5G 礦用電機車無人駕駛系統研究

李文宇

（西山煤電股份有限公司西銘礦， 山西 太原 030052）

引言

露天礦山受工作面設備多、環境惡劣、工作條件復雜等因素制約無法正常進行開采。無人生產是實現礦山智能化、無人開采的障礙，目前露天礦無人開采的研究還處于起步階段，這大大降低了生產效率，因此為了提高車輛的運行效率，需要綜合考慮各種因素，比如破碎站，等車輛的操作計劃路線（如圖1 所示）。隨著5G、邊緣計算、大數據、人工智能等技術的快速發展，露天礦無人駕駛技術實現了突破性發展。云計算的集中處理和遠距離傳輸將導致網絡擁塞，數據接收速度不能滿足用戶的實時需求，尤其是在對延遲敏感的使用場景下。無人駕駛車輛攜帶的多個傳感器不斷地收集外界環境的信息，產生大量的數據[1-3]。無人駕駛車輛每隔幾秒鐘就能產生GB 級的數據，這對車輛本身的計算和存儲能力構成了挑戰。露天礦無人駕駛對實時數據響應要求很高。相比4G 和Wi-Fi，5G 網絡可以為露天礦無人車輛提供更穩定的信號連接。可以利用5G 的高速、低延遲、高可靠性特性，部署制導定位、路徑規劃、任務調度、運動控制、信息融合等邊緣應用。這些應用程序對運行的設備有很高的性能要求，不能在資源有限的移動設備上直接計算。通過計算遷移技術將某些計算復雜的多目標優化算法遷移到資源豐富的邊緣或遠端云是一種有效的方法。運輸電機車運輸控制現是以信號、集中、閉塞作為調度指揮系統，司機駕駛電機車按照信號指示運輸[4-5]。急需開展5G 礦用電機車無人駕駛系統研究，進而實現煤礦電機車運輸智能化、自動化水平，減員增效，并確保電機車運輸的安全運行，同時大幅度提升運輸效率。

圖1 露天礦車輛調度的抽象基本模型

1 5G 無人駕駛控制系統

目前，智能駕駛、無人駕駛普及所面臨的最大技術問題就是如何提前且有效地進行障礙物監測，如何能夠在監測到障礙物后判斷其真實的安全影響，以及如何在各種工況及氣候環境下工作。

基于各傳感器數據（激光雷達數據、毫米波雷達數據、紅外線傳感器數據、3D 攝像機數據、超聲波雷達數據），使用人工智能算法、大數據挖掘技術以及多傳感器融合技術，對數據進行提取、精簡以及融合，并結合位置信息系統（可獲知運行軌道以及運行位置），智能建立對象模型，并通過機器學習，將對象區分為障礙物、參照物和無關物體，同時結合列車界限判斷，以及運動狀態判斷，對比參照物，來建立全局識別模型。

在此全局識別模型框架下，可智能識別是否有障礙物侵入列車運行界限，以及是否有前后車在同軌道運行。并根據障礙物的類型以及前后車的距離，進行智能判斷與決策，將決策信號給到列車控制系統。

具體系統框架如下頁圖2 所示。系統通過各傳感器融合的信號，綜合5G 人工智能技術，建立實時障礙物數據庫，并不斷通過優化，為后續提供判斷依據，可將不同障礙物進行類型識別，識別距離在200 m，物體大小40 cm×40 cm。

圖2 無人駕駛系統操作框架

這種識別對機車的正常運行非常關鍵，因為軌道上的障礙物種類繁多，有些障礙物其實對列車的安全并不能造成影響，如果是人工司機駕駛，通常是不做出剎車等反應。例如軌道上的羽毛、塑料袋、飄帶、氣球等比較輕的物體，對列車的運行并不能造成影響，但體積可能超出障礙物報警門限，如果這種狀況下頻繁報警，將非常影響列車的正常運行，造成不必要的停駛或人工干預。

2 應用效果分析

采用基于5G 和大數據的智能交通調度系統后，無人駕駛車輛速度從10 km/h 提高到30 km/h。該系統不僅改善了礦山的生產工藝，而且縮短了礦山車輛的平均行駛距離，提高了車輛的有效利用率，實現了節能降耗。同時可以保證礦山產品的持續穩定供應，提高礦山效益。

對某露天礦智能礦區無人車智能調度進行優化，如圖3 所示，提取必要的參數，如重型汽車單位距離成本、重型汽車平均速度、無人車質量、無人車GPS數據、并得到目標礦品位的卸荷點信息。采用DBCDP-NSGA-II 對多目標智能調度進行優化。

圖3 某露天礦智能采區

DBCDP-NSGA-II 的解決方案結果如圖4 所示。圖4 顯示了對卡車調度問題的三個目標進行了優化，并使用DBCDPNSGA-II 求解pareto 最優邊界。一些目標之間的趨勢更為明顯。求解三個目標得到pareto最優前曲面，如圖4-1 所示。對于運輸成本與總等待時間之間的優化，存在一定的凹優勢變化規律，如圖4-2 所示。當運輸成本降低時，等待時間增加，這與目標函數一致。在現場，等待時間越大，車輛就會被送到同一破碎站和裝車點，車輛的等待時間就會增加，運輸次數越少，車輛運輸成本就越低。這種變化不是線性變化的，它是一種帶有微凹形狀的曲線變化。對于運輸成本與目標坡度偏差之間的優化，如圖4-3 可以看出，當運輸成本增加時，目標坡度偏差顯著增加；從上頁4-3 曲線圖中可以看出，當運輸成本發生微小變化時，坡度偏差是振蕩的。因此，這種小形式的變化并不能直接表明優化總等待時間與目標品位偏差之間的兩個目標之間的關系，如上頁圖4-4 所示。當總等待時間減少時，目標坡度偏差呈振蕩趨勢上升。這種變化趨勢可以看作是整體的上升趨勢，但是從曲線圖上分析，總的等待時間有很小的變化。此時，等級偏差是一個劇烈的趨勢，沒有向下的趨勢，所以這個小范圍的變化并不能直接說明兩個目標之間的關系。

圖4 優化結果

傳統的露天礦卡車調度作為礦山生產管理的核心內容，存在車輛排隊等待時間長、優化目標單一等問題。5G 和人工智能的快速發展，使得露天礦無人駕駛應用越來越成熟。為提高傳統調度模型的運行效率，建立了露天礦無人車多目標調度優化模型。對算法求解進行了研究，并將其應用于某礦山。

建立了露天礦無人車智能運輸系統的車輛調度模型。基于無人車GPS 數據、車輛設備信息、生產計劃數據等海量數據，以運輸成本最小、無人車總排隊時間最小、含礦量波動最小為目標函數，建立了露天礦無人駕駛多目標智能車輛調度模型。該模型同時考慮多個目標來規劃符合露天礦實際生產的卡車作業路線。結合Pareto 支配、分解和約束支配三種方法的優點，提出了一種分解和約束支配NSGA-II 優化算法（DBCDP-NSGA-II）。統治的排序、帕累托統治排序執行，解決重量和距離向量和解決方案與理想點之間的距離，我們懲罰并嚴格等級相當于解決方案的權向量的投影和溶液密度，從而保留了可行和不可行的稀疏區域解，提高了種群的收斂性和分布性。綜合分析了該算法與其他四種DTLZ 測試函數約束算法的結果。

3 結語

電機車運行完全受控于計算機控制系統，不需要司機；在集控室完全可以掌握全部運輸系統的生產情況和電機車精確定位；列車運行完全在控制系統的監視之下運行，更加安全可靠；電機車除遙控裝礦環節外，全部自動運行，電機車單體運輸效率可以顯著提高；表遙控生產，人用下井交接班，增加有效生產時間。以無人駕駛控制系統為骨干線，可以把總降壓變電所、水泵房、牽引變電所全部納入，并傳送到地表，更加可靠、合理、經濟。