周李兵

（1. 中煤科工集團常州研究院有限公司，江蘇 常州 213015；2. 天地（常州）自動化股份有限公司，江蘇 常州 213015）

0 引言

煤礦生產(chǎn)中根據(jù)運輸任務不同，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備主要有無軌運輸設備（無軌膠輪車）、軌道運輸設備和單軌吊車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《關于加快煤礦智能化發(fā)展的指導意見》等文件[1]，吹響了全國范圍內(nèi)煤礦智能化建設的沖鋒號，作為煤礦智能化建設的關鍵環(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]：① 井下巷道狹長，“長廊效應”、“多徑效應”明顯，對激光雷達、毫米波雷達、同步定位與建圖（Simultaneous Localization and Mapping，SLAM）等技術的應用等帶來較大干擾。② 井下巷道載人車輛、載貨車輛、搬運車、工程車及行人等混行，主力礦井車輛及人員通行密集，且巷道兩側(cè)多存在排水溝等干擾因素，對車輛橫縱向控制精度要求高。③ 井下巷道為衛(wèi)星拒止環(huán)境，無全球?qū)Ш叫l(wèi)星系統(tǒng)（Global Navigation Satellite System，GNSS）信號，無法利用地面“北斗”、GPS等通用車輛定位技術。④ 井下巷道光照條件多變，且交通路口多為巷道壁等阻擋，對機器視覺技術的應用帶來較大挑戰(zhàn)。⑤ 由于煤礦井下存在瓦斯等爆炸性氣體，井下設備受GB 3836等標準約束，需取得MA認證，產(chǎn)品功耗、結構件材質(zhì)與產(chǎn)品形態(tài)等應遵守更為嚴苛的技術規(guī)范，增加了技術實現(xiàn)難度。⑥ 系統(tǒng)設計需遵循故障安全與功能安全原則，安全措施需多重冗余設計。

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，分析了系統(tǒng)實現(xiàn)關鍵技術，并在煤礦井下對系統(tǒng)進行了測試驗證。

1 系統(tǒng)架構

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、遠程控制平臺等組成，如圖1所示。

圖1 煤礦井下無軌膠輪車無人駕駛系統(tǒng)架構Fig. 1 Unmanned driving system architecture of trackless rubber-tyred vehicle in underground coal mine

（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，一般設計為礦用本安型，考慮到礦用本安型設備的功耗限制，其對應算力輸出受限，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），并按照預先設計的程序計算各種傳感器數(shù)據(jù)，執(zhí)行預定的控制功能。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)單元基礎數(shù)據(jù)，并可在5G網(wǎng)絡等支撐下，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。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?/p>

（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 系統(tǒng)關鍵技術

2.1 井下車輛動態(tài)精確定位技術

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/慣性導航系統(tǒng)（Inertial Navigation System，INS）組合導航實現(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 組合導航技術已無法進行有效定位，需要參考室內(nèi)定位技術開發(fā)適用于井下的精確定位方式。主要的室內(nèi)定位技術特點及適用范圍見表1。

表1 室內(nèi)定位技術對比Table 1 Comparison of indoor positioning technologies

相較于RFID、ZigBee、藍牙等室內(nèi)定位技術，UWB技術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，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建相鄰幀間的約束關系，通過列文伯格-馬夸特法（Levenberg-Marquardt，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系，構建全局地圖，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)。

綜合以上定位技術的優(yōu)缺點，提出了基于激光SLAM和UWB/INS的組合定位技術。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，結合INS加速度與角度數(shù)據(jù)補償車輛運動導致的點云失真；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

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）得到相應目標及對應的距離、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構信息——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。近年來深度學習在激光雷達目標檢測領域得到了廣泛應用，根據(jù)神經(jīng)網(wǎng)絡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習算法（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習算法（如PointNet，LaserNet等）在井下有較大應用空間，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，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。為滿足井下非結構化環(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。多傳感器融合技術分為多傳感器前融合技術與多傳感器后融合技術。多傳感器前融合技術是指在原始數(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致整個感知算法失效，多傳感器后融合技術更適用于井下車輛路況識別。基于多傳感器融合的井下車輛路況識別如圖2所示。

圖2 基于多傳感器融合的井下車輛路況識別Fig. 2 Road condition recognition of underground vehicle based on multi-sensor fusion

2.3 井下車輛路徑規(guī)劃技術

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。

表2 常用路徑規(guī)劃算法優(yōu)缺點及適用環(huán)境Table 2 Advantages, disadvantages and applicable environments of common path planning algorithms

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。

2.4 多源數(shù)據(jù)采集技術

考慮到煤礦井下防爆和本安要求，車端設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，無疑會提高設備功耗。為解決上述矛盾，利用多源數(shù)據(jù)采集技術，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。

圖3 多源數(shù)據(jù)采集技術Fig. 3 Multi-source data acquisition technology

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[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

無人駕駛車輛在運行過程中無時無刻不在與相關設備進行交互，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及其他相關蜂窩網(wǎng)絡，形成整個無人駕駛數(shù)據(jù)交互網(wǎng)，如圖4所示。

圖4 無人駕駛數(shù)據(jù)交互網(wǎng)Fig. 4 Data interaction network of unmanned driving

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-to-Everything，C-V2X）中的重要組成部分，是車路協(xié)同的基礎設施，可為無人駕駛車輛提供路側(cè)和超視距的結果信息，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)提供相關數(shù)據(jù)。

2.6 井下車輛智能調(diào)度技術

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，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、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精確定位技術實時獲取井下車輛位置信息，結合交通信號、視頻圖像、井下高精GIS地圖等相關數(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)絡將數(shù)據(jù)發(fā)送至地面后端服務器進行存儲，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通過井下無線傳輸網(wǎng)絡下派到后端服務器選擇的最優(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情況，無人駕駛車輛自行規(guī)劃行駛路徑。后端服務器與礦方企業(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。

圖5 井下車輛智能調(diào)度工作機制Fig. 5 Working mechanism of intelligent dispatching of underground vehicle

2.7 基于邊緣計算的分布式算力共享技術

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，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，可并行多個復雜神經(jīng)網(wǎng)絡算法，為煤礦井下無人駕駛系統(tǒng)的大算力需求提供基礎保障。

圖6 礦用本安型高性能邊緣計算裝備電氣原理Fig. 6 Electrical principle of mine intrinsically safe high-performance edge computing equipment

2.8 礦用化車輛線控技術

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應用的關鍵為防爆技術、電液控制技術和冗余技術。

（1） 防爆技術。煤礦井下常用的防爆技術有隔爆外殼、本安電路、冷磷化工藝、熱管技術等[23]。雖然防爆技術應用已經(jīng)比較成熟，但在線控系統(tǒng)的實際應用中存在以下問題：轉(zhuǎn)向電動機在使用隔爆外殼防爆后增大了整體質(zhì)量；線控電氣元件在經(jīng)過本安處理后降低了輸出功率。線控轉(zhuǎn)向、制動系統(tǒng)的關鍵元件——電液比例控制閥在防爆處理后仍保持良好的線性度與恒力特性。

（2） 電液控制技術。在無人駕駛過程中，底層適配單元根據(jù)轉(zhuǎn)向或制動指令，控制轉(zhuǎn)向電動機或液壓控制單元執(zhí)行轉(zhuǎn)向或制動動作。執(zhí)行端傳感器將獲得的轉(zhuǎn)向角度、制動壓力等信息反饋給車輛底層適配單元，從而保證底層適配單元能正確控制電動機與電液比例閥，形成閉環(huán)反饋控制，進而保證線控系統(tǒng)的準確度。

（3） 冗余技術。當線控系統(tǒng)發(fā)生故障后，可將線控系統(tǒng)切換到備份系統(tǒng)，繼續(xù)完成轉(zhuǎn)向、制動等動作。礦用車輛線控系統(tǒng)的冗余性可從2個方面考慮：依靠硬件備份的冗余技術；依靠軟件的容錯算法技術。硬件冗余是針對車輛線控系統(tǒng)中的電動機、控制器、液壓系統(tǒng)等裝置進行備份。軟件容錯算法技術是指在電動機、控制器、執(zhí)行器或液壓系統(tǒng)發(fā)生故障時，通過線控系統(tǒng)中的故障診斷和容錯模塊及時檢測車輛故障，同時擁有處理故障的手段，使得線控系統(tǒng)閉環(huán)控制，進一步提高線控系統(tǒng)的可靠性。

2.9 井下C-V2X技術

井下C-V2X是礦山物聯(lián)網(wǎng)的重要應用分支[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。C-V2X通信包括車與人之間（Vehicle-to-Pedestrian，V2P）、車與車之間（Vehicle-to-Vehicle，V2V）、車與基礎設施環(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。

圖7 井下C-V2XFig. 7 Underground C-V2X

參考通用C-V2X關鍵技術[26]，井下C-V2X關鍵技術主要包括車路協(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。

（1） 車路協(xié)同遠程監(jiān)控?；赨WB，4G/5G等井下無線通信定位技術，研究井下不同環(huán)境下車輛定位與監(jiān)控的實現(xiàn)方法。在智能礦山基礎信息平臺的支撐下，可通過系統(tǒng)監(jiān)控井下車輛及駕乘人員的動態(tài)位置信息、工況，實現(xiàn)井下車輛管理的透明化、可視化，進而實現(xiàn)車輛和人員智能化管理，必要時遠程遙控井下無人駕駛車輛。

（2） 井下車輛超視距感知。主要研究井下C-V2X物物相聯(lián)和人、機（車）、環(huán)等參數(shù)采集、融合及傳輸。針對井下“長廊效應”，開發(fā)適用于煤礦井下的智能路側(cè)單元，解決即時定位問題，降低無人駕駛車輛對即時定位和避障的算力和精度要求。

（3） 井下C-V2X協(xié)同計算。研究井下C-V2X邊緣計算、車載計算的協(xié)同控制方式，合理配置使用井下車輛智能化和井下車輛管理所需的車載和邊緣計算資源。通過C-V2X與邊緣計算的協(xié)同，一方面可為C-V2X提供低延時、高寬帶和高可靠性的運行環(huán)境，有效緩解車輛或路側(cè)單元的計算和存儲壓力，減少海量數(shù)據(jù)回傳導致的網(wǎng)絡負荷，另一方面能充分利用網(wǎng)絡邊緣的計算與存儲能力，實現(xiàn)井下C-V2X中通信-計算-存儲的融合及車-環(huán)-管的協(xié)同感知、決策和控制。

2.10 多種駕駛模式冗余控制及權限管控技術

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，為無人駕駛無軌膠輪車設計人工駕駛、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，構建無人駕駛無軌膠輪車的多種駕駛模式冗余控制技術，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。

為確保井下無人駕駛無軌膠輪車安全運行，在車輛內(nèi)部設置切換開關，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限管控及運轉(zhuǎn)流程如圖8所示。

圖8 井下無人駕駛無軌膠輪車的權限管控及運轉(zhuǎn)流程Fig. 8 Authorization control and operation process of underground unmanned driving trackless rubber-tyred vehicle

2.11 感知及決策控制裝備本安型設計技術

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)品設計技術是一種高效的系統(tǒng)防爆技術，本安型產(chǎn)品通過合理的電路和結構設計，限制電火花和熱效應的能量，保證設備安全穩(wěn)定運行；與其他防爆技術相比，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，當設備可能產(chǎn)生的電火花或熱效應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。熱效應的能量限制應綜合考慮印制電路板的銅箔厚度、線寬，以及半導體器件的耗散功率導致的表面溫度上升，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計中，需要重點研究供電電路、通信端口和本安結構3個方面的設計要求。

供電電路設計有安全柵、抗干擾電路等。安全柵通常設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；再結合本安電源對通信端口電路進行限壓、限流設計[31]。

本安結構設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滿足不同等級的耐壓值。本安導線絕緣滿足500 V工頻耐壓，并與非本安電路導線分開捆扎。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。

結合上述本安型設計技術，完成對決策控制主機的本安化設計，方案如圖9所示。

圖9 決策控制主機本安化設計方案Fig. 9 Intrinsically safety design scheme of decision control host

3 系統(tǒng)測試

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 測試結果與分析

3.2.1 C-V2X性能

（1） 車輛定位測試。為測試井下無人駕駛車輛定位精度，在副斜井巷道中分別進行靜態(tài)定位及動態(tài)定位（以25 km/h直線行駛）測試，結果分別如圖10和圖11所示?？煽闯鲕囕v在靜態(tài)的縱向定位精度≤0.3 m，動態(tài)的縱向定位精度≤0.7 m；車輛靜態(tài)與動態(tài)定位精度在橫向上無太大差別，均為0.2～0.3 m；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。

圖10 車輛靜態(tài)定位數(shù)據(jù)Fig. 10 Positioning data of static vehicle

圖11 車輛動態(tài)定位數(shù)據(jù)Fig. 11 Positioning data of dynamic vehicle

（2） 通信時延及帶寬測試。在測試路段不同位置對C-V2X進行端到端的通信時延及帶寬測試，測試路段使用5G網(wǎng)絡。測試結果見表3，可看出通信帶寬≥50 Mbit/s，通信時延≤50 ms，基本滿足無人駕駛數(shù)據(jù)交互要求。

表3 C-V2X通信時延及帶寬Table 3 Communication delay and bandwidth of C-V2X

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約束條件。

圖12 無人駕駛車輛避障結果Fig. 12 Obstacle avoidance results of unmanned driving vehicle

3.2.3 感知與決策控制功能

（1） 感知功能。采用基于毫米波雷達、攝像頭、激光雷達的多傳感器融合策略：毫米波雷達主要負責采集中遠距離目標相對速度、位置信息；激光雷達主要負責中距離目標及毫米波雷達可視范圍外目標識別；攝像頭主要負責檢測目標類型。三者生成各自的感興趣區(qū)域（Region of Interest，ROI），對3類ROI進行關聯(lián)整合，實現(xiàn)整個巷道目標的感知。本文根據(jù)尺寸大小將巷道常見目標障礙物分為大目標（如工程車輛）、中目標（如行人）、小目標（如錐形桶）和極小目標（如邊長0.3 m的正方體紙盒）4種類型進行測試。

各傳感器目標障礙物檢測結果如圖13所示，可看出各傳感器可實現(xiàn)井下行人、車輛等障礙物的精準識別與跟蹤。各類型目標障礙物感知統(tǒng)計結果見表4，可看出與單一傳感器檢測相比，多傳感器融合策略對大目標、中目標、小目標和極小目標的感知能力均有提升。

圖13 基于不同傳感器的目標障礙物檢測結果Fig. 13 Detection results of target obstacle by different sensors

表4 井下目標障礙物感知統(tǒng)計結果Table 4 Statistical results of underground target obstacles perception

（2） 決策控制功能。為驗證無軌膠輪車無人駕駛系統(tǒng)在煤礦井下的決策控制性能，對無人駕駛車輛在坡道、彎道等工況下的橫縱向控制性能進行了測試。

無人駕駛車輛在坡度7%的斜坡上坡時，縱向速度跟隨控制結果如圖14（a）所示，可看出在5 m/s速度下跟隨誤差＜0.54 m/s。無人駕駛車輛在U型彎道下的橫向控制誤差如圖14（b）所示，可看出平均橫向控制誤差＜0.2 m。

圖14 無人駕駛車輛橫縱向控制測試結果Fig. 14 Test results of lateral and longitudinal control of unmanned driving vehicle

4 結語

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，實現(xiàn)井下全天候、復雜工況環(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結合海量數(shù)據(jù)實時交互技術，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用。