基于隨動式激光雷達的港區無人駕駛集卡控制算法研究

張翰林,李紫丹,徐 佳

(1.交通運輸部天津水運工程科學研究所，天津 300456；2.天津港國際物流發展有限公司，天津 300461；3.天津津港基礎設施養護運營工程管理有限公司，天津 300456)

隨著加快推進國家一流綠色智慧港口建設的實施，當前我國已有多個港口建設了智慧港口無人化碼頭，實現了車輛的自主調動，當前自動化碼頭建設的主流技術是以提前埋設磁釘或磁條作為車輛的導航感應系統，這種方式定位精度高且技術相對成熟[1]，但適用于新建港口且成本相對較高，而對于生產作業繁忙的老舊港口并不適用，如何以更低成本實現老舊港口的無人化改造將成為重要的研究方向[2-3]。

當前無人駕駛技術主要通過安裝各類高性能傳感器(如激光雷達和攝像頭)來收集駕駛所需的信息[4]，并在環境感知、設備定位、路線規劃和應急控制等多個環節進行數據反饋。其核心主要是由激光雷達、探頭和中控系統組成，其優勢在于雷達可以對當前的環境進行掃描[5]，探頭可以清晰地感知路面情況，當出現緊急情況及時反饋中控系統[6]，以避免發生事故。但該方法需安裝多個探頭進行數據采集和反饋，也對中控系統的數據處理能力提出了更高的要求，在芯片緊缺的背景下會導致設備成本較高和產能不足等情況的發生。無人化港區相比于城市道路，其車輛工作環境相對“寬松”，因此在確保安全的前提下，以降低設備成本為目的，提出了服務于港區車輛的隨動式激光雷達控制系統[7]。

本文以港區無人駕駛集卡研究項目中的實際問題為研究對象[8]，通過對比隨動式激光雷達無人駕駛集卡與傳統車輛的行駛過程和工作效率的數據進行對比，研究無人駕駛集卡在傳統港口應用的可行性，為無人化智慧港口建設提出新的解決方案。

1 港區無人駕駛集卡技術發展現狀

歐美國家對于無人駕駛技術研究較早，目前以特斯拉為代表的科技企業在無人駕駛技術相對領先，其無人駕駛卡車已經開展了正式的路上測試。聚焦到無人集卡這一領域，2013年3月，日本新能源產業技術綜合開發機構推出“卡車自動編隊技術”，在無人集卡領域進行了嘗試和探尋[9]。2015年10月，德國的量產版半自動無人駕駛卡車Actros首次在Autobahn8公路上進行了測試[10]。特斯拉、福特等多家汽車科技公司也在加利福尼亞、內華達、密歇根等地開展了無人集卡的路測。

近年來，我國自適應駕駛系統的研究得到了進一步發展[11]，自動駕駛車輛也已經被開發，自適應駕駛系統也開始應用于社會化車輛，隨著硬件水平的不斷提升，AI也開始應用于港口領域，中國重汽集團、東風集團都推出了無人駕駛集卡[12]。2018年1月，珠海港運行了全球首輛港區作業無人集卡[13]。2018年2月，天津港無人駕駛港口集裝箱純電動牽引車研發與示范運營項目正式簽署。2018年4月，天津港無人集卡開展試運營[14]。

2 隨動式激光雷達控制系統

隨動式激光雷達控制系統是一個多輸入多輸出的復雜系統。它是由傳感器、電子控制系統和執行器組成的自動控制系統，可隨著車輛行駛速度、方向和俯仰角的變化自動調整激光雷達探測角度，并通過設定的轉彎半徑和安全停車距離對行駛環境進行判別，通過對環境數據的采集反饋控制系統得到指令，并進行處理(圖1)。

圖1 雷達自適應轉向控制系統

2.1 車輛旋轉角度控制系統

車輛轉角控制系統由兩個部分組成，即為水平轉角計算和垂直轉角計算。通過車輛的行駛速度和轉彎半徑，計算車隨動式雷達的旋轉角度，以避免出現雷達盲區。

2.1.1 水平轉角

激光雷達的掃測范圍為半圓形，通過計算車輛轉彎弧線與激光雷達掃測的弦長，即中心線與車輛前方雷達的預期軌跡交點之間的距離與中心線的角度偏移α，即可得出隨動式系統的偏移角度。由圖2可知，弦長S、轉彎半徑R和激光雷達轉彎角度α之間的關系可以表示為

圖2 車輛右轉時雷達隨動角度

S=2R×sinα

(1)

由圖可知，∠α與∠β均為激光雷達轉動切角，即∠α=∠β。因此，停車視距S′、轉彎半徑R和激光雷達轉角之間的關系可以表示為

(2)

2.1.2 垂直角度

當無人駕駛集卡行駛在坡面路段時(圖3)，通過自適應駕駛系統采集兩個軸距之間的高度差，再除去軸距長度，計算出路面的坡度差值，求值sinα。其中α即為車身俯仰角度，隨動雷達隨之旋轉即可，在此不再贅述。

圖3 車輛上、下坡時雷達隨動角度

2.2 安全停車距離控制系統

安全停車距離包括兩部分，即為系統響應距離和車輛制動距離。港區車輛在運輸過程中車速一般控制在30 km/h，本文通過數據分析計算車輛行駛的安全距離。

S安全=S響應+S制動

(3)

2.2.1 系統響應距離

主要由激光雷達和隨動式結構兩部分的硬件設備和軟件算法決定，車輛的響應距離即為激光雷達響應距離和隨動式結構響應距離的和，而距離等于車輛速度與響應時間的乘積。目前常規L2級別自動駕駛技術應用于車輛駕駛的常規激光雷達檢測響應時間為0.04 s，加之隨動式結構的傳輸時間。總體時長約0.3 s，因此S響應=0.3v，其中v表示車輛行駛速度。

2.2.2 車輛制動距離

車輛的制動距離主要與車輛的制動能力、重力加速度g和路面摩擦系數μ相關，求解摩擦力f公式為

f=μmg

(4)

其中：m代表車的質量，車輛減速時加速度為

(5)

由于港區現場工作環境以及天氣因素等多種原因，在不考慮輪胎磨損的情況下，制動距離的公式為

(6)

2.2.3 車輛安全距離

取平均摩擦系數μ=0.6。根據式(3)及式(4)，求解可以獲得智能駕駛車輛的速度與其安全距離，如表1所示。

表1 不同速度下的安全距離

車輛行駛過程中速度是連續的，通過安全距離對應的幾個離散數據點，在MATLAB中使用最小二乘法進行曲線擬合。可以獲得智能駕駛車輛的速度與其安全距離之間的連續函數關系。

v=10/3.6:20/3.6:30/3.6:40/3.6:50/3.6

S=[1.8,4.81,9.01,14.43,21.04]

根據曲線擬合和車輛行駛的安全距離，其中f為摩擦力

f=polyfit(v,S,2)f=0.078 0.432 0.002

(7)

車速與汽車安全剎車距離之間的公式為

S安全=0.078v2+0.432v+0.002

(8)

3 港區無人駕駛集卡集群控制算法

針對集卡集群調度的任務特點建立數學模型，選用遺傳算法配置求解，通過初始種群生成進行交叉解析，從提高車輛運輸效率的角度出發，以計劃期內無人駕駛集卡不能超過等待上限為核心約束，以降低車輛完成單項任務時間為目標，構建了無人集卡群調度優化模型，再結合數據驗證，分析對比無人集卡作業效率的提升對策。

3.1 建立算法模型

模型假設：(1)任務開始前車輛明確對應的任務區；(2)明確車輛行駛線路，且預留安全距離；(3)設定時間段內最多配置3臺車輛進入等待區；(4)超過設定等待時長后車輛重新配置任務，進入其他作業區。

需要注意的是，對車輛進行編輯時車輛的數字編號上限不得超過作業區內總體工作車輛總數，以避免出現某一車輛長時間等待，其他車輛出現重復性任務。

其中：設定時間段內工作車輛編號為x；y為該時間內配置的車輛總數；車輛任務編號為i；開始工作時間為t0；總體工作時間為A；T為單個計劃期時長；U為車輛等待時間上限。

上述參量中Min 、Kx是模型的決策變量。其中設定權重值為θ，具體根據港口實際作業情況(繁忙程度、設定行駛速度等)和車輛維護時長(清洗、保養等)相關因素設定，以相加的方式配比權重，為目標函數值。

建立模型

MinF=θ×(F1+F2)+(1-θ)×F3

(9)

該模型中，F1為單一車輛的等待時間，即為其總體完成任務時間減去工作時間；F2為車輛行駛時長，即單一車輛當前任務的時間匯總；F3為所有車輛等待時長，通過匯總所有車輛的工作時長，可判別車輛線路和合理性。

確定目標函數

(10)

(11)

(12)

其中，約束條件函數

T(Mix)≥H(Mix)+R(Mix)

(13)

T(Mix)=H(Mix)+max{T(M(i-1)x)+D(M(i-1)x,Mix),R(Mix)}

(14)

(15)

H(Mix)-R(Mix)-T(Mix)≤A

(16)

(17)

(18)

3.2 模型配置求解

對港區無人集卡進行編碼，根據遺傳算法，一個車輛的工作計劃對應的染色體長度為(任務數+車輛數-1)，并設定任務編號，明確車輛等待時長上限。當港區內存在多臺車輛同時作業時，需避免出現相互干擾的情況。

交叉解析即為樹形結構解析。首先隨機選擇一個車輛，對其進行任意數字編輯，然后進行任意的任務分配，然后觀察車輛等待時長和行駛軌跡，車輛等待時長不超過設定值且不存在與其他車輛干擾的情況下，設定為正常，如出現等待時長超過設定值或路線干擾情況，需對其執行交叉解析，分析原因后再明確設定新的任務。

(1)過程1。設定矛盾點位，即為超過等待時長或與其他車輛路線干擾，標記為Bi。

(2)過程2。隨機選擇一個車輛任務，對其進行標記。

(3)過程3。如當前選擇的任務不存在矛盾點位，則對其進行放行；如存在矛盾點位，則對其進行交叉解析，并記錄。

(4)過程4。對單位時間內所有的任務進行標記，如完成任務循環，則重復過程1，并進入新的任務循環。

(19)

解決矛盾點位過程：針對等待超時的車輛進行標記為P，記錄等待時間和原因，根據此確定樹干結構，并拆解到樹枝結構繼續進行解析，例如任務計劃制定不合理、線路沖突、車速不適或車輛損壞等原因，分析得到數據P1及P2，根據其情況進一步延伸，最終明確原因，后去除其特征P，記錄為Pf。

同理再針對另一個交叉點Q進行上述操作，并最終得到Qf，并以此類推最終記錄所有的矛盾點位合集為Xf。然后針對所有的矛盾點位進行交叉解析，分析其過程是否存在沖突，如存在，則需要重復上一步解析過程，直到交叉點消失記錄為Bf，即矛盾點位為空，路徑設置完成。

4 實驗過程

4.1 雷達隨動角度驗證

在車輛形式過程中車輛的停車視距S′即為停車安全距離S安全，因此將式(8)代入式(3)，計算得出激光雷達的雷達水平轉角、轉彎半徑與車速的關系

(20)

結合港區車輛實際行駛過程中，車輛行駛速度一般為30 km/h，無人集卡的平均轉彎半徑為16～20 m，取轉彎半徑為平均值18 m。港口車輛轉彎一般為直角彎為90°，詳見表2和圖4。

表2 不同速度下的隨動式雷達的水平轉向角度

圖4 雷達水平角、轉彎半徑和速度之間的關系圖 圖5 停車安全距離對比驗證

4.2 停車安全距離驗證

結合上文，通過將10～50 km/h的數據代入式(5)，計算得出安全距離，對比實際剎車距離，如表3所示。

4.3 車輛工作等待時長驗證

對比北方某港口單位時間段內人員駕駛的等待時長與上文調度算法的模擬時長，分別對10組車輛進行統計，結果詳見表4。

表4 等待時長對比

4.4 試驗結果

通過模型對比雷達角度隨動關系和停車安全距離，驗證了車輛改造的可行性。結果如下：

(1)在相同轉彎半徑下，車速越高則雷達轉角越大。隨著車速的增加，雷達的實際旋轉角度將線性增加。

(2)激光雷達自適應駕駛系統的停車安全距離與人員駕駛的停車安全距離基本一致，結合實際數據對比，當車速小于8 km/h時，人員駕駛的車輛因反應時間較快，所以剎車距離更短，當車速在15～35 km/h，剎車距離幾乎一致，當車輛行駛到45 km/h以上時，無人駕駛車輛的剎車距離更短，該數據可為車輛調度和實際駕駛提供參考，如圖5所示。

通過對比傳統集卡和無人駕駛集卡的工作效率，驗證了調度優化的可行性。結果如下：對比傳統港口車輛和無人駕駛集卡的工作效率，本系統對等待時長超過10 min的車輛進行調整，提升了運行效率。

5 結論

針對當前推進智慧港口建設的需求，本文提出了以隨動式雷達應用于港區無人駕駛集卡的控制算法研究，同時結合算法優化，縮減了車輛工作等待時長，提升了港口運行效率。后期，隨著無人化碼頭的逐步普及，新能源設備將不斷涌入水運行業，隨著5G技術和傳感器技術的不斷發展，車輛實現自主定位、自主能源補給的能力會進一步提升，還需進一步加強無人車輛調度方案設計，提升港口運行效率。