中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

煤礦生產(chǎn)中根據(jù)運輸任務(wù)不同，可分為主要運輸和輔助運輸。煤礦輔助運輸泛指煤礦生產(chǎn)中除煤 炭運輸之外各種運輸?shù)目偤停饕ú牧?、設(shè)備、 人員和矸石等的運輸。目前國內(nèi)外大中型井工煤礦較常用的新型高效輔助運輸設(shè)備主要有無軌運輸設(shè)備（無軌膠輪車）、軌道運輸設(shè)備和單軌吊車3 大 類。我國西北煤田主力生產(chǎn)礦井以斜井開拓為主， 主要采用無軌膠輪車完成煤礦輔助運輸作業(yè)。由于 煤礦輔助運輸線路隨工作地點的遷移而經(jīng)常變化、 運輸線路水平和傾斜互相交錯連接、運輸線路環(huán)節(jié) 多、待運物料品種繁多且形狀各異等客觀因素，導(dǎo)致 井下輔助運輸作業(yè)環(huán)節(jié)用工數(shù)量多、安全事故頻 發(fā)。國家八部委聯(lián)合制定并發(fā)布了《關(guān)于加快煤礦智能化發(fā)展的指導(dǎo)意見》等文件[1] ，吹響了全國范圍 內(nèi)煤礦智能化建設(shè)的沖鋒號，作為煤礦智能化建設(shè) 的關(guān)鍵環(huán)節(jié)，煤礦井下無軌膠輪車無人駕駛的研究 正受到行業(yè)高度關(guān)注。 

區(qū)別于城市汽車等無軌交通無人駕駛，在煤礦 井下開展無軌膠輪車無人駕駛存在一系列新的挑 戰(zhàn) [2] ：

鑒此，筆者提出了煤礦井下無軌膠輪車無人駕駛系統(tǒng)架構(gòu)，分析了系統(tǒng)實現(xiàn)關(guān)鍵技術(shù)，并在煤礦井 下對系統(tǒng)進行了測試驗證。

煤礦井下無軌膠輪車無人駕駛系統(tǒng)由無軌膠輪車、車載智能感知系統(tǒng)、車載決策控制系統(tǒng)、礦用智能路側(cè)單元、通信網(wǎng)絡(luò)、遠程控制平臺等組成，如 圖 1 所示。

（1） 車載智能感知系統(tǒng)。

主要包括超聲波雷 達、毫米波雷達、激光雷達、車載機器視覺傳感器及 車載單元（On Board Unit，OBU），可實現(xiàn)全天候、復(fù) 雜工況環(huán)境下車輛行駛路徑范圍內(nèi)路況及障礙物的 高精度智能感知，以及一定安全系數(shù)的感知冗余設(shè) 計。超聲波雷達一般均布在車輛四周適當高度，可 測量 0.05～1 m 范圍內(nèi)的障礙物信息，常用頻率為 49 kHz，通過 RS485 總線掛接在車載智能感知系統(tǒng) 內(nèi)。目前主流毫米波雷達一般工作在 77 GHz 主頻， 可同時跟蹤識別 64 個及以上動目標，最高識別速度 可達 250 km/h，識別精度高達厘米級，一般通過 CAN總線掛接在車載智能感知系統(tǒng)內(nèi)。目前可實現(xiàn)礦用 本質(zhì)安全（以下簡稱本安）型設(shè)計的車載激光雷達最 高激光通道數(shù)為 16 線，可在煤礦井下巷道場景有效 掃描 50 m 以上距離，出點數(shù)量≥31 萬/s，垂直視場角 為?15～15°，絕對精度一般可達厘米級。車載機器 視覺傳感器參數(shù)適配于其后端機器視覺或視覺即時 定位與地圖構(gòu)建（Visual Simultaneous Localization and Mapping，VSLAM）算法，一般建議清晰度 720P 及以 上、灰度鑒別等級 7 級及以上、水平分辨率 350TVL 及以上，具備車規(guī)級抗震、外殼防護設(shè)計，以礦用本 安型為主。OBU 用于車輛與礦用智能路側(cè)單元間通信，一般需兼容 5G/4G/WiFi/Uu/PC5 無線通信制式， 具備一定數(shù)據(jù)處理能力和本地存儲空間。

（2） 車載決策控制系統(tǒng)。

主要包括域控制器、 底層適配單元、線控油門、線控檔位、線控雙模轉(zhuǎn) 向、電子液壓制動等。域控制器是全車無人駕駛的 算力中心，一般設(shè)計為礦用本安型，考慮到礦用本安 型設(shè)備的功耗限制，其對應(yīng)算力輸出受限，因此多數(shù) 情況下需多組礦用本安型域控制器組合使用，以提 供足夠算力輸出。底層適配單元一般用于監(jiān)控車輛 工作時輸入的各種數(shù)據(jù)和汽車運行的各種狀態(tài)（加 速、打滑、油耗/電耗等），并按照預(yù)先設(shè)計的程序計 算各種傳感器數(shù)據(jù)，執(zhí)行預(yù)定的控制功能。線控油 門、檔位、轉(zhuǎn)向、剎車用于對車輛的橫向（垂直于巷 道壁方向）與縱向（沿巷道壁方向）控制，一般控制響 應(yīng)延時≤100 ms，車身控制精度≤20 cm。 

（3） 礦用智能路側(cè)單元。

主要包括 5G 基站、超 寬帶（Ultra Wide Band，UWB）精確定位基站、激光雷 達、工業(yè)相機及域控制器等。5G 基站用于車端與路 側(cè)單元端的無線通信。UWB 精確定位基站用于車 輛在井下的粗定位，一般動態(tài)定位精度可達 0.3～ 0.7 m。激光雷達和工業(yè)相機一般用于巷道交叉路口 的補盲感知、違章抓拍等。域控制器用于處理礦用 智能路側(cè)單元基礎(chǔ)數(shù)據(jù)，并可在 5G 網(wǎng)絡(luò)等支撐下， 實現(xiàn)車端、多個礦用智能路側(cè)單元間的分布式算力部署與共享功能。 

（4） 通信網(wǎng)絡(luò)。

由煤礦局域網(wǎng)、輔助運輸巷道 的工業(yè)環(huán)網(wǎng)、鏈接車端的無線接入網(wǎng)構(gòu)成，建立從地 面到井下的數(shù)據(jù)交互通道，實現(xiàn)管控命令交互、狀態(tài) 信息傳輸、圖像視頻信號傳輸?shù)裙δ堋?nbsp;

（5） 遠程控制平臺。

由無軌膠輪車遠程駕駛 艙、輔助運輸車輛監(jiān)控系統(tǒng)、生產(chǎn)過程管控系統(tǒng)、基 于 UWB 的人員與車輛精確定位系統(tǒng)等組成。無軌 膠輪車遠程駕駛艙可實現(xiàn)緊急狀況下對井下無人駕 駛車輛的緊急接管，且可快速切換實現(xiàn)對多輛車輛 的遠程控制。輔助運輸車輛監(jiān)控系統(tǒng)、生產(chǎn)過程管 控系統(tǒng)等可實現(xiàn)車輛運輸物資管控、車路協(xié)同管控 和運輸作業(yè)管控。 

2.1 井下車輛動態(tài)精確定位技術(shù)

在無人駕駛系統(tǒng)中，車輛精確定位是保證整個 系統(tǒng)安全性與可靠性的基石。對于地面無人駕駛， 定 位 是 由 GNSS 及 GNSS/慣 性 導(dǎo) 航 系 統(tǒng) （ Inertial Navigation System，INS）組合導(dǎo)航實現(xiàn)，輸出頻率一 般為 10 Hz，定位精度可達厘米級；但對于井下封閉 環(huán)境，GNSS 及 GNSS/INS 組合導(dǎo)航技術(shù)已無法進行 有效定位，需要參考室內(nèi)定位技術(shù)開發(fā)適用于井下 的精確定位方式。主要的室內(nèi)定位技術(shù)特點及適用 范圍見表 1。

相較于 RFID、ZigBee、藍牙等室內(nèi)定位技術(shù) ， UWB 技術(shù)由于具有極大的帶寬和超高的時間分辨 率，對多徑及非視距問題有更高的魯棒性，能提供高 達分米級的定位精度，近年來成為煤礦井下主流精 確定位方式。

UWB/INS 組合定位利用 INS 解算結(jié)果減少 UWB 中非視距誤差的影響，提高位置信息輸出頻率；利用 UWB 測距或解算信息抑制 INS 誤差隨時間的迅速 累計，從而獲得更高的導(dǎo)航定位精度及相對 UWB 更高的定位輸出頻率。但 UWB/INS 組合定位是基于 UWB 標簽接收不在 1 條直線上的 3 個或 3 個以上基 站信號，通過三邊位置量化數(shù)據(jù)解算實現(xiàn)二維定 位。在井下實際應(yīng)用時，由于存在大段長直巷道，受 成本約束，長直巷道不宜高密度布置基站，存在 3 個 參與定位的基站近似于布置在同一直線上的可能 性，導(dǎo)致 UWB/INS 組合定位無法實現(xiàn)井下全部路段 的高可靠性、高精度二維位置解算[3]。

激光 SLAM 技術(shù)是近年來隨著無人駕駛發(fā)展而逐步普及的感知與定位技術(shù) ，且經(jīng)優(yōu)化的激 光 SLAM 受外界光照變化影響小，尤其適用于煤礦井 下巷道場景。激光雷達掃描巷道信息得到激光點 云，提取點云特征，基于提取的特征點構(gòu)建相鄰幀間 的約束關(guān)系，通過列文伯格?馬夸特法（LevenbergMarquardt，LM）或高斯牛頓法（Gauss-Newton，GN）進 行非線性優(yōu)化得到姿態(tài)變換矩陣，再將得到的特征 點進一步處理，得到掃描幀與特征點云地圖的約束 關(guān)系，構(gòu)建全局地圖，并獲得無人駕駛車輛在地圖中 的位置。但由于煤礦井下巷道特征退化，尤其是長 直巷道特征基本一致，這對通過掃描周圍環(huán)境獲得 特征信息并與地圖信息做匹配的激光雷達定位是非 常大的挑戰(zhàn)。

綜合以上定位技術(shù)的優(yōu)缺點，提出了基于激光 SLAM 和 UWB/INS 的組合定位技術(shù)。激光雷達的 特征提取方式借鑒了基于可變地形優(yōu)化的激光雷達 測程和測繪（Lightweight and Ground-Optimized Lidar Odometry and Mapping，LeGO-LOAM）算法[4-5] ，首先 對激光點云進行分割得到地面與非地面點云，再根 據(jù)激光點云的光滑度進行特征提取，得到角特征點 與面特征點，結(jié)合 INS 加速度與角度數(shù)據(jù)補償車輛 運動導(dǎo)致的點云失真；然后融合 UWB 一維定位數(shù)據(jù) 對激光點云局部滑動窗口進行優(yōu)化，縮小需要匹配 的地圖范圍；最后通過點云匹配算法?迭代最近 點（Iterative Closest Point，ICP）算法得到精確的目標 位置姿態(tài)信息。 

2.2 井下車輛路況識別技術(shù)

毫米波雷達具備精確測量遠距離目標速度和空 間信息的能力，同時不受惡劣光照和煤塵的影響，是 井下車輛無人駕駛應(yīng)用的重要傳感器。毫米波雷達 的波長 為 1～ 10 mm，頻率范圍 為 30～ 300 GHz。毫米波雷達發(fā)射的電磁波信號被其傳播路徑上的物 體阻擋并反射，在接收天線收到雷達回波并解調(diào)后， 控制器對模擬信號進行數(shù)字采樣并濾波，再利用快 速傅里葉變換將信號從時域變換至頻域，并采用恒 虛警檢測算法（Constant False-Alarm Rate，CFAR）去 除雜波。在得到反射點群后，通過具有噪聲的基于 密度的聚類算法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）得到相應(yīng)目標及 對應(yīng)的距離、速度和角度信息。

激光雷達通過測定傳感器發(fā)射器與目標物體之 間的傳播距離，分析目標物體表面的反射能量大小 及反射波譜的幅度、頻率和相位等信息，從而呈現(xiàn)出 周圍路況精確的三維結(jié)構(gòu)信息?三維激光點云。掃描得到的障礙物點云通常比背景更密集，通過傳 統(tǒng)分類聚類（如歐氏聚類[6]、超體素聚類[7]等）方法 可進行障礙物感知。近年來深度學(xué)習(xí)在激光雷達目 標檢測領(lǐng)域得到了廣泛應(yīng)用，根據(jù)神經(jīng)網(wǎng)絡(luò)輸入格 式可分為體素、圖像及點云 3 種算法?？紤]到井下 域控制器功率與算力限制，以體素為輸入的算法（如 VoxelNet 等）由于計算量過大不適用；將激光點云轉(zhuǎn) 為俯視圖再進行三維目標檢測的圖像深度學(xué)習(xí)算法 （如 YOLO3D，PIXOR 等），以及以激光雷達原始點云 數(shù) 據(jù) 為 輸 入 的 點 云 深 度 學(xué) 習(xí) 算 法 （ 如 PointNet， LaserNet 等）在井下有較大應(yīng)用空間，可精確得到障 礙物大小、種類及相對位置。

隨著卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，基于攝像頭的機器 視覺近年來得到廣泛運用，主要分為單階段（onestage）與兩階段（two-stage）的目標檢測算法。單階段 目標檢測算法（如 SSD，YOLOv4 等）直接生成候選 框并對候選框進行分類回歸；兩階段目標檢測算法 （如 Faster-RCNN 等）首先生成候選區(qū)域，在候選區(qū) 域進行分類和回歸，得到目標候選框。雖然兩階段 目標檢測算法在準確率上有較好的表現(xiàn)，但在實時 性上表現(xiàn)較差。對于井下目標檢測任務(wù)，單階段目 標檢測算法更為合適。

單類傳感器在感知能力方面存在一定的局限 性，如車載攝像頭受環(huán)境影響較大、缺乏深度信息， 激光雷達分類準確率較低、無法獲取圖像信息，毫米 波雷達對金屬敏感、誤報多等。為滿足井下非結(jié)構(gòu) 化環(huán)境無人駕駛感知需求，需充分利用多傳感器特 性進行冗余感知。多傳感器融合技術(shù)分為多傳感器 前融合技術(shù)與多傳感器后融合技術(shù)。多傳感器前融 合技術(shù)是指在原始數(shù)據(jù)層面將所有傳感器的數(shù)據(jù)進 行直接融合，通過 1 種感知算法輸出感知目標的類 別、位置、速度等信息。多傳感器后融合技術(shù)是指 各個傳感器均獨立采用各自的算法輸出探測數(shù)據(jù)， 在對各傳感器數(shù)據(jù)進行處理后，根據(jù)位置及分類信 息進行融合，得到感知信息?？紤]到井下環(huán)境惡劣 及算力功耗限制，為實現(xiàn)分布式算力分配及避免單 個傳感器故障導(dǎo)致整個感知算法失效，多傳感器后 融合技術(shù)更適用于井下車輛路況識別?；诙鄠鞲?器融合的井下車輛路況識別如圖 2 所示。

2.3 井下車輛路徑規(guī)劃技術(shù) 

井下無軌膠輪車在運行過程中會遇到較多岔 道，存在視野盲區(qū)。同時，井下巷道具有通道狹窄， 工作地點分散、易變動的特點，因此在井下車輛路徑 規(guī)劃過程中需要考慮算法的實時性及最優(yōu)性。按照 已知環(huán)境信息的程度，路徑規(guī)劃算法可分為兩類：一 類是對外界環(huán)境信息完全已知的算法，即全局路徑 規(guī)劃算法；另一類是對外界環(huán)境信息部分或完全未 知的算法，即局部路徑規(guī)劃算法。

全局路徑規(guī)劃算法利用地圖給出的環(huán)境信息規(guī) 劃出 1 條安全無碰撞的路徑。一般來說，在地圖信 息已知的情況下，傳統(tǒng)的全局路徑規(guī)劃算法都可以 找出從當前位置到目標位置的可行路徑，但在煤礦井下巷道這種狹窄或障礙物較多的復(fù)雜環(huán)境中，算 法常常會在規(guī)劃時間或路徑質(zhì)量方面有所欠缺。目 前應(yīng)用比較成熟的全局路徑規(guī)劃算法有 Dijkstra 算法[8]、 A*算法[9]、快速搜索隨機樹算法[10]等。

局部路徑規(guī)劃算法由于外界環(huán)境信息部分或完 全未知，需要通過傳感器獲取車輛周圍的環(huán)境信息， 同時對環(huán)境進行建模和搜索，這就要求無人駕駛系 統(tǒng)能夠高效處理信息，快速做出決策且能及時反饋 校正。常用的局部路徑規(guī)劃算法包括人工勢場法[11]、 動態(tài)窗口法[12-13]、蟻群算法[14]等。

目前常用的路徑規(guī)劃算法優(yōu)缺點及適用環(huán)境見 表 2，根據(jù)實際需求選擇合適的算法可實現(xiàn)最優(yōu)路徑 規(guī)劃效果。

全局路徑規(guī)劃算法能夠從全局角度出發(fā)，找到 全局最優(yōu)解，而局部路徑規(guī)劃算法能在規(guī)劃過程中 躲避動態(tài)障礙物，找到局部最優(yōu)解。因此在路徑規(guī) 劃中，通常需要這 2 種算法協(xié)同運行。先利用全局 路徑規(guī)劃算法規(guī)劃出從當前位置到目標位置的全局 最優(yōu)路徑，在車輛行進過程中采用局部路徑規(guī)劃算 法，躲避隨機出現(xiàn)的動態(tài)障礙物，從而實現(xiàn)完整的路 徑規(guī)劃任務(wù)。

2.4 多源數(shù)據(jù)采集技術(shù) 

考慮到煤礦井下防爆和本安要求，車端設(shè)備功 耗必然存在限制；而無人駕駛系統(tǒng)對數(shù)據(jù)有龐大需 求，無疑會提高設(shè)備功耗。為解決上述矛盾，利用多 源數(shù)據(jù)采集技術(shù)，對井下無人駕駛所需的數(shù)據(jù)采集 進行合理分配，降低多個設(shè)備集成所需功耗，實現(xiàn)井 下無軌膠輪車無人駕駛穩(wěn)定運行[15]。

多源數(shù)據(jù)采集大致可分為 4 個部分：車端環(huán)境 感知數(shù)據(jù)采集、車輛運行數(shù)據(jù)采集、路側(cè)監(jiān)控數(shù)據(jù) 采集及移動目標數(shù)據(jù)采集，如圖 3 所示。

車端環(huán)境感知數(shù)據(jù)采集利用攝像頭、激光雷達、 超聲波雷達、毫米波雷達等傳感器技術(shù)[16] ，取代傳 統(tǒng)的駕駛員人工感知方式。

車輛運行數(shù)據(jù)采集負責(zé)車身重要參數(shù)和《煤礦 安全規(guī)程》要求的各類井下無軌膠輪車安全監(jiān)測數(shù) 據(jù)檢測，從底層實現(xiàn)車輛本安化。

路側(cè)監(jiān)控數(shù)據(jù)采集通過車載感知設(shè)備對巷道環(huán) 境實時狀態(tài)（如井下交通信號燈、巷道意外事件信 息、路況信息等）進行感知，為無人駕駛車輛提供路 側(cè)數(shù)據(jù)支撐。

移動目標數(shù)據(jù)采集依托井下車輛智能調(diào)度系 統(tǒng)，實時獲取一定安全區(qū)域內(nèi)交通參與者的運動狀 態(tài)及位置信息，為井下無人駕駛車輛的路徑規(guī)劃選 擇、安全預(yù)警制動等功能提供數(shù)據(jù)保障。

2.5 海量數(shù)據(jù)實時交互技術(shù) 

無人駕駛車輛在運行過程中無時無刻不在與相 關(guān)設(shè)備進行交互，產(chǎn)生海量數(shù)據(jù)，海量數(shù)據(jù)的實時交 互是無人駕駛車輛平穩(wěn)運行的重要保障。

井下無軌膠輪車無人駕駛系統(tǒng)依托井下 5G 及 其他相關(guān)蜂窩網(wǎng)絡(luò)，形成整個無人駕駛數(shù)據(jù)交互網(wǎng)， 如圖 4 所示。

智能調(diào)度系統(tǒng)為無人駕駛車輛提供車輛運行狀 態(tài)、遠程控制指令、車輛調(diào)度指令、車輛運行規(guī)劃路 徑、車端環(huán)境視頻等實時交互數(shù)據(jù)，且二者之間的傳 輸頻率不應(yīng)小于 1 Hz，延時不大于 100 ms，以保證遠 程控制的可靠性。

路側(cè)單元是井下蜂窩車聯(lián)網(wǎng)（Cellular Vehicle-toEverything，C?V2X）中的重要組成部分，是車路協(xié)同 的基礎(chǔ)設(shè)施，可為無人駕駛車輛提供路側(cè)和超視距 的結(jié)果信息，彌補無人駕駛車輛主動感知的不足，提 升車輛超視距感知能力[17]。無人駕駛車輛與路側(cè)單 元之間時刻保持路側(cè)環(huán)境感知數(shù)據(jù)、精確定位信 息、紅綠燈信號等數(shù)據(jù)的交互。同時，路側(cè)單元為智 能調(diào)度系統(tǒng)提供相關(guān)數(shù)據(jù)。

2.6 井下車輛智能調(diào)度技術(shù) 

煤礦井下無軌膠輪車輔助運輸系統(tǒng)存在高能 耗、運行無序、容易發(fā)生運輸安全事故等問題[18]。為能夠?qū)聼o軌膠輪車進行日常調(diào)配，實現(xiàn)人員 及物料運輸、車輛運行信息顯示等數(shù)字化管理[19]， 打通井下無軌膠輪車與駕乘人員、運輸物料間的信 息通道[20] ，筆者提出了倉庫管理系統(tǒng)（Warehouse Management System，WMS）化的井下車輛智能調(diào)度 技術(shù)，使井下 C?V2X 中所有參與者均可接入遠程控 制平臺，在無人駕駛和有人駕駛并存的環(huán)境下，使傳 統(tǒng)有人駕駛車輛及無人駕駛車輛混編運行，車輛及 車上物資統(tǒng)籌調(diào)度，實時監(jiān)測、調(diào)度和管理井下車輛 的作業(yè)任務(wù)、行駛路徑等，達到無軌膠輪車輔助運輸 系統(tǒng)提質(zhì)增效和安全運行的目標。

井下車輛智能調(diào)度工作機制如圖 5 所示。利用 井下 UWB 精確定位技術(shù)實時獲取井下車輛位置信 息，結(jié)合交通信號、視頻圖像、井下高精 GIS 地圖等 相關(guān)數(shù)據(jù)進行分析、篩選、融合，由車載終端通過 5G 等井下無線傳輸網(wǎng)絡(luò)將數(shù)據(jù)發(fā)送至地面后端服 務(wù)器進行存儲，數(shù)據(jù)經(jīng)處理后發(fā)送至礦上車輛調(diào)度 中心進行實時顯示。車輛調(diào)度中心可將新的運輸任 務(wù)通過井下無線傳輸網(wǎng)絡(luò)下派到后端服務(wù)器選擇的 最優(yōu)車輛的車載終端，由司機或無人駕駛系統(tǒng)確認 接收及完成任務(wù)情況，無人駕駛車輛自行規(guī)劃行駛 路徑。后端服務(wù)器與礦方企業(yè)資源計劃（Enterprise Resource Planning，ERP）系統(tǒng)交互，實現(xiàn)物料庫存信 息的實時更新，同時反饋至調(diào)度中心進行確認，提高 井下車輛運輸效率。

2.7 基于邊緣計算的分布式算力共享技術(shù) 

煤礦井下無軌膠輪車無人駕駛系統(tǒng)需要大算 力，用以支撐系統(tǒng)識別巷道場景、感知車身四周環(huán) 境、規(guī)劃控制行駛路徑等。典型的無人駕駛系統(tǒng)單 車每日產(chǎn)生的數(shù)據(jù)可達 TB 級別，只有及時更新、分 析數(shù)據(jù)才能保證車輛安全行駛[21]。然而，受煤礦井 下本安型設(shè)備的功耗限制，車載計算單元的算力往 往無法支撐海量數(shù)據(jù)的實時運算[22]。針對煤礦井下 本安設(shè)備功耗限制與無人駕駛系統(tǒng)大算力需求之間 的矛盾，通過研制礦用本安型高性能邊緣計算裝備， 開發(fā)基于邊緣計算的分布式算力共享技術(shù)，突破車 端算力瓶頸對無人駕駛系統(tǒng)的性能限制。

礦用本安型高性能邊緣計算裝備電氣原理如 圖 6 所示。該裝備具有 CAN/RS485/USB/千兆以太 網(wǎng)總線等硬件接口，可保證激光雷達、毫米波雷達和 高清攝像頭等多路接入，滿足煤礦井下復(fù)雜環(huán)境中 無人駕駛系統(tǒng)感知及海量數(shù)據(jù)交互需求。該裝備 在單路本安電源供電下最高運行算力為 21 TOPS （ INT8 型 ） ， 具 備 384 個 CUDA 核心 、 48 個 Tensor Core 和 2 個 GPU 引擎，可并行多個復(fù)雜神經(jīng)網(wǎng)絡(luò)算 法，為煤礦井下無人駕駛系統(tǒng)的大算力需求提供基 礎(chǔ)保障。

2.8 礦用化車輛線控技術(shù) 

線控底盤作為無人駕駛的執(zhí)行基石，是發(fā)展無 人駕駛的具體抓手。礦井具有防爆、本安的特殊要 求，因此，車輛線控系統(tǒng)的礦用化尤為重要。制約于 井下車輛運行環(huán)境存在的路面起伏多、有坑洼積 水、照度低等因素，煤礦井下車輛線控技術(shù)應(yīng)用的關(guān) 鍵為防爆技術(shù)、電液控制技術(shù)和冗余技術(shù)。

2.9 井下 C?V2X 技術(shù)

井下 C?V2X 是礦山物聯(lián)網(wǎng)的重要應(yīng)用分支[24]，是實現(xiàn)井下車輛與周圍的人、機（車）、環(huán)、管等全方 位連接和通信的新一代通信技術(shù)。C?V2X 通信包括 車與人之間（Vehicle-to-Pedestrian，V2P）、車與車之 間（Vehicle-to-Vehicle，V2V）、車與基礎(chǔ)設(shè)施環(huán)境之 間（Vehicle-to-Infrastructure，V2I）、車與管控平臺之 間（Vehicle-to-Network，V2N）等通信[25] ，如圖 7 所示。

參考通用 C?V2X 關(guān)鍵技術(shù)[26] ，井下 C?V2X 關(guān) 鍵技術(shù)主要包括車路協(xié)同遠程監(jiān)控、井下車輛超視 距感知和井下 C?V2X 協(xié)同計算。

2.10 多種駕駛模式冗余控制及權(quán)限管控技術(shù)

煤礦井下無軌膠輪車主要在輔助運輸大巷行 駛，輔助運輸大巷人車共行、巷道狹窄、光照不均， 井下交通參與元素眾多，環(huán)境、路況復(fù)雜，易發(fā)生車 輛碰撞事故[27]。為保證無人駕駛無軌膠輪車安全地 參與井下交通，高效完成煤礦井下輔助運輸任務(wù)，為 無人駕駛無軌膠輪車設(shè)計人工駕駛、自動駕駛和遠 程駕駛 3 種駕駛模式，以 3 種駕駛模式并行控制無 軌膠輪車的形式，構(gòu)建無人駕駛無軌膠輪車的多種 駕駛模式冗余控制技術(shù)，以提高無人駕駛無軌膠輪 車的安全冗余，保障無人駕駛無軌膠輪車在各種井 下復(fù)雜交通條件下安全通行。

人工駕駛模式以無人駕駛無軌膠輪車隨車安全 員為核心，隨車安全員結(jié)合井下巷道交通狀況及車 輛運行狀態(tài)實時操控車輛參與井下交通。自動駕駛 模式以車載自動駕駛域控制器為核心，域控制器通 過布置在車身四周的傳感器感知巷道內(nèi)交通環(huán)境， 再結(jié)合車身狀態(tài)信息，計算出車輛的最優(yōu)行駛路徑， 自主行車[28]。遠程駕駛模式以地面遠程控制平臺操 作員為核心，安裝在車輛和巷道壁上的攝像頭捕捉 井下巷道實時交通圖像，圖像和車輛狀態(tài)信息經(jīng)井 下 5G 核心網(wǎng)回傳至地面遠程控制平臺，操作員依據(jù) 實時回傳的信息做出判斷，下發(fā)控制指令，指令經(jīng)礦 用核心網(wǎng)發(fā)送至車端，控制車輛完成既定輔助運輸 任務(wù)。

為確保井下無人駕駛無軌膠輪車安全運行，在 車輛內(nèi)部設(shè)置切換開關(guān)，用于切換人工駕駛與自動 駕駛模式，確保自動駕駛模式在配備隨車安全員的 情況下啟動。同時，給予隨車安全員最高控制權(quán)限， 確保隨車安全員可通過制動踏板/方向盤緊急接管自 動駕駛/遠程駕駛模式下的無軌膠輪車。遠程駕駛模 式作為地面操作員介入井下無軌膠輪車運行的模 式，可在隨車安全員未響應(yīng)緊急情況時，緊急接管車 輛，代替隨車安全員操控車輛至安全區(qū)域等候救 援。井下無人駕駛無軌膠輪車的權(quán)限管控及運轉(zhuǎn)流 程如圖 8 所示。

2.11 感知及決策控制裝備本安型設(shè)計技術(shù) 

煤礦井下屬于爆炸性危險氣體環(huán)境，煤礦井下 使用的感知及決策控制裝備必須滿足防爆要求。本 安型產(chǎn)品設(shè)計技術(shù)是一種高效的系統(tǒng)防爆技術(shù)，本 安型產(chǎn)品通過合理的電路和結(jié)構(gòu)設(shè)計，限制電火花 和熱效應(yīng)的能量，保證設(shè)備安全穩(wěn)定運行；與其他防 爆技術(shù)相比，具有成本低、安全可靠性高、可帶電維 護、使用便捷、適用范圍廣等優(yōu)點[29]。

煤礦瓦斯最小點燃能量是 280 μJ，當設(shè)備可能產(chǎn) 生的電火花或熱效應(yīng)的能量均小于該值時，將不可 能點燃瓦斯而產(chǎn)生爆炸。本安型產(chǎn)品設(shè)計從隔離和 能量限制等方面出發(fā)，將電壓和電流限制在安全范 圍內(nèi)，保證設(shè)備即使在發(fā)生短接和元器件損壞等故 障情況下，也不會引起其周圍可能存在的危險氣體 爆炸。實現(xiàn)電路的必要隔離與能量限制是本安型產(chǎn) 品的設(shè)計要點：① 隔離是將本安電路和非本安電 路、獨立本安電路進行可靠隔離，隔離器件有變壓 器、光耦、繼電器、隔離電容等。② 能量限制分為電 火花點燃的能量限制和熱效應(yīng)的能量限制。電火花 點燃的能量限制是對電阻性電路、電容性電路和電 感性電路進行參數(shù)計算，選擇合理的元器件型號，使 電路的電流、電容和電感滿足本安電路要求。熱效 應(yīng)的能量限制應(yīng)綜合考慮印制電路板的銅箔厚度、 線寬，以及半導(dǎo)體器件的耗散功率導(dǎo)致的表面溫度 上升，以滿足低于最小點燃能量的要求。

在煤礦井下感知及決策控制裝備的本安型設(shè)計 中，需要重點研究供電電路、通信端口和本安結(jié)構(gòu) 3 個方面的設(shè)計要求。

供電電路設(shè)計有安全柵、抗干擾電路等。安全 柵通常設(shè)計在本安電路的前端，通過限壓、限流、隔 離等措施將能量限制在安全定額以下[30]?？垢蓴_電 路抑制電源輸入尖峰脈沖，過濾電纜傳導(dǎo)或耦合進 入的干擾信號。

RS485 總線和以太網(wǎng)是主流的煤礦井下設(shè)備較 通信方式。對這 2 種通信端口的本安處理是先對輸 入輸出信號進行隔離，阻隔輸入信號串擾，RS485 采 用光耦隔離，網(wǎng)口采用變壓器隔離；再結(jié)合本安電源 對通信端口電路進行限壓、限流設(shè)計[31]。

本安結(jié)構(gòu)設(shè)計是為了保證本安電路和非本安電 路有合適的安全距離。接插件、接線端子等裸露部 位的電氣間隙和爬電距離必須大于標準規(guī)定值。本 安電路與外殼和非本安電路之間的絕緣應(yīng)滿足不同 等級的耐壓值。本安導(dǎo)線絕緣滿足 500 V 工頻耐壓， 并與非本安電路導(dǎo)線分開捆扎。安全柵部分的電路 板工藝要滿足爬電距離要求，元件焊好后刷絕緣漆 保證耐壓要求。

結(jié)合上述本安型設(shè)計技術(shù)，完成對決策控制主 機的本安化設(shè)計，方案如圖 9 所示。

3.1 測試條件 

為驗證煤礦井下無軌膠輪車無人駕駛系統(tǒng)的性 能，筆者所在團隊在陜西陜煤榆北煤業(yè)有限公司某 煤礦開展了系統(tǒng)性測試。以該礦副斜井井口至井下 中央變電所全長 4.3 km 巷道區(qū)域作為測試線路，該 線路中水平段距離為 351 m，其余路段為坡度 7% 的 斜坡，有 2 個岔路口和 4 個轉(zhuǎn)彎路口，基本涵蓋井下 無人駕駛路徑的全部測試場景。測試線路沿線設(shè)計 了 16 組路側(cè)單元，確保 UWB 精確定位信號、5G 信 號、C?V2X 信號的全路徑可靠覆蓋。

以 WLR?5 系列無軌膠輪車為原型，完成全本安 化無人駕駛改造：全車共裝備 3 個礦用本安型 16 線 激光雷達、2 個礦用本安型毫米波雷達、12 個礦用本 安型超聲波雷達、5 個 720P 礦用本安型車載機器視覺傳感器、1 個礦用本安型 OBU、3 個礦用本安型域 控制器等。 

3.2 測試結(jié)果與分析 

3.2.1 C?V2X 性能

3.2.2 路徑規(guī)劃功能 

為驗證井下典型場景下無人駕駛車輛路徑規(guī)劃功能，選取井下巷道常出現(xiàn)的 T 型支巷與 U 型彎道 作為測試環(huán)境，設(shè)置無人駕駛車輛的行駛速度為 15 km/h，障礙物大小為 3 m×1 m。

無人駕駛車輛避障結(jié)果如圖 12 所示，其中黑色 圓點代表規(guī)劃起點，紅色圓點代表目標點。從圖 12 可看出，無人駕駛車輛從起點出發(fā)，行進過程中基本 沿著期望軌跡運行，遇到障礙物時能及時規(guī)劃局部 最優(yōu)路徑，完成避障后回歸期望路徑，經(jīng)過多次規(guī)劃 到達目標點。經(jīng)多次測試，無人駕駛車輛在運行過 程中的路徑曲線比較平滑，且軌跡連續(xù)性較好，能夠 滿足無人駕駛車輛的運動學(xué)約束條件。

3.2.3 感知與決策控制功能 

以井下 C?V2X 為核心的煤礦井下無軌膠輪車 無人駕駛系統(tǒng)采用激光雷達、毫米波雷達、車載機 器視覺傳感器等，通過多傳感器后融合技術(shù)，實現(xiàn)井 下全天候、復(fù)雜工況環(huán)境下車輛行駛路徑范圍內(nèi)路 況及障礙物的高精度智能感知；利用基于激光 SLAM 和 UWB/INS 的組合定位方式實現(xiàn) 0.3 m 的井下無軌 膠輪車定位精度，滿足煤礦井下車速上限 25 km/h 場景下車規(guī)級精確定位需求；基于邊緣計算的分布

式算力共享技術(shù)結(jié)合海量數(shù)據(jù)實時交互技術(shù)，在井 下無人駕駛場景下可有效降低車端算力需求及車端 設(shè)備功耗；通過人工駕駛、自動駕駛、遠程駕駛 3 種 駕駛模式，可有效管控井下無人駕駛車輛，形成安全 冗余管控機制。該系統(tǒng)整體成本低、安全管控水平 高，可在礦區(qū)等相對封閉場景下大面積推廣應(yīng)用。 

參考文獻（略）