激光與視覺融合技術在煤礦膠輪車的應用

陳湘源，張 康

國能榆林能源有限責任公司 陜西榆林 719000

隨著我國煤礦智能化的發展，對煤礦運輸系統的智能化建設也提出了新要求[1-2]。煤礦膠輪車智能定位及導航是煤礦智能化建設的重要環節，國內諸多學者對其進行了相關研究，楊坤[3]結合巷道內彎道和交叉路口多的特點，提出了十字交叉口模型和單車通行巷道模型，通過試驗驗證了該模型滿足應用場景需求；周李兵[4]針對井下巷道“長廊效應”、“多徑效應”干擾，利用 SLAM 和 UWB 組合定位技術，實現膠輪車移動狀態下的精確定位；王陳[5]針對井下工況搭建了無軌膠輪車無人駕駛軟硬件系統，并實現了無軌膠輪車井下自主建圖功能；劉琴[6]以無人駕駛無軌膠輪車為研究對象，對膠輪車會車策略和全局路徑規劃進行了研究，提出了基于指數函數加權的 A*算法，并通過仿真驗證了算法的優越性；李寶龍[7]針對井下膠輪車調度效率低的問題，設計了一種多讀卡器冗余加權算法，提高了系統定位精度，實現了無軌膠輪車智能化調度管理。

上述研究對無軌膠輪車無人駕駛技術的發展起到了積極的推動作用，多數研究僅采用單一傳感器對巷道進行建圖、導航，以實現無軌膠輪車無人駕駛，但單一傳感器在井下環境感知方面存在一定的局限性。在井下光線暗且粉塵較多的情況下，單獨使用攝像頭視覺系統難以實現井下環境的準確建圖，而僅使用激光雷達無法對障礙物的幾何形貌進行準確的判斷。因此，在總結目前研究成果的基礎之上，筆者根據郭家灣煤礦對膠輪車在運輸巷道內實現環境感知與自主定位的需求，基于激光雷達與視覺識別融合技術，利用非線性擴展卡爾曼隨機類數據融合方法，實現車輛在行駛過程中對周圍環境的感知以及對障礙物的識別。

1 無人駕駛試驗車硬件系統搭建

依據煤礦生產安全相關要求，參照德塔牌 WLR-5BA 礦用防爆鋰離子蓄電池無軌膠輪車，整車已通過防爆認證，主要參數如表1 所列。為實現無軌膠輪車無人駕駛，對無軌膠輪車進行智能化改造，其傳感器布置如圖1 所示。在膠輪車上布置 1 個高精度 32 線激光雷達，以及 1 組相互冗余的長、短焦距攝像頭；在車的左右兩側分別布置 1 個 16 線激光雷達；在前后下方位置分別布置 1 個毫米波雷達；在車內布置慣性導航原件及數據集中和傳輸系統。其中 32 線激光雷達和毫米波雷達的主要參數如表2、3 所列。

表1 WLR-5BA 無軌膠輪車主要參數Tab.1 Main parameters of WLR-5BA trackless rubber-tyred vehicle

表2 32 線激光雷達主要參數Tab.2 Main parameters of 32-line radar

表3 毫米波雷達主要參數Tab.3 Main parameters of millimeter-wave radar

2 軟件設計

2.1 導航框架

依據 ROS 的導航框架對 WLR-5BA 無軌膠輪車的導航系統進行設計，如圖2 所示。根據煤礦巷道相應的材料信息，構建全局地圖，同時對傳感器數據進行融合處理，得到車輛的位置以及實時環境等信息。通過傳輸系統將信息傳輸到地面的集控中心，最后通過人機交互系統發出指令，實時控制無人車輛的行駛。

圖2 導航系統結構Fig.2 Structure of navigation system

2.2 車輛運動模型

為實現車輛的無人駕駛技術，結合 WLR-5BA 無軌膠輪車結構，構建車輛的運動模型，如圖3 所示，其中，A(xf，yf) 為車輛前軸軸心的坐標，B(xr，yr) 為車輛后軸軸心的坐標，l為車輛的軸距，φ為車輛的橫擺角。

圖3 車輛運動模型Fig.3 Vehicle motion model

基于以上分析，車輛后軸速度為

根據幾何學，可以得到車輛前后軸的關系為

式中：δf為車輛的前輪轉向角，(°)。

由式 (1) 與式 (2) 聯立可得

將式 (3) 與式 (4) 代入式 (2)，可以得到車輛的橫擺角速度為

由式 (1) 和式 (5) 可以得到

式中：R為車輛的轉向半徑，m。

由式 (4) 和式 (5) 可以得到車輛的運動模型為

3 激光與視覺融合技術

車輛對周圍環境的成像與識別是實現無人駕駛的核心。采用非線性擴展卡爾曼隨機類數據融合方法，來實現 WLR-5BA 無軌膠輪車對周圍環境的成像與識別；利用泰勒級數展開將非線性系統線性化，進而采用卡爾曼濾波框架進行數據處理。

式中：Fk-1為雅克比矩陣。

觀測方程以及在本輪狀態預測值 θk′處的泰勒展開為

式中：H為雅克比矩陣。

由以上公式可得擴展卡爾曼濾波的更新和預測為

激光與視覺融合的整體技術流程如圖4 所示。

圖4 融合建圖流程Fig.4 Fusion mapping process

4 試驗研究

考慮到試驗人員的安全，在地面上進行車輛的近距離人員檢測試驗。分別在車輛前方的 2.5 m 處、車輛后方的 5.0 m 和 10.0 m 處等多方位安排工作人員，通過安裝在車輛的傳感器對工作人員以及周圍環境進行感知識別試驗。其中圖5 所示為工作人員在車輛前方 2.5 m 處，圖6 所示為工作人員在車輛后方的10.0 m 處。

圖5 地面車輛前方 2.5 m 處試驗Fig.5 Test at 2.5 m in front of the vehicle on the ground

圖6 地面車輛后方 10.0 m 處試驗Fig.6 Test at 10.0 m in front of the vehicle on the ground

由圖5 可知，在激光雷達掃描后得到的圖像中能夠清晰展現出站在車前工作人員輪廓；由圖6 可知，在雷達的視場圖中可以發現膠輪車后方的障礙，說明無軌膠輪車的傳感器通過了人員檢測試驗。

為驗證車輛導航系統的準確性，以及各傳感器在煤礦井下的適應性，在煤礦井下進行了 WLR-5BA 無軌膠輪車的巷道環境感知與導航定位性能試驗，如圖7 所示。該傳感器布置方案能準確地描述出車輛在煤礦巷道內的位置以及巷道的結構。

圖7 煤礦井下試驗Fig.7 Coal mine underground test

為了驗證無軌膠輪車的激光與視覺融合技術在井下的感知精度，在無軌膠輪車前方 150 m 和后方 160 m 處分別放置柱型障礙物，通過激光雷達觀測到的障礙物點云信息如圖8 所示。

圖8 障礙物點云數據Fig.8 Obstacle point cloud data

對障礙物點云數據進行統計分析，如表4 所列。可知，在前方 150 m 處的障礙物，平均觀測值為149.020 m，其波動范圍為 -1.525～ -0.048 m，相對誤差值為 1.02%；在后方 160 m 處的障礙物，平均觀測值為 159.518 m，其波動范圍為 -1.292～ 0.521 m，相對誤差值為 0.81%；整體誤差在 1.00% 左右，滿足無軌膠輪車在井下感知和避障需求。

表4 障礙物點云統計結果Tab.4 Obstacle point cloud statistical results

5 結論

筆者構建了車輛的導航框架和車輛的運動模型，以 WLR-5BA 礦用防爆無軌膠輪車為載體，在車輛上布置了高精度 32 線激光雷達、攝像頭和毫米波雷達等傳感器；采用激光與視覺融合技術，在地面試驗并在煤礦井下對煤礦無軌膠輪車的導航定位以及環境感知進行試驗。在地面試驗中，在無軌膠輪車前后 2.5、5.0、10.0 m 處進行人員檢測，雷達圖像可準確描繪出人員輪廓；在井下遠距離障礙測試中，觀測點誤差波動范圍約為 0.048～ 1.525 m，相對誤差約為1.00%；因此，激光雷達與視覺識別融合技術可以達到較高的感知精度，同時驗證了傳感器布置方案的可行性以及算法的準確性，研究成果為煤礦運輸系統智能化發展提供了技術支撐。