牛立鵬，張 沙，張朝陽，陳華國，卿光明

（中車株洲電力機車研究所有限公司，湖南 株洲 412001）

0 引言

采礦業(yè)是我國國民經(jīng)濟的基礎和支柱產(chǎn)業(yè)之一［1］，但面臨著人工作業(yè)環(huán)境惡劣、危險系數(shù)大、車輛作業(yè)效率低等問題，提升礦用卡車（簡稱“礦卡”）作業(yè)安全性與效率迫在眉睫。在國家政策引領(lǐng)和產(chǎn)業(yè)需求驅(qū)動下，以礦卡智能駕駛為代表的智慧礦山已成為采礦工業(yè)發(fā)展的必然趨勢。

研究表明，通過大規(guī)模路測來優(yōu)化自動駕駛算法的方法不僅耗時、費力、成本高，而且道路測試存在極端場景復現(xiàn)困難、測試安全隱患大等問題，因此虛擬仿真測試已經(jīng)成為加速自動駕駛技術(shù)研發(fā)和落地的重要手段［2］。仿真平臺不受時間、次數(shù)和場地等條件限制，能夠在實車測試之前對自動駕駛系統(tǒng)進行全面摸底測試，可極大降低測試成本。文獻［3-5］搭建了自動駕駛汽車硬件在環(huán)（hardware in loop，HIL）仿真實驗平臺，該平臺集成了實車制動系統(tǒng)、轉(zhuǎn)向系統(tǒng)、傳感器系統(tǒng)以及網(wǎng)絡通信系統(tǒng)，可提供完整的整車HIL實驗環(huán)境。文獻［6］基于機器人操作系統(tǒng)（robot operation system，ROS）使用軟件在環(huán)（software in loop，SIL）方法搭建了車輛模型框架平臺，可創(chuàng)建多個車輛模型，驗證各種模型的不同算法。

在乘用車自動駕駛領(lǐng)域，在現(xiàn)有復雜交通環(huán)境中，單車自動駕駛走向無人駕駛面臨著技術(shù)提升難度大、成本高的發(fā)展瓶頸。因此，能實現(xiàn)多車協(xié)同駕駛的車路協(xié)同智能駕駛技術(shù)已成為研究熱點［7-11］。但目前針對乘用車的自動駕駛仿真測試技術(shù)更偏向于單車智能駕駛。礦卡智能駕駛是一種有組織、有計劃、由中心統(tǒng)一調(diào)度的集群運輸方案，多車協(xié)同駕駛［12-13］是其中一個典型特點。本文通過搭建一套完整的礦卡智能駕駛系統(tǒng)多車協(xié)同仿真測試平臺來實現(xiàn)對十幾臺礦卡的多車智能算法仿真測試，并采用SIL測試方法進行礦區(qū)場景建模、車載傳感器建模、礦卡動力學建模以及多車協(xié)同仿真通信接口設計。

1 多車協(xié)同仿真技術(shù)研究

礦卡智能駕駛仿真平臺包括地面管理與監(jiān)控系統(tǒng)（ground management and supervision system，GMS）和車載智能駕駛計算平臺（多個），需要搭建礦卡車輛動力學模型、礦區(qū)場景模型及車載傳感器模型。礦卡智能駕駛多車協(xié)同仿真平臺關(guān)聯(lián)關(guān)系如圖1所示。

圖1 多車協(xié)同仿真平臺關(guān)聯(lián)關(guān)系Fig.1 Association diagram of multi-vehicle collaborative simulation platform

本文所設計的礦卡智能駕駛多車協(xié)同仿真平臺包含仿真對象和軟硬件被測對象兩部分（圖1）。GMS提供礦山運輸作業(yè)地圖，并向車載智能駕駛計算平臺下發(fā)礦卡運行路徑；車載智能駕駛計算平臺接收GMS信息并向仿真場景中的車輛下發(fā)控制指令。結(jié)合關(guān)聯(lián)關(guān)系圖設計的智能駕駛多車協(xié)同仿真平臺總體方案如圖2所示。

圖2 多車智能駕駛仿真平臺總體方案Fig.2 Overall scheme of the multi-vehicle intelligent driving simulation platform

圖2中，基于Linux系統(tǒng)的開發(fā)環(huán)境，車載智能駕駛計算平臺包含ROS環(huán)境下的感知、決策及控制等算法模塊，并在場景仿真軟件中建立場景模型、傳感器模型和簡化的多車車輛動力學模型。車載智能駕駛計算平臺與地面系統(tǒng)服務器通過以太網(wǎng)進行卡車定位、障礙物、調(diào)度等信息的交互。車載智能駕駛計算平臺通過以太網(wǎng)向?qū)崟r仿真器中的場景仿真軟件發(fā)送牽引、制動和轉(zhuǎn)向等控制信息，接收場景仿真軟件中的卡車狀態(tài)、定位和傳感器探測信息。通過上述方案，能夠?qū)崿F(xiàn)礦區(qū)幾十甚至上百臺車的協(xié)同仿真測試。

2 仿真建模研究

整體上，通過對礦區(qū)場景、車載傳感器及多車動力學進行建模，對多車協(xié)同仿真通信接口進行設計并接入GMS，可實現(xiàn)礦卡智能駕駛系統(tǒng)多車協(xié)同仿真平臺的搭建。

2.1 礦區(qū)場景建模

為實現(xiàn)礦卡智能駕駛仿真測試，首先需要構(gòu)建與真實礦區(qū)環(huán)境一致的虛擬場景。礦區(qū)場景是階梯式的，實際礦區(qū)露天開采作業(yè)主要包括穿孔爆破、采裝、運輸和排土。圖3所示為某露天礦區(qū)的實景。

圖3 礦區(qū)實景Fig.3 Actual scene of mine

所構(gòu)建的虛擬場景可以分為靜態(tài)場景和動態(tài)場景。靜態(tài)場景包括道路（材質(zhì)、車道線等）和靜態(tài)交通元素，如交通標志、周圍建筑物等。場景仿真軟件自帶靜態(tài)場景編輯器，該編輯器能夠建立路網(wǎng)及靜態(tài)場景，并支持OpenDRIVE高精地圖及osgb三維模型的導出。本文以部分礦區(qū)CAD圖作為底圖并采用靜態(tài)場景編輯器建立1:1礦區(qū)靜態(tài)場景，如圖4所示。動態(tài)交通環(huán)境構(gòu)建采用OpenSCENARIO格式。OpenDRIVE高精地圖和osgb三維模型被加載到場景仿真軟件的動態(tài)場景編輯器中，通過在該動態(tài)場景編輯器中添加動態(tài)指示設施、天氣變化等動態(tài)環(huán)境元素以及交通參與者來進行動態(tài)場景的構(gòu)建。根據(jù)實際礦區(qū)地圖，在場景仿真地圖中設計了2個裝載區(qū)和2個卸載區(qū)，其中裝載區(qū)1和卸載區(qū)1分別對應剝離區(qū)和排土場，裝載區(qū)2和卸載區(qū)2分別對應挖煤區(qū)和破碎站。圖5所示為動態(tài)場景編輯器中的礦區(qū)仿真場景俯視圖。

圖4 建立路網(wǎng)及靜態(tài)場景Fig.4 Established road network and static scene

圖5 仿真場景俯視圖Fig.5 Top view of the simulation scene

2.2 車載傳感器建模

智能駕駛礦卡對周圍環(huán)境進行感知，除了需要用到高精度場景地圖信息外，還需要通過車載傳感器進行目標識別。以某款激光雷達為例來說明基礎建模的過程。該激光雷達的掃描特性、發(fā)射頻率等參數(shù)如表1所示。

表1 激光雷達參數(shù)列表Tab.1 LiDAR parameter list

參照表1中真實激光雷達參數(shù)，利用場景仿真軟件建立激光雷達傳感器模型。該模型利用光線追蹤技術(shù)并假設場景中的材質(zhì)透射率為零，因此只考慮反射和吸收兩種情況。本文只計算物體表面對激光光源的單次反射結(jié)果。通常，激光到達探測器的成像計算公式［14］為

式中：PR——探測到的激光功率；PT——激光器的發(fā)射功率；A——探測光學系統(tǒng)的有效接收面積；ΔS——物體表面面積；R——物體表面與探測器的距離；θ0——激光發(fā)散半角；θi，φi，θr和φr——激光在目標表面入射方向的天頂角、方位角、反射方向的天頂角、方向角；f（θi，φi，θr，φr）——雙向反射率分布函數(shù)，用于描述小體積物體表面的反射特性。

根據(jù)式（1）及雙向反射分布函數(shù)定義，可以得出

式中：L（θr，φr）——物體表面（面積為ΔS）對激光光源在（θr，φr）方向直接反射的光亮度。

將該仿真?zhèn)鞲衅髋渲媒o虛擬仿真礦卡，其安裝位置與真實傳感器安裝位置一致，如圖6所示。除此之外，由于真實礦卡感知系統(tǒng)采用多傳感器融合技術(shù)，為保證仿真真實性，還需要建立車載毫米波雷達和組合慣導的仿真模型。

圖6 激光雷達仿真圖Fig.6 Simulation diagram of LiDAR

2.3 多車動力學建模

在場景軟件中，參照真實礦卡車輛參數(shù)（表2），利用場景仿真軟件，建立簡化車輛動力學模型（圖7）。所建立的礦卡動力學模型可以輸出礦卡位置、車身姿態(tài)（航向角、俯仰角和側(cè)傾角）和3個方向的速度、加速度和角速度等狀態(tài)參數(shù)，以及擋位、轉(zhuǎn)向和剎車等控制參數(shù)。

表2 礦卡建模參數(shù)列表Tab.2 List of mining truck modeling parameters

圖7 礦卡動力學模型Fig.7 Dynamic model of mine truck

2.4 多車協(xié)同仿真通信接口設計

多車協(xié)同仿真平臺由實時仿真器、車載智能駕駛計算平臺和地面系統(tǒng)服務器3部分組成，通過局域網(wǎng)實現(xiàn)三者之間的相互通信，通信接口設計方案如圖8所示。車載智能駕駛計算平臺具備車載控制器功能，其包含感知、決策和控制算法模塊。由于車載智能駕駛計算平臺與地面系統(tǒng)計算平臺之間存在以太網(wǎng)通信協(xié)議接口，通過局域網(wǎng)即可實現(xiàn)兩者之間信息交互，因此只需要開發(fā)場景仿真軟件與車載智能駕駛計算平臺之間的通信接口。

圖8 多車車載控制器原理圖Fig.8 Schematic diagram of the multi-vehicle controller

3 仿真平臺測試

礦卡智能駕駛多車仿真平臺不僅能夠支撐車載系統(tǒng)感知、決策和控制等算法功能的測試驗證，還能夠?qū)Φ孛嫦到y(tǒng)調(diào)度、規(guī)劃、多車協(xié)同作業(yè)管理等算法功能進行測試與驗證。地面系統(tǒng)服務器上創(chuàng)建2個調(diào)度單元，即裝卸載區(qū)1和裝卸載區(qū)2，每個裝卸載區(qū)各有5臺仿真礦卡。本文利用該礦卡智能駕駛仿真平臺并基于這兩個調(diào)度單元，對動態(tài)繞障功能和多車協(xié)同作業(yè)功能進行測試。

3.1 車載決策控制算法功能測試

動態(tài)繞障功能是車載決策控制算法的一個重要功能。當智能礦卡傳感器探測到所規(guī)劃的行駛路徑前方有障礙物時，該障礙物的位置和輪廓信息會被發(fā)送給地面系統(tǒng)服務器；地面系統(tǒng)服務器根據(jù)障礙物信息和礦卡運行信息，重新規(guī)劃一條繞開障礙物的行駛路徑。

本文利用該仿真平臺搭建動態(tài)繞障功能測試場景：礦卡1屬于裝載區(qū)1和卸載區(qū)1的調(diào)度單元，開始運行時礦卡1根據(jù)調(diào)度指令會前往裝載區(qū)1裝載，即前往剝離區(qū)裝載表土和巖石。在動態(tài)場景地圖中，將一輛靜止的車當做障礙物放置在礦卡1的行駛路徑上，距離礦卡1超過200 m。假設傳感器的探測距離是200 m，地面系統(tǒng)服務器上位機界面見圖9。從圖10可以發(fā)現(xiàn)，礦卡1在虛擬礦區(qū)環(huán)境中探測到規(guī)劃路徑前方有障礙物，車載智能駕駛計算平臺會將該障礙物坐標信息發(fā)送給地面系統(tǒng)服務器，地面系統(tǒng)服務器標記顯示該障礙物，并重新規(guī)劃一條繞開該障礙物的路徑下發(fā)給車載智能駕駛計算平臺，礦卡1根據(jù)控制指令繞開該障礙物。該結(jié)果表明，仿真平臺能夠?qū)崿F(xiàn)動態(tài)繞障功能的測試。

圖9 地面系統(tǒng)界面礦卡正常運行測試圖Fig.9 Test chart of mine truck normal operation in GMS's interface

圖10 地面系統(tǒng)界面動態(tài)繞障測試圖Fig.10 Test chart of dynamic obstacle avoidance in GMS's interface

地面系統(tǒng)服務器標記障礙物后，運行同一調(diào)度單元下的礦卡2，然后選取有障礙物的一段道路并提取礦卡1和礦卡2的運行數(shù)據(jù)進行分析，具體如圖11和圖12所示。

圖11 動態(tài)繞障位置曲線對比Fig.11 Position curves during obstacle avoidance

圖12 動態(tài)繞障速度曲線對比Fig.12 Speed curves during obstacle avoidance

對比圖11和圖12中的位置、速度曲線，礦卡1第一次探測到前方運行軌跡上有障礙物時，礦卡1的位置是x0（91.5 m，192 m），障礙物幾何中點的坐標是x0bj（193.8 m，195.3 m），此時礦卡1開始降低行車速度，為動態(tài)繞障做準備；到達一定距離后，在x1位置處開始繞障，至x2處完成動態(tài)繞障。由于地面系統(tǒng)服務器已標記了該障礙物，所以后車（礦卡2）會按照地面系統(tǒng)服務器提前規(guī)劃好的繞障路徑行駛，不會突然降速。因此，礦卡2的降速時間點延后，降速過程更為平緩，有利于提升車輛運輸效率和平穩(wěn)性。

3.2 多車調(diào)度算法功能測試

在場景仿真軟件中搭建多車智能駕駛礦卡在裝載點排隊運行測試場景，以1號調(diào)度單元的5臺礦卡為例，通過調(diào)整卡車放置初始位置和啟動順序，實現(xiàn)多車排隊功能測試驗證。圖13展示出5輛卡車在裝載區(qū)1排隊運行的虛擬三維場景圖和地面系統(tǒng)界面顯示圖。圖中，當?shù)谝惠v卡車在裝載區(qū)1裝載時，其余卡車會按先后順序在排隊點依次排隊等待；等該卡車駛出裝載區(qū)時，第二輛卡車會駛向裝載點裝載，而第三輛卡車移動到排隊點；后面卡車依次向前移動一定距離后待機排隊等待。多次進行地面調(diào)度測試，結(jié)果顯示調(diào)度算法功能穩(wěn)定。

圖13 多車裝載區(qū)排隊測試圖Fig.13 Queuing test charts in multi-vehicle loading area

礦區(qū)場景復雜且存在交叉路口，設置多車在路口相遇的動態(tài)測試場景，測試結(jié)果如圖14所示?？梢钥闯?，路口有3臺卡車相遇，分別是向裝載區(qū)1行駛的礦卡1，向卸載區(qū)2行駛的礦卡2以及向裝載區(qū)2行駛的礦卡3。礦卡2和礦卡3在路口相遇，出現(xiàn)了部分規(guī)劃路徑重合，此時礦卡2停止，等待礦卡3通過路口之后才會繼續(xù)行駛。

圖14 交叉路口多車相遇測試圖Fig.14 Test charts of multi-vehicle encounter at intersection

為了進一步說明礦卡規(guī)劃路徑出現(xiàn)部分重合時的行駛策略，本文選取路口相遇前后同一時間段內(nèi)的礦卡1、礦卡2和礦卡3的運行數(shù)據(jù)，得到礦卡運行位置曲線（圖15）、速度曲線（圖16）以及擋位曲線（圖17）。其中，礦卡擋位數(shù)字0代表駐車擋，數(shù)字1代表倒車擋，數(shù)字2代表空擋，數(shù)字3代表前進擋。

圖15 交叉路口3車運行位置曲線Fig.15 Running position curves of the three vehicles at intersection

圖16 交叉路口3車速度與時間關(guān)系圖Fig.16 Speed&time relationship of the three vehicles at intersection

圖17交叉路口3車擋位數(shù)字與時間的關(guān)系Fig.17 Gear number&time chart of the three vehicles at intersection

圖15 中，箭頭方向代表礦卡運行方向，在同一時間段內(nèi)，礦卡1行駛路徑和其余兩臺礦卡行駛路徑?jīng)]有重合部分，而礦卡2和礦卡3的行駛路徑有部分重合。結(jié)合圖16和圖17可以看出，礦卡1是正常行駛，擋位在前進擋位置，沒有出現(xiàn)停車現(xiàn)象；而礦卡2出現(xiàn)駐車擋，停車等待，直至礦卡3行駛經(jīng)過路徑重合區(qū)后，才會繼續(xù)按照規(guī)劃路徑行駛。比較同一時間礦卡2的速度和擋位，可以發(fā)現(xiàn)，當?shù)V卡2速度降為0后，擋位由前進擋切換至駐車擋；同理，由駐車擋切換為前進擋后，速度開始上升。仿真結(jié)果表明：當兩車在路口相遇并規(guī)劃軌跡有重合部分時，地面系統(tǒng)服務器會讓一臺卡車正常運行，而讓另一臺卡車停車等待。由此驗證了該多車路口交匯行駛策略的正確性和有效性。

4 結(jié)語

本文通過建立礦區(qū)場景模型、傳感器模型、簡化車輛動力學模型及多車協(xié)同仿真通信接口，打通虛擬仿真模型與車載控制器、地面系統(tǒng)服務器之間的通信接口，搭建了礦卡智能駕駛多車協(xié)同仿真平臺。該仿真平臺可實現(xiàn)對礦卡多車動態(tài)繞障、多車調(diào)度算法等功能的測試，極大縮短了測試時間并降低了測試成本。隨著仿真平臺的不斷完善和優(yōu)化，下一步將對場景模型和車輛動力學模型進行優(yōu)化，以實現(xiàn)智能駕駛礦卡和有人駕駛礦卡混跑仿真。