離誤差；vx為車輛縱向行駛速度。

3 礦卡無人駕駛系統測試

3.1 執行器測試

礦卡執行機構的線控改造對車輛運行性能至關重要。進行無人駕駛功能測試前，需對執行器進行充分測試。執行器測試主要分為動力驅動系統測試與車輛電控附件測試，其中動力驅動系統測試包括線控油門、線控電緩制動、線控液壓制動和線控轉向測試，電控附件系統測試包括電子檔位、車輛燈光、車輛喇叭、電子駐車與貨箱升降測試。

由于電控附件系統測試較簡單，線控改造相對容易，本文主要介紹動力驅動系統中的線控液壓制動和線控轉向測試。液壓制動系統方波測試結果如圖15所示，系統響應時間約為400 ms，響應誤差小于10%，基本滿足系統使用需求。

對轉向系統進行連續階躍信號測試，測試左轉向和右轉向2種工況，結果如圖16所示。由測試結果可知，系統響應時間約為200 ms，響應誤差小于5%，轉向過程整體平穩可控，滿足系統控制要求。需要說明的是，由于靜態測試轉向器液壓流量可能略有不足，會帶來一定誤差。

圖15 液壓制動系統方波測試結果Fig.15 Square wave test results of hydraulic brake system

圖16 轉向系統連續階躍信號測試結果Fig.16 Continuous step signal test results of steering system

3.2 環境感知測試

為驗證無人駕駛系統的環境感知效果，針對環境感知算法分別進行了算法測試和性能測試，其中算法測試用于判斷不同場景下環境感知功能的魯棒性，性能測試用于判斷環境感知算法的準確性。

3.2.1 感知算法測試

根據障礙物尺寸大小，對大型障礙物(如工程車輛)、中型障礙物(如小轎車)、小型障礙物(如行人)及極小型障礙物(如0.5 m×0.5 m×0.5 m紙盒)4種場景進行測試。測試流程如下：① 將礦用自卸車運行到測試場景；② 按照既定路線行駛，記錄測試數據；③ 運行相關節點，與攝像頭采集的實際場景進行對比；④ 分析測試數據，得出測試結論。

各類型障礙物場景下的測試效果如圖17所示，檢測結果穩定，對大型、中型、小型和極小型障礙物的最大檢測距離分別可達140，110，90，60 m。

(a) 大型障礙物

(b) 中型障礙物

(c) 小型障礙物

(d) 極小型障礙物

3.2.2 感知性能測試

對靜態障礙物的檢測距離誤差和最小檢測尺寸下的最大檢測距離進行測試。檢測距離誤差測試流程如下：① 將實驗平臺車運行到測試場景；② 在靜止上電狀態下開啟傳感器感知系統電源并運行相關節點，分析得出系統檢測距離，同時使用皮尺測量對應的真實距離；③ 對測試數據進行分析并得出檢測誤差。最小檢測尺寸下的最大檢測距離測試流程如下：① 將礦用自卸車運行到測試場景；② 使車輛保持靜止上電，用皮尺測量并標記出車輛正前方約100 m(80，60，40，20 m)處，將尺寸不超過0.5 m×0.5 m×0.5 m的小障礙物置于標記位置，對小障礙物的尺寸進行測量并記錄；③ 運行相關節點，分析每幀數據下的檢測結果并與實際場景進行對比分析。

針對距離為20，40，60，80 m的障礙物檢測場景進行多次測試，結果如圖18所示。分析得出，靜態障礙物的檢測距離平均誤差小于0.5 m，尺寸不超過0.5 m×0.5 m×0.5 m的障礙物的最大檢測距離大于60 m。

3.3 車輛控制測試

為驗證系統控制性能優勢，測試無人礦卡在滿載、坡路、大曲率等工況下的控制能力。

車輛載質量為240 t時，高速和低速下的車輛縱向速度跟隨情況如圖19所示。車輛的加減速均迅速及時，在勻速段速度控制誤差較小，縱向速度控制誤差小于0.42 m/s。

車輛載質量為200 t時，在坡度約為8%的道路上進行下坡速度跟隨與定點泊車，結果如圖20所示,其中x,y為道路平面坐標系中的橫、縱坐標。車輛在低速時的速度跟隨誤差小于0.39 m/s，車輛到達終點后能夠精準執行停車操作，停車距離誤差為0.13 m。

車輛在大曲率路段前進工況下的橫向控制結果如圖21所示。車輛的前進路徑跟隨精度較高，平均跟蹤誤差小于0.2 m，在大小曲率路段均能夠精確跟隨期望路徑，具有較好的魯棒性。

(a) 距離為20 m

(b) 距離為40 m

(c) 距離為60 m

(d) 距離為80 m

圖19 縱向速度跟隨情況Fig.19 Longitudinal speed following situation

(a) 下坡速度控制效果

(b) 下坡定點停車控制效果

(a) 前進工況下橫向控制路徑對比

(b) 前進工況下橫向控制誤差

車輛在蛇形大曲率路段后退工況下的橫向控制結果如圖22所示。車輛控制效果較好，魯棒性較強，最大橫向控制誤差小于0.7 m，角度控制誤差小于5°。經測試驗證，即使在實際起點距離期望起點較遠的情況下，車輛也可迅速校正至期望路徑且無回調。

(a) 后退工況下橫向控制路徑對比

(b) 后退工況下橫向控制誤差

持續可靠性測試結果表明，系統的最大縱向速度控制誤差小于0.56 m/s，最大橫向控制誤差小于0.6 m，滿足車輛行駛的控制要求。

3.4 系統測試

在礦區不同環境下，測試無人礦卡的裝、運、卸及車鏟配合等功能。無人礦卡連續進行道路運輸并在裝卸載點執行裝卸過程中，實際路徑與期望路徑的對比如圖23所示。整個過程路徑規劃合理，速度規劃符合要求，無人礦卡能夠正確執行作業命令，且各狀態之間的模式切換平順。

圖23 無人駕駛系統實際路徑與期望路徑對比Fig.23 Comparison of the actual path and the expected path of the unmanned driving system

在裝載測試階段，無人礦卡能夠準確泊入裝載點，與液壓鏟等配合良好，如圖24所示。在示范運行期間，裝載貨量可超過滿載的80%以上，滿足一般作業需求。

在哈爾烏素露天煤礦的測試結果表明，無人礦卡在泥濘路面、雨雪天氣、夜間環境等條件下均可正常行駛，具備礦區連續運行與作業能力，能夠準確循跡、自主避障并執行任務。地面控制系統能夠控制無人礦卡的啟動與關閉，在必要情況下可遠程控制與駕駛礦卡，車載無人駕駛系統各項功能平穩可靠。

圖24 車鏟配合測試Fig.24 Truck and shovel cooperation test

4 發展趨勢

近2 a來，隨著國家宏觀政策對礦山智能化提出新要求，露天煤礦的無人駕駛系統和技術發展迅速。為了推進礦卡無人駕駛系統的商業化進程，尚需突破車載系統與地面系統的若干瓶頸。

對于車載系統，需首先構建系統化與產品化思維，將無人駕駛系統流程化管理列為重要課題，以產品形式選擇相應硬件，提升硬件的礦區適應性。針對感知系統，應著重提升復雜重塵環境下的目標識別能力，提高檢測冗余度；針對控制系統，應著重提升線控執行器響應速度，提升載質量獲取準確性；針對決策系統，應從導向安全出發，進一步考慮導向高效，提升系統作業效率。

對于地面系統，應充分融合前一階段數字化礦山的既有成果，兼容當前礦區調度管理系統；應著重開發混跑與多車協同管理系統，提高多車調度效率，達到節能控制指標；應大力發展“云控”技術，利用V2X(車輛與外界的信息交換)等先進手段，提升無人駕駛系統協同安全。

未來，無人駕駛系統將重點由單車向多車發展，由單車自動駕駛實現多車混跑，逐步從示范應用階段進入商業化探索與實踐階段，各環節產業鏈將逐步完善。預計2022年將實現不少于20臺礦卡的小型無人礦山示范應用，2025年將迎來批量商業化應用。

5 結論

(1) 執行器測試結果表明：液壓制動系統響應時間約為400 ms，響應誤差小于10%；轉向系統響應時間約為200 ms，響應誤差小于5%，轉向過程整體平穩可控，滿足系統控制要求。

(2) 環境感知測試結果表明：各類型障礙物場景下檢測結果穩定，大型、中型、小型和極小型障礙物的最大檢測距離分別可達140，110，90，60 m；靜態障礙物的檢測距離平均誤差小于0.5 m，尺寸不超過0.5 m×0.5 m×0.5 m的障礙物的最大檢測距離大于60 m。

(3) 車輛控制測試結果表明：車輛的加減速均迅速及時，能夠精準執行停車操作，停車距離誤差為0.13 m；最大縱向速度控制誤差小于0.56 m/s，最大橫向控制誤差小于0.6 m，滿足車輛行駛的控制要求。

(4) 在哈爾烏素露天煤礦的測試結果表明:無人礦卡在泥濘路面、雨雪天氣、夜間環境等條件下均可正常行駛，可實現“裝、運、卸”典型作業過程的完全無人自主運行。