李宏剛， 王云鵬， 廖亞萍， 周彬， 余貴珍

(北京航空航天大學(xué)交通科學(xué)與工程學(xué)院, 北京 102206)

一方面，隨著礦區(qū)工業(yè)化、機(jī)械化、信息化的突破變革，采礦工程系統(tǒng)日益龐大復(fù)雜。另一方面，礦山道路環(huán)境復(fù)雜，極易引發(fā)車輛碰撞及側(cè)翻事故，且礦區(qū)偏遠(yuǎn)封閉，調(diào)度通信設(shè)備落后，生產(chǎn)作業(yè)效率低下。因此，礦車生產(chǎn)作業(yè)和安全保障面臨著巨大挑戰(zhàn)，亟需高效、安全、智能的運(yùn)輸解決方案。

伴隨著人工智能、傳感檢測等高新技術(shù)的不斷突破，無人駕駛技術(shù)成為當(dāng)前汽車領(lǐng)域的研究熱點(diǎn)[1]。其智能感知和控制技術(shù)能夠?qū)崿F(xiàn)礦用運(yùn)輸車輛無人運(yùn)輸作業(yè)[2-5]。同時，礦用運(yùn)輸車輛運(yùn)行路線固定、且礦區(qū)道路封閉，為無人駕駛技術(shù)提供更有利的實(shí)施空間。因此，礦用運(yùn)輸車輛無人駕駛受到了越來越多的科研機(jī)構(gòu)及相關(guān)企業(yè)的關(guān)注。

目前，國外主要有5家大型礦用汽車制造商，包括卡特彼勒、小松、利勃海爾、日立建機(jī)和別拉斯[6]。其中小松是第一個在采礦行業(yè)將自動運(yùn)輸系統(tǒng)商行化的制造商，其自動運(yùn)輸系統(tǒng)(Autonomous Haulage System，AHS)是一個綜合性的礦山車隊(duì)管理系統(tǒng)，通過在礦用卡車裝載高精度GPS、障礙物檢測系統(tǒng)、控制器以及無線網(wǎng)絡(luò)系統(tǒng)實(shí)現(xiàn)了無人裝載、運(yùn)輸和卸載循環(huán)的自動化運(yùn)行。力拓在西澳大利亞West Angela鐵礦對日本小松無人操作運(yùn)輸系統(tǒng)進(jìn)行了試驗(yàn)，汽車由離礦區(qū)1 500 km的操作中心控制，取得了較好的效果。在安全保障和效率提高2個關(guān)鍵目標(biāo)的推動下，卡特彼勒于20世紀(jì)80年代便開始了自動化礦卡的研發(fā)，通過集成車隊(duì)、地形、檢測與控制指令，開發(fā)出了最新型的Minestar駕駛系統(tǒng)，實(shí)現(xiàn)有效載重為240 t的礦卡無人化操作。而在國內(nèi)，礦用卡車制造企業(yè)雖然已經(jīng)達(dá)到了14家[7]，包括內(nèi)蒙古北方重型汽車股份有限公司、秦皇島天業(yè)通聯(lián)重工股份有限公司、三一集團(tuán)有限公司、中國重型汽車集團(tuán)有限公司、鄭州宇通重工有限公司、陜西同力電氣有限公司、泰安航天特種車有限公司等制造商，都已試制出無人礦車或?qū)掦w改裝車。其中內(nèi)蒙古北方重工業(yè)集團(tuán)有限公司172 t無人駕駛電動輪礦車在包鋼集團(tuán)針對礦山現(xiàn)場作業(yè)流程進(jìn)行了測試；數(shù)字礦山裝備企業(yè)以實(shí)現(xiàn)采礦效率的最優(yōu)化為目標(biāo)，很早之前就開始著手研制無人駕駛系統(tǒng)，以解決軌跡運(yùn)行不可控的問題。但各研發(fā)單位對無人駕駛技術(shù)的側(cè)重點(diǎn)不同，導(dǎo)致礦區(qū)無人駕駛落地規(guī)模應(yīng)用困難。

無人駕駛礦用運(yùn)輸車輛的關(guān)鍵技術(shù)主要包括智能感知技術(shù)和車輛控制技術(shù)。其中，智能感知設(shè)備主要包括相機(jī)、激光雷達(dá)和毫米波雷達(dá)，國內(nèi)外研究者們提出了許多城市道路環(huán)境下的障礙物檢測及識別方法，主要包括基于單一傳感器的方法[8-10]、基于視覺和激光雷達(dá)信息融合的方法[11-13]。但礦區(qū)作業(yè)光線較暗，夜晚車輛交互作業(yè)時易出現(xiàn)增光、補(bǔ)光等光線突變現(xiàn)象，并且車輛行駛過程中前方常存在大量灰塵，基于視覺的方法難以適應(yīng)礦區(qū)車輛運(yùn)行環(huán)境；單一激光雷達(dá)會將灰塵作為檢測目標(biāo)而造成較高的誤識別。在軌跡跟蹤控制技術(shù)研究方面，目前使用最多的算法主要包括預(yù)瞄控制方法[14]、模型預(yù)測控制算法[15]、線性二次型調(diào)節(jié)器(Linear Quadratic Regulator，LQR)跟蹤算法[16]等，但這些算法設(shè)計(jì)是基于城市道路環(huán)境下運(yùn)行的車輛，且主要采用位置偏差進(jìn)行跟蹤控制。而礦區(qū)實(shí)際環(huán)境惡劣、地面附著條件較低、道路彎曲程度較大，橫向和縱向的聯(lián)合控制是必然要求。

為了提高礦區(qū)生產(chǎn)作業(yè)的高效性和安全性，促進(jìn)無人駕駛礦用運(yùn)輸車輛產(chǎn)業(yè)化發(fā)展，本文結(jié)合國內(nèi)礦山實(shí)際運(yùn)輸環(huán)境，對無人駕駛環(huán)境感知和軌跡跟蹤等關(guān)鍵技術(shù)進(jìn)行研究。設(shè)計(jì)礦區(qū)環(huán)境下的道路、車輛以及其他障礙物識別算法，并基于預(yù)瞄-跟蹤實(shí)現(xiàn)車輛橫向和縱向自主聯(lián)合控制，最終形成礦區(qū)運(yùn)輸車輛的無人駕駛系統(tǒng)體系，加快礦用運(yùn)輸車輛向完全無人化的演進(jìn)步伐。

1 礦區(qū)無人駕駛運(yùn)輸車輛系統(tǒng)設(shè)計(jì)

如圖1所示，在礦區(qū)工作環(huán)境下，無人駕駛礦用運(yùn)輸車輛利用感知設(shè)備實(shí)時采集周圍環(huán)境信息，并利用感知模塊依次進(jìn)行激光雷達(dá)和毫米波雷達(dá)聯(lián)合標(biāo)定、數(shù)據(jù)關(guān)聯(lián)以及信息融合，最終實(shí)現(xiàn)前方道路可行駛區(qū)域檢測以及周圍障礙物信息識別，并將感知結(jié)果發(fā)送至規(guī)劃控制模塊。結(jié)合礦用運(yùn)輸車輛動力學(xué)特性，規(guī)劃控制模塊利用路徑跟蹤技術(shù)進(jìn)行車輛橫向和縱向運(yùn)輸狀態(tài)控制，從而實(shí)現(xiàn)車輛在可行駛區(qū)域內(nèi)的安全行駛。

圖1 礦用運(yùn)輸車輛無人駕駛研究技術(shù)路線Fig.1 Technical research route of driverless technology for mining vehicles

2 關(guān)鍵技術(shù)

2.1 基于毫米波雷達(dá)與激光雷達(dá)融合的無人駕駛礦用運(yùn)輸車輛環(huán)境感知

本文選取毫米波雷達(dá)和激光雷達(dá)2種感知傳感器搭建無人駕礦用運(yùn)輸車輛障礙物檢測系統(tǒng)。

面對礦區(qū)復(fù)雜多變的天氣條件及礦塵飛揚(yáng)的環(huán)境條件，低成本傳感器檢測精確度及魯棒性是無法應(yīng)對的，激光雷達(dá)、毫米波雷達(dá)等傳感器是保證無人礦車安全運(yùn)行的必備需求。此外，由于礦區(qū)的行駛環(huán)境與城市道路行駛環(huán)境有著很大的區(qū)別，在礦用運(yùn)輸車輛的行駛過程中，除了會遇到車輛和行人之外，還會遇到各種石塊和坑洼，同樣會影響車輛的行駛安全。單一傳感器很難滿足礦區(qū)無人駕駛環(huán)境的高精度、實(shí)時性的要求。激光雷達(dá)具備探測距離遠(yuǎn)、檢測精度高的優(yōu)勢，但無法適應(yīng)雨雪霧霾天氣及-40℃低溫環(huán)境，因此需要對激光雷達(dá)進(jìn)行嚴(yán)格選型；毫米波雷達(dá)可穿透灰塵、可全天候工作且不受天氣影響，但檢測精度不夠高。因此，本文對兩者進(jìn)行優(yōu)勢互補(bǔ)，在單傳感器檢測的基礎(chǔ)上提出基于毫米波雷達(dá)和激光雷達(dá)融合的多目標(biāo)檢測方法。在傳感器工作時，采用固定目標(biāo)對每個傳感器進(jìn)行校準(zhǔn)，運(yùn)行過程中采用多傳感器冗余控制，如障礙物位置采用毫米波和多線激光雷達(dá)共同獲取，道路邊緣采用單線激光雷達(dá)和多線激光雷達(dá)共同獲取。

2.1.1 毫米波雷達(dá)和激光雷達(dá)聯(lián)合標(biāo)定

毫米波雷達(dá)和激光雷達(dá)的聯(lián)合標(biāo)定是信息融合的基礎(chǔ)，能夠?qū)烧邷y量數(shù)據(jù)從異步狀態(tài)轉(zhuǎn)換到同步狀態(tài)，使它們保持時間統(tǒng)一和空間統(tǒng)一。其中，時間統(tǒng)一是從2種傳感器的采樣速率中選取較大的采樣速率為基準(zhǔn)，大采樣速率傳感器每采集1 Hz數(shù)據(jù)，選取小采樣速率傳感器上1 Hz緩存的數(shù)據(jù)進(jìn)行匹配，從而實(shí)現(xiàn)2種傳感器在時間上同步采集數(shù)據(jù)；而空間統(tǒng)一是建立精確的毫米波雷達(dá)坐標(biāo)系、激光雷達(dá)坐標(biāo)系和三維世界坐標(biāo)系之間的坐標(biāo)轉(zhuǎn)換關(guān)系，將2種傳感器坐標(biāo)的測量值轉(zhuǎn)換到同一坐標(biāo)系中，以實(shí)現(xiàn)多傳感器數(shù)據(jù)在空間中的匹配。

2.1.2 數(shù)據(jù)關(guān)聯(lián)

數(shù)據(jù)關(guān)聯(lián)是整個多目標(biāo)檢測跟蹤系統(tǒng)中的核心問題，需要建立傳感器所獲得的目標(biāo)測量數(shù)據(jù)與歷史測量數(shù)據(jù)間的距離關(guān)系，以進(jìn)行目標(biāo)匹配。由于馬氏距離表示數(shù)據(jù)的協(xié)方差距離，可以同時兼顧目標(biāo)橫向距離和縱向距離，且不受測量單位干擾，因此本文選取馬氏距離ds進(jìn)行數(shù)據(jù)關(guān)聯(lián)。利用馬氏距離得到評判式為

(1)

根據(jù)Bar-shalom和Fortmann[7]提出的Gating方法確定預(yù)測值和觀測值的馬氏距離閾值c，以判斷觀測值是否為預(yù)測目標(biāo)，即

Vk={z:ds≤c}=

(2)

當(dāng)觀測值滿足上述馬氏距離閾值條件Vk，則認(rèn)為觀測值是有效的。據(jù)統(tǒng)計(jì)，當(dāng)c=3時,觀測值在有效區(qū)域內(nèi)的概率為99%。

2.1.3 基于聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)的數(shù)據(jù)融合算法

在本研究中，由于每個目標(biāo)(行人或車輛)最終都具有一個有效的觀測值；各目標(biāo)之前的存在和運(yùn)行都是相互獨(dú)立無關(guān)聯(lián)的；同時狀態(tài)方程和觀測模型所產(chǎn)生的高斯白噪聲均能滿足高斯分布。因此，本文選取基于卡爾曼濾波的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(Joint Probabilistic Data Association，JPDA)算法進(jìn)行毫米波雷達(dá)和激光雷達(dá)的數(shù)據(jù)融合，如圖2所示。

圖2 JPDA算法流程圖Fig.2 Flowchart of JPDA algorithm

如圖2所示，JPDA算法的狀態(tài)估計(jì)原理同卡爾曼濾波基本一致，通過前一狀態(tài)傳感器的估計(jì)值給出當(dāng)前狀態(tài)的預(yù)測值，同時通過當(dāng)前測量值匹配后實(shí)現(xiàn)觀測值的更新，通過卡爾曼增益完成當(dāng)前目標(biāo)的狀態(tài)更新。具體算法流程如下：

根據(jù)研究對象給出系統(tǒng)的狀態(tài)方程為

xi,k=Fkxi,k-1+vki=1,2,…,n

(3)

利用k-1時刻的狀態(tài)值，使用卡爾曼濾波對上一步狀態(tài)值和觀測值進(jìn)行預(yù)測得

(4)

則本周期(k時刻)的狀態(tài)更新為

(5)

更新預(yù)測值與觀測值的協(xié)方差矩陣為

(6)

更新卡爾曼增益矩陣：

(7)

對估計(jì)值進(jìn)行更新，采用加權(quán)平均法融合毫米波雷達(dá)和激光雷達(dá)：

(8)

式中：βij為第i個目標(biāo)產(chǎn)生的第j個傳感器觀測值的概率。則狀態(tài)協(xié)方差更新如式(9)所示：

(9)

式中：ηij為假設(shè)偏差，定義為

(10)

進(jìn)行βij的求解，按照泊松分布理論得到

(11)

2.2 基于預(yù)瞄的路徑跟蹤控制

2.2.1 路徑預(yù)瞄跟蹤設(shè)計(jì)

為了使得無人駕駛礦用運(yùn)輸車輛沿礦區(qū)內(nèi)固定路徑行駛，保證車輛軌跡跟蹤的距離誤差盡可能小，提出一種用于無人駕駛礦用運(yùn)輸車輛的路徑跟蹤技術(shù)，具體步驟如下：

1) 將規(guī)劃好的期望路徑軌跡點(diǎn)存放在軌跡跟蹤器以及方向、速度控制器中。車輛規(guī)劃軌跡的路徑點(diǎn)具體包括路徑點(diǎn)的橫縱坐標(biāo)，曲線弧長以及車輛縱向期望車速，其中路徑點(diǎn)的坐標(biāo)是位于絕對坐標(biāo)系中的坐標(biāo)。

2) 通過無人駕駛礦用運(yùn)輸車輛的環(huán)境感知系統(tǒng)和車速實(shí)時檢測系統(tǒng)，將車輛當(dāng)前狀態(tài)信息發(fā)送給路徑跟蹤器和縱向、橫向控制器進(jìn)行相應(yīng)規(guī)劃。

3) 基于無人駕駛礦用運(yùn)輸車輛的實(shí)時坐標(biāo)，依照車輛實(shí)時行駛方向，向前方預(yù)瞄距離d，并確定預(yù)瞄得到的坐標(biāo)點(diǎn)(Xp,Yp):

(12)

式中：(X0,Y0)為在絕對坐標(biāo)系下的車輛當(dāng)前位置坐標(biāo)；θ0為絕對坐標(biāo)系下的車輛與當(dāng)前的道路切向角。

4) 根據(jù)預(yù)瞄得到的位置坐標(biāo)(Xp,Yp)與步驟1)中的規(guī)劃軌跡進(jìn)行相似性確定，包括預(yù)瞄點(diǎn)相對于期望軌跡的橫向位置偏差、當(dāng)前車輛行駛方向與規(guī)劃路徑的角度偏差以及車輛實(shí)時車速與期望車速的偏差。

5) 路徑跟蹤以及方向、速度控制器采用PID控制，通過計(jì)算坐標(biāo)偏差和方向偏差聯(lián)合控制車輛縱向和橫向運(yùn)動。

2.2.2 縱向運(yùn)動控制

縱向運(yùn)動控制主要是通過縱向速度跟隨控制來實(shí)現(xiàn)，為了保證行駛過程的平穩(wěn)，車輛按照固定加速度去控制車輛的速度。參照預(yù)瞄跟蹤技術(shù)，假設(shè)車輛從起始點(diǎn)以固定加速度運(yùn)動到預(yù)瞄點(diǎn)，軌跡點(diǎn)上離車輛最近的點(diǎn)的坐標(biāo)為(x1,y1,s1,vx,1)，預(yù)瞄點(diǎn)處的期望狀態(tài)為(x2,y2,s2,vx,2)，根據(jù)勻加速運(yùn)動公式，則獲得車輛的參考加速度aref:

(13)

根據(jù)駕駛員經(jīng)驗(yàn)，參考加速度范圍應(yīng)限制在-4～2 m/s2。

考慮到礦山作業(yè)過程中車輛經(jīng)常會出現(xiàn)上坡、下坡以及負(fù)載變化，對此引入速度誤差反饋。通過對比期望車速與實(shí)際車速得到車速誤差，隨后在速度控制器中得到期望加速度，通過感知車輛實(shí)際加速度，計(jì)算加速度誤差，根據(jù)誤差添加縱向力補(bǔ)償，從而實(shí)施加速或減速策略。為減少建模等噪聲的影響，執(zhí)行過程中添加了低通濾波單元來增加控制的精度?？v向控制系統(tǒng)流程如圖3所示。

2.2.3 橫向運(yùn)動控制

(14)

式中:Iz為車輛繞z軸的轉(zhuǎn)動慣量;a、b分別為車輛前軸軸距以及后軸軸距;MCG為整車裝備總質(zhì)量;u為車輛縱向車速;Caf、Ccar分別為前、后輪的側(cè)偏剛度。

圖3 縱向控制方案Fig.3 Longitudinal control scheme

圖4 車輛圓周運(yùn)動示意圖Fig.4 Schematic diagram of circular motion of vehicle

按照式(14)，穩(wěn)定行駛下橫向速度vy可以表示成為

vy=Tgr

(15)

式中：

(16)

則期望的方向盤轉(zhuǎn)角δss與預(yù)瞄誤差oss之間的傳遞函數(shù)可表示為

(17)

由于不同車速下的預(yù)瞄距離對控制精度的影響不同，二次化預(yù)瞄距離dpre，以此提高車輛穩(wěn)定，如式(18)所示：

(18)

式中：tpre為預(yù)瞄時間；vx為當(dāng)前車輛縱向速度；d0為固定的預(yù)瞄距離；k為比例系數(shù)。

在預(yù)瞄跟蹤過程中，考慮到車輛的航向角對于車輛橫向移動有很大影響，且由于礦山場景內(nèi)橫向距離誤差要求，建立基于航向角誤差及橫向距離誤差的橫向閉環(huán)反饋。

圖5中，Ψ為車輛行駛的航向角，Ψr為期望航向角,Ψp為預(yù)瞄位置期望航向角。橫向控制過程中，期望航向角包括當(dāng)前位置期望航向角及預(yù)瞄位置期望航向角，分別計(jì)算當(dāng)前狀態(tài)誤差ec、ep，可定義為

圖5 車輛航向角誤差反饋Fig.5 Error feedback of vehicle heading angle

ec=Ψr-Ψ

(19)

ep=Ψp-Ψ

(20)

根據(jù)實(shí)際場景測試，選用比例控制方案Kcp、Kpp來實(shí)現(xiàn)車輛的航向角控制，從而獲得航向角反饋増量Δδt，即

Δδt=Kcpec+Kppep

(21)

由于礦山環(huán)境復(fù)雜，高低起伏大，車輛橫向精度要求嚴(yán)苛，積分控制具有消除穩(wěn)態(tài)誤差，因而在此基礎(chǔ)上建立基于橫向距離誤差反饋的比例積分控制方案，計(jì)算t時刻橫向距離誤差et(t)：

et(t)=lr(t)-lc(t)

(22)

式中：lc為t時刻車輛相對道路中心位置距離；lr為t時刻參考軌跡相對道路中心位置距離。

通過比例積分控制方案Klp、Kli，實(shí)現(xiàn)車輛橫向距離控制，從而獲得橫向距離反饋増量Δδl，即

Δδl=Klpel(t)+Kli(el(t-1)+el(t))Δt

(23)

式中el為橫向距離誤差。

結(jié)合上述計(jì)算得到的方向盤輸出轉(zhuǎn)角，可得最終方向盤轉(zhuǎn)角δ輸出應(yīng)為

δ=Δδt+δssδ+Δδl

(24)

基于車身的實(shí)時狀態(tài)以及周圍環(huán)境信息，橫向控制器根據(jù)期望方向盤轉(zhuǎn)角計(jì)算出相應(yīng)的轉(zhuǎn)向輪轉(zhuǎn)向角度，并將控制角度指令傳送到轉(zhuǎn)向驅(qū)動器，驅(qū)動轉(zhuǎn)向機(jī)構(gòu)完成相應(yīng)操作并反饋轉(zhuǎn)向狀態(tài)信息。車輛在轉(zhuǎn)向過程中，基于自身狀態(tài)不斷糾正方向偏差，輸出方向盤轉(zhuǎn)角δ信息，以調(diào)整轉(zhuǎn)向輪的轉(zhuǎn)向角度，最終實(shí)現(xiàn)車輛的橫向控制。

車輛橫向控制方案如圖6所示。

圖6 橫向控制方案Fig.6 Vehicle lateral control scheme

3 礦用運(yùn)輸車輛駕駛系統(tǒng)平臺測試

3.1 系統(tǒng)平臺搭建

礦用運(yùn)輸車輛無人駕駛系統(tǒng)的硬件結(jié)構(gòu)如圖7所示，包括測試車輛、工控機(jī)、分布式智能計(jì)算單元(Distributed Intelligent Computing Unit,DICU)、毫米波雷達(dá)、激光雷達(dá)單元、慣導(dǎo)模塊、急停機(jī)箱和電源模塊等。測試車輛是TLD90非公路寬體自卸車，工控機(jī)型號是ARK-3500P-00A1E，毫米波雷達(dá)型號為DNMWR004，激光雷達(dá)單元分為帶有旋轉(zhuǎn)平臺的單線激光雷達(dá)(型號為LMS511-10100-PRO)，以及四線激光雷達(dá)(型號為MRS1104C-111011)，慣導(dǎo)模塊包括慣導(dǎo)以及前后天線，模塊型號是XW-GI5651，急停機(jī)箱內(nèi)置有24 V電源模塊，搭配緊急制動按鈕手柄和5 G無線通信模塊，其中5 G無線通信模塊用于系統(tǒng)云平臺與無人礦車的遠(yuǎn)程指令傳輸；電源箱包括了12 V以及220 V電源輸出，其中220 V電源輸出是12 V電源經(jīng)過升壓模塊升壓后輸出，用來保障駕駛機(jī)器人電機(jī)的運(yùn)行，12 V電源為各傳感器模塊供電。

3.2 感知模塊測試

為驗(yàn)證感知模塊在不同場景下檢測障礙物類型的適應(yīng)性，同時驗(yàn)證車輛對道路可行駛區(qū)域的檢測效果，本文設(shè)置3種常見的礦區(qū)工況，分別進(jìn)行檢測：①在高低不平的泥土路上，周圍20 m內(nèi)具有較多不規(guī)則障礙物的工況；②轎車在自動駕駛礦卡前方繞圈行駛，并帶起一定密度揚(yáng)塵的工況；③礦區(qū)正常作業(yè)時，大型卡車較多且密度較大的工況。

如圖8所示，無人駕駛礦用運(yùn)輸車輛具備較好的道路可行駛區(qū)域檢測效果，其中深色點(diǎn)云數(shù)據(jù)隊(duì)列顯示的是道路兩邊的擋土墻。圖9表明，無人駕駛礦用運(yùn)輸車輛對20 m以內(nèi)的行人和周圍其他障礙物有較好的檢測效果。圖10表明，激光雷達(dá)可以濾除灰塵影響，并能夠較好地檢測和追蹤轎車。圖11表明，感知系統(tǒng)在車輛正常作業(yè)時對卡車和周圍障礙物有較好的檢測效果。

圖9 對行人和路邊障礙物的檢測效果Fig.9 Detection effect of pedestrian and roadside obstacles

圖10 對轎車的檢測效果Fig.10 Car detection effect

圖11 對卡車和路邊障礙物的檢測效果Fig.11 Detection effect of trucks and roadside obstacles

3.3 軌跡跟蹤控制測試

3.3.1 測試場景選取

根據(jù)礦車的工作狀況，選取裝載點(diǎn)及卸載點(diǎn)?？?、彎道行駛以及上下坡行駛3種場景進(jìn)行軌跡跟蹤測試。

3.3.2 測試結(jié)果分析

1) 裝載點(diǎn)及卸載點(diǎn)?？繙y試。裝載點(diǎn)橫向偏差在0.5 m左右，縱向偏差超過1 m(見圖12)，航向偏差遠(yuǎn)小于要求值5°。卸載點(diǎn)橫向偏差在0.5 m以內(nèi)，5次數(shù)據(jù)有2次超過0.3 m，縱向偏差1.5 m左右(見圖13)，航向偏差遠(yuǎn)小于要求值5°。圖中深色為采集路徑，淺色為實(shí)際跑車路徑。

2) 彎道行駛測試。在不同曲率彎道下的測試結(jié)果差別比較明顯，如圖14及圖15所示。

圖12 裝載點(diǎn)停靠路徑Fig.12 Docking path of mount point

圖13 卸載點(diǎn)?？柯窂紽ig.13 Docking path of unloading point

圖14 曲率最大時軌跡Fig.14 Trajectory with maximum curvature

圖15 曲率較小時軌跡Fig.15 Trajectory with small curvature

3) 上坡、下坡速度偏差和橫向偏差測試。為確保測試結(jié)果可靠性，本研究進(jìn)行了2次上下坡測試：第1次上坡速度最大偏差4.7 km/h，上坡橫向最大偏差-0.49 m，下坡速度最大偏差-2.89 km/h，下坡橫向最大偏差-0.49 m，如圖16所示；第2次上坡速度最大偏差4.63 km/h，上坡橫向最大偏差-0.38 m，下坡速度最大偏差-2.64 km/h，下坡橫向最大偏差-0.37 m，如圖17所示。雖然上下坡速度控制效果一般，但上下坡橫向偏差均在合理要求范圍內(nèi)。

圖16 第1次測試結(jié)果Fig.16 The first test results

圖17 第2次測試結(jié)果Fig.17 The second test results

4 結(jié) 論

為實(shí)現(xiàn)礦區(qū)的數(shù)字化、智慧化和自動化需求，本文主要從無人駕駛礦用運(yùn)輸車輛的應(yīng)用需求和安全性需求入手，提出了針對復(fù)雜礦區(qū)道路環(huán)境的感知方法和車輛路徑跟蹤控制方法，最后在實(shí)車上集成開發(fā)并測試了真實(shí)礦區(qū)下的礦用運(yùn)輸車輛無人駕駛系統(tǒng)：

1) 開發(fā)了毫米波雷達(dá)與激光雷達(dá)融合的多目標(biāo)識別算法。通過現(xiàn)場驗(yàn)證，算法能夠準(zhǔn)確識別行人、卡車、小型轎車等多種障礙物類型，具有較高檢測精確度且能夠適應(yīng)礦區(qū)塵土飛揚(yáng)的惡劣環(huán)境。

2) 攻克了無人駕駛礦用運(yùn)輸車輛的路徑跟蹤技術(shù)。采用預(yù)瞄-控制的跟蹤理論，將縱向控制和橫向控制解耦，并使用誤差進(jìn)行反饋控制調(diào)優(yōu)?，F(xiàn)場測試結(jié)果表明，本文提出的控制策略能夠在裝載點(diǎn)和卸載點(diǎn)、彎道行駛以及上下坡行駛過程中準(zhǔn)確跟蹤期望路徑，獲得的縱向速度偏差和橫向位置偏差均在合理范圍內(nèi)。

3) 綜上所述，本文設(shè)計(jì)開發(fā)的無人駕駛礦用運(yùn)輸車輛系統(tǒng)能夠提高礦區(qū)生產(chǎn)作業(yè)的高效性和安全性。下一步將基于當(dāng)前無人礦用運(yùn)輸車輛的發(fā)展現(xiàn)狀，研究感知精度更高的傳感器融合方案，且針對不同礦區(qū)的車輛運(yùn)行環(huán)境以及礦用運(yùn)輸車輛車身結(jié)構(gòu)差異，形成更加完善的控制策略及技術(shù)測試方案。