宋秦中 胡華亮

(1.蘇州市職業(yè)大學(xué)機(jī)電工程學(xué)院,江蘇 蘇州 215104;2.蘇州漢特士視覺(jué)科技有限公司,江蘇 蘇州 215127)

在煤礦智能化建設(shè)的過(guò)程中,作為煤礦井下重要輔助運(yùn)輸裝備無(wú)軌膠輪車(chē)正朝著無(wú)人駕駛方向發(fā)展。然而,煤礦井下作業(yè)環(huán)境惡劣,運(yùn)輸任務(wù)重和巷道工況可能不斷發(fā)生變化,在無(wú)軌膠輪車(chē)無(wú)人駕駛過(guò)程中,必須具有從目前位置到目標(biāo)之間不發(fā)生碰撞的路徑規(guī)劃,避障控制系統(tǒng)起到了關(guān)鍵作用。另外,由于井下彎道、路口的盲區(qū)較多,場(chǎng)景單一、照度低等因素會(huì)導(dǎo)致定位困難,井下網(wǎng)絡(luò)信號(hào)強(qiáng)度、礦區(qū)的行業(yè)標(biāo)準(zhǔn)和安全生產(chǎn)指標(biāo)限制等也是避障控制器設(shè)計(jì)和開(kāi)發(fā)必須考慮的問(wèn)題[1-5]。因此,為了保證無(wú)人駕駛過(guò)程中避障控制的有效性和可靠性,避障控制方法的先進(jìn)性和準(zhǔn)確性顯得尤為重要。

避障控制的實(shí)質(zhì)是局部路徑規(guī)劃問(wèn)題,即部分甚至全部環(huán)境信息未知情況下的障礙物規(guī)避。局部路徑規(guī)劃中常用的有自適應(yīng)預(yù)瞄路徑和風(fēng)險(xiǎn)評(píng)估方法?；谧赃m應(yīng)預(yù)瞄路徑的避障控制方法采用多項(xiàng)式擬合法,根據(jù)障礙物跟蹤指標(biāo),結(jié)合粒子群優(yōu)化算法進(jìn)行參數(shù)尋優(yōu),實(shí)現(xiàn)跟蹤時(shí)預(yù)瞄路徑自適應(yīng)調(diào)節(jié)[3];基于風(fēng)險(xiǎn)評(píng)估的避障控制方法則通過(guò)對(duì)各種障礙特征的分析,建立風(fēng)險(xiǎn)評(píng)估的數(shù)學(xué)模型,并將其納入無(wú)人駕駛無(wú)軌膠輪車(chē)動(dòng)態(tài)特征的最優(yōu)控制策略[4]。然而,上述兩種方法對(duì)井下有限空間影響的考慮不夠,實(shí)際運(yùn)行中會(huì)導(dǎo)致無(wú)人駕駛無(wú)軌膠輪車(chē)頻繁轉(zhuǎn)向,不利于車(chē)輛安全穩(wěn)定的運(yùn)行。為了解決該問(wèn)題,提出了基于卷積神經(jīng)網(wǎng)絡(luò)的煤礦井下環(huán)境無(wú)人駕駛無(wú)軌膠輪車(chē)運(yùn)動(dòng)避障控制方法。聯(lián)合卷積神經(jīng)網(wǎng)絡(luò)和攝像頭來(lái)處理車(chē)輛外界的復(fù)雜環(huán)境信息,相較于傳統(tǒng)的方法,能夠避免使用冗余的硬件設(shè)備,并且具有更好地適應(yīng)復(fù)雜環(huán)境的能力,是一種新的可行方法[5-7]。

1 數(shù)據(jù)分析處理模型

對(duì)于井下環(huán)境障礙物測(cè)距,利用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)繪制出了一張光柵地圖,能夠在一定時(shí)間內(nèi)將車(chē)輛的位置和障礙物位置信息顯示出來(lái)。根據(jù)柵格圖形進(jìn)行障礙識(shí)別,通過(guò)對(duì)礦井整體查詢與監(jiān)控,識(shí)別障礙物定位結(jié)構(gòu)。使用對(duì)數(shù)—正態(tài)分配方法,建立一個(gè)未知障礙物信號(hào)強(qiáng)度表達(dá)模型,得到障礙物與無(wú)人駕駛無(wú)軌膠輪車(chē)之間距離。

1.1 障礙物辨識(shí)

在辨識(shí)障礙方面,單純依靠無(wú)人駕駛車(chē)輛上的傳感器在一定的時(shí)間內(nèi)采集到的原始圖像難以反映其動(dòng)態(tài)特征,因此要對(duì)其進(jìn)行精確定位,除了要對(duì)各種情況下的圖像數(shù)據(jù)進(jìn)行全面研究外,對(duì)圖像辨識(shí)的實(shí)時(shí)性非常高?；诟倪M(jìn)的卷積神經(jīng)網(wǎng)絡(luò)是一種實(shí)時(shí)有效的方法,能夠?qū)φ系K物進(jìn)行識(shí)別和分類[5-7]。通過(guò)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的光柵地圖,能夠精確地顯示出特定時(shí)間內(nèi)的周?chē)h(huán)境狀況,例如車(chē)輛的位置、障礙物的位置等。在避障體系中,可以將網(wǎng)格圖形作為最基本的環(huán)境模型,以網(wǎng)格圖形為依據(jù),實(shí)現(xiàn)無(wú)人駕駛無(wú)軌膠輪車(chē)智能決策和路徑規(guī)劃。一般情況下,對(duì)于不可移動(dòng)的障礙物,采用傳統(tǒng)的二維柵格圖效果更好,但是由于車(chē)輛在移動(dòng)過(guò)程中主要是移動(dòng)障礙,使用該方法無(wú)法精準(zhǔn)識(shí)別障礙物。為此,提出了基于移動(dòng)的柵格法表示車(chē)輛在不同時(shí)間點(diǎn)與障礙物之間的位置關(guān)系,選用三維障礙物柵格圖作為建模方法,構(gòu)建無(wú)人駕駛無(wú)軌膠輪車(chē)周?chē)娜S空間模型,將其在某一時(shí)期內(nèi)的空間分布情況用時(shí)間軸表示出來(lái),從而能夠不斷地反映出運(yùn)動(dòng)特點(diǎn),為下一步的操作和線路規(guī)劃提供依據(jù)[6-7]。

柵格法的基本思想是將所要辨識(shí)的周?chē)h(huán)境劃分為若干個(gè)同樣尺寸的小方塊,再將若干個(gè)小方塊組合后形成一個(gè)柵格,如圖1所示。

圖1 柵格法示意Fig.1 Schematic of grid method

由圖1可知,在地圖上柵格是用等級(jí)分割的。如果將一個(gè)柵格用M表示,那么就可以把所有的數(shù)據(jù)都儲(chǔ)存在某一塊地圖上,這樣就可以構(gòu)建出一張完整的地圖,由此獲取所有需要記錄的數(shù)據(jù)。當(dāng)柵格數(shù)值為1時(shí),表示該柵格存在障礙物;當(dāng)柵格數(shù)值為0時(shí),表示該柵格不存在障礙物,由此能夠形成一幅能反映整體環(huán)境的網(wǎng)格圖。在一定的地域內(nèi),由無(wú)人駕駛無(wú)軌膠輪車(chē)來(lái)構(gòu)建自己的地形圖數(shù)據(jù)庫(kù),柵格的大小可以更準(zhǔn)確地反映出周?chē)那闆r,柵格的數(shù)據(jù)和特性會(huì)在一定時(shí)間內(nèi)顯示出無(wú)人駕駛無(wú)軌膠輪車(chē)的移動(dòng)軌跡。

1.2 障礙物距離計(jì)算

為了獲取無(wú)人駕駛無(wú)軌膠輪車(chē)與障礙物之間距離,設(shè)計(jì)了障礙物定位系統(tǒng),如圖2所示。

該系統(tǒng)可以接收由車(chē)速傳感器和轉(zhuǎn)速儀采集器的無(wú)軌膠輪車(chē)的運(yùn)行數(shù)據(jù),再通過(guò)計(jì)算機(jī)進(jìn)行快速計(jì)算,計(jì)算出車(chē)輛的運(yùn)行狀態(tài)和速度,從而為障礙物精確定位奠定基礎(chǔ)[8-12]。系統(tǒng)包括一套以無(wú)線傳感器為基礎(chǔ)的有線網(wǎng)絡(luò),系統(tǒng)節(jié)點(diǎn)包括普通節(jié)點(diǎn)、單鏈路節(jié)點(diǎn)和網(wǎng)關(guān)節(jié)點(diǎn)。其中,普通節(jié)點(diǎn)、單鏈路節(jié)點(diǎn)分別承擔(dān)了數(shù)據(jù)的收集與傳送功能,而網(wǎng)關(guān)節(jié)點(diǎn)則完成了有線和無(wú)線的轉(zhuǎn)接,以及CAN總線連接。

在此基礎(chǔ)上,采用多跳轉(zhuǎn)接的方法將監(jiān)控信息傳遞給 Sink節(jié)點(diǎn)。無(wú)線傳感基站網(wǎng)最后與光纜主干網(wǎng)連接,將采集到的環(huán)境、定位等數(shù)據(jù)傳送到地面監(jiān)測(cè)調(diào)度站進(jìn)行統(tǒng)一控制。地面監(jiān)測(cè)系統(tǒng)由數(shù)據(jù)庫(kù)和中心計(jì)算機(jī)組成,其功能是實(shí)時(shí)存儲(chǔ)、查詢、預(yù)警和決策,并對(duì)其進(jìn)行實(shí)時(shí)監(jiān)測(cè)和管理。在煤礦井下環(huán)境中,信號(hào)傳輸途徑和通道損失的函數(shù)遵循對(duì)數(shù)—正態(tài)分配模式,由此構(gòu)建的模型為

式中,λ為當(dāng)初始距離l0=1 m時(shí)的接收信號(hào)強(qiáng)度值;l為實(shí)際距離;a為衰減因子。隨著煤礦井下環(huán)境的不同,衰減因子也將發(fā)生改變。通過(guò)該公式可獲取某個(gè)未知障礙物的接收信號(hào)強(qiáng)度,進(jìn)而得到該障礙物與無(wú)人駕駛無(wú)軌膠輪車(chē)之間的距離。

2 運(yùn)動(dòng)避障控制

對(duì)直線型、彎道型、路口型無(wú)人駕駛無(wú)軌膠輪車(chē)的行駛路線進(jìn)行分析,并對(duì)3種不同的碰撞點(diǎn)進(jìn)行預(yù)測(cè)。設(shè)計(jì)運(yùn)動(dòng)避障控制器,使無(wú)人駕駛無(wú)軌膠輪車(chē)按照避障規(guī)劃后的軌跡行駛。建立車(chē)輛的運(yùn)動(dòng)學(xué)方程,實(shí)現(xiàn)無(wú)人駕駛無(wú)軌膠輪車(chē)運(yùn)動(dòng)避障。

2.1 碰撞點(diǎn)預(yù)測(cè)

在井下環(huán)境無(wú)人駕駛無(wú)軌膠輪車(chē)運(yùn)動(dòng)避障控制過(guò)程中,需要對(duì)無(wú)人駕駛無(wú)軌膠輪車(chē)與障礙物的撞擊位置進(jìn)行預(yù)測(cè)。由于靜止障礙物不會(huì)隨時(shí)間移動(dòng),避障控制相對(duì)簡(jiǎn)單;而移動(dòng)障礙物則會(huì)隨時(shí)間移動(dòng),從而使碰撞點(diǎn)具有非恒定性的,必須要對(duì)其運(yùn)行軌跡進(jìn)行預(yù)測(cè),并通過(guò)三維柵格圖來(lái)確定碰撞點(diǎn)的具體方位[13-17]。根據(jù)井下環(huán)境無(wú)人駕駛無(wú)軌膠輪車(chē)運(yùn)動(dòng)路徑劃分,將碰撞點(diǎn)預(yù)測(cè)劃分成直線型、彎道型、路口型3種類型。

(1)直線型。直線型軌跡預(yù)測(cè)是將運(yùn)動(dòng)障礙物的移動(dòng)方向,按照當(dāng)前狀態(tài)將直線型軌跡看成一個(gè)線性方程?；诖?建立的直線型線性方程如下:

通過(guò)式(2)可獲取直線型軌跡。

(2)彎道型。彎道型預(yù)測(cè)是指在無(wú)人駕駛無(wú)軌膠輪車(chē)轉(zhuǎn)彎過(guò)程中,假設(shè)無(wú)人駕駛無(wú)軌膠輪車(chē)轉(zhuǎn)彎時(shí)車(chē)速不會(huì)改變,且與轉(zhuǎn)彎時(shí)的車(chē)行道線相匹配[18]?；诖?建立的彎道型代數(shù)方程如下:

式中,(x,y)為待求取障礙物坐標(biāo);(xa,ya)為障礙物位置坐標(biāo);va為運(yùn)動(dòng)速度;aa為加速度;t為時(shí)間;θ為障礙物與x軸方向夾角。通過(guò)式(3)可獲取彎道型軌跡。

(3)路口型。路口型軌跡預(yù)測(cè)是指在交叉口通過(guò)路徑預(yù)測(cè),對(duì)將要行進(jìn)的路口進(jìn)行篩選,通過(guò)無(wú)人駕駛無(wú)軌膠輪車(chē)當(dāng)前運(yùn)動(dòng)方向與該路段之間角度,確定路口障礙物位置。基于此,建立的路口型代數(shù)方程如下:

通過(guò)式(4)可獲取路口型軌跡。

在這3種車(chē)道碰撞點(diǎn)預(yù)測(cè)過(guò)程中,需要對(duì)曲線擬合,以防止車(chē)輛側(cè)向偏離隨著時(shí)間的變化而增加。因此,在整個(gè)跟蹤預(yù)測(cè)時(shí)域內(nèi),為了確保無(wú)人駕駛無(wú)軌膠輪車(chē)的運(yùn)動(dòng)、避障規(guī)劃曲線的平滑,必須在與障礙物保持一定的距離后立即執(zhí)行避障指令,并對(duì)預(yù)測(cè)時(shí)域的權(quán)重進(jìn)行再設(shè)計(jì)。

2.2 避障控制器設(shè)計(jì)

在無(wú)人車(chē)自主行駛避障時(shí),傳感器根據(jù)數(shù)據(jù)處理分析模型獲得障礙物相關(guān)信息,經(jīng)數(shù)據(jù)分析模型處理后得到障礙物與無(wú)人駕駛無(wú)軌膠輪車(chē)之間距離,依據(jù)此輸出結(jié)果控制無(wú)人車(chē)安全避障。為了實(shí)現(xiàn)無(wú)人駕駛無(wú)軌膠輪車(chē)的避障性能,設(shè)計(jì)的運(yùn)動(dòng)避障控制器系統(tǒng)框圖如圖3所示。

圖3 避障控制器結(jié)構(gòu)框圖Fig.3 Block diagram of obstacle avoidance controller structure

由圖3可知,無(wú)人車(chē)避障的本質(zhì)就是通過(guò)對(duì)車(chē)輛與障礙物的距離、位置進(jìn)行判定,并通過(guò)計(jì)算得出障礙物與無(wú)人駕駛車(chē)輛的距離,對(duì)障礙物的運(yùn)動(dòng)軌跡進(jìn)行預(yù)測(cè),實(shí)現(xiàn)自動(dòng)控制車(chē)輛的車(chē)速和方向,以達(dá)到安全避障的目的。在此過(guò)程中,通過(guò)GPS系統(tǒng)采集無(wú)人車(chē)的位置信息,并依據(jù)地圖進(jìn)行路徑定位,再由雷達(dá)來(lái)獲得無(wú)人駕駛車(chē)輛附近的障礙物,由攝像機(jī)采集車(chē)輛周邊的影像,由紅外傳感器進(jìn)行障礙物屬性識(shí)別[18-20]。

由無(wú)人駕駛無(wú)軌膠輪車(chē)的空間運(yùn)動(dòng)模型,以x軸方向?yàn)槔?推導(dǎo)出無(wú)人駕駛無(wú)軌膠輪車(chē)運(yùn)動(dòng)學(xué)方程為

式中,ra為參考軌跡曲線半徑;ex為無(wú)人駕駛無(wú)軌膠輪車(chē)航向角;ξa為與x軸方向偏差距離。

由車(chē)輛運(yùn)動(dòng)學(xué)方程,求解沿參考軌跡行駛的車(chē)輛速度為

以ξ表示參考軌跡航向角,橫向位置偏差為

則橫向航向偏差時(shí)間導(dǎo)數(shù)可表示為

通常采用曲面坐標(biāo)系統(tǒng)時(shí),必須保證基準(zhǔn)軌跡光滑。假設(shè)無(wú)人駕駛無(wú)軌膠輪車(chē)在t時(shí)刻規(guī)劃的避障軌跡預(yù)測(cè)時(shí)域?yàn)镾t,對(duì)該部分時(shí)域內(nèi)車(chē)輛行駛情況進(jìn)行分析,并將無(wú)人駕駛無(wú)軌膠輪車(chē)的姿態(tài)、靜態(tài)障礙物的位置信息轉(zhuǎn)化為曲線坐標(biāo)。沿參考路徑的x軸方向,使用Δx將x軸等距離離散化。通過(guò)分析各分立點(diǎn)的位置信息、車(chē)輛尺寸信息和巷道邊界情況,得出各分立點(diǎn)的側(cè)向偏移區(qū)間。假定在一定時(shí)間區(qū)間,障礙的側(cè)向誤差可以保持不變。由此,可以得到一個(gè)能夠避免障礙物的無(wú)人駕駛無(wú)軌膠輪車(chē)可通行安全界限。另外,在有效的安全間距中,應(yīng)預(yù)留足夠的安全距離,以防止井下撞擊。

3 模型驗(yàn)證與實(shí)驗(yàn)分析

為了驗(yàn)證井下環(huán)境無(wú)人駕駛無(wú)軌膠輪車(chē)運(yùn)動(dòng)避障控制方法避障性能,選擇防爆無(wú)人駕駛無(wú)軌膠輪車(chē)為實(shí)驗(yàn)車(chē)輛原型,進(jìn)行了仿真分析和實(shí)驗(yàn)驗(yàn)證,任務(wù)目標(biāo)是驗(yàn)證本研究方法是否能夠使車(chē)輛避開(kāi)靜態(tài)或動(dòng)態(tài)障礙物。以一款防爆無(wú)軌膠輪車(chē)為研究對(duì)象,建立車(chē)輛與井下巷道模型,利用CarSim與Matlab /Simulink結(jié)合車(chē)輛行駛狀態(tài)進(jìn)行聯(lián)合仿真,驗(yàn)證所設(shè)計(jì)的避障控制方法的可行性與有效性。

搭建了仿真實(shí)驗(yàn)平臺(tái):① 設(shè)置井下環(huán)境,忽略路面不平對(duì)車(chē)輛造成的影響,設(shè)置路面滑動(dòng)摩擦因數(shù)為0.8;② 在雙移線道路上進(jìn)行實(shí)驗(yàn)研究,設(shè)定實(shí)驗(yàn)工況車(chē)輛的正常行駛速度為4 m/s;③ 采用閉環(huán)換擋控制,仿真時(shí)長(zhǎng)設(shè)置為100 s,仿真步長(zhǎng)設(shè)置為0.001;④ 其中靜態(tài)障礙物主要為井下作業(yè)工具和凸起的大塊礦石,動(dòng)態(tài)障礙物主要為作業(yè)人員。

3.1 模型訓(xùn)練

卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程如圖4所示,具體步驟如下:① 通過(guò)對(duì)障礙物的精確識(shí)別,建立了障礙物的圖像庫(kù);② 對(duì)VGG-16網(wǎng)絡(luò)進(jìn)行了簡(jiǎn)單的優(yōu)化,從而獲得了適用于障礙物的卷積神經(jīng)網(wǎng)絡(luò);③ 采用3×3卷積校驗(yàn)訓(xùn)練樣本進(jìn)行卷積運(yùn)算,再將所獲得的特征圖按2×2域進(jìn)行池化運(yùn)算;④ 再進(jìn)行學(xué)習(xí),獲得網(wǎng)絡(luò)模型參數(shù),最終獲得最優(yōu)的網(wǎng)絡(luò)模型。

圖4 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程Fig.4 Training process of convolutional neural network

通過(guò)生成式自監(jiān)督學(xué)習(xí)方式,從所關(guān)心數(shù)據(jù)中訓(xùn)練得到通用卷積神經(jīng)網(wǎng)絡(luò),并對(duì)同一數(shù)據(jù)上的不同任務(wù)進(jìn)行微調(diào)。

3.2 模型驗(yàn)證與分析

設(shè)置運(yùn)行車(chē)道前方有兩個(gè)障礙物,將該障礙物分為靜態(tài)和動(dòng)態(tài)2種情況,為了避免與障礙物發(fā)生碰撞,車(chē)輛行駛應(yīng)采取相應(yīng)控制操作。為了驗(yàn)證設(shè)計(jì)方法的有效性,在給定理想軌跡的情況下,將設(shè)計(jì)方法與基于自適應(yīng)預(yù)瞄路徑的避障控制方法和基于風(fēng)險(xiǎn)評(píng)估的避障控制方法進(jìn)行對(duì)比分析。

(1)彎道車(chē)道前方障礙物。對(duì)于靜態(tài)障礙物,避障控制軌跡如圖5所示。由圖5可知,使用基于自適應(yīng)預(yù)瞄路徑、風(fēng)險(xiǎn)評(píng)估的避障控制方法與理想軌跡沒(méi)有重合,使用本研究方法與理想軌跡部分重合。對(duì)于動(dòng)態(tài)障礙物,避障控制軌跡如圖6所示。由圖6可知,彎道行駛時(shí)需要經(jīng)過(guò)1個(gè)必經(jīng)點(diǎn),3種方法均與理想軌跡不重合,其中基于自適應(yīng)預(yù)瞄路徑的避障控制方法控制軌跡長(zhǎng)度最長(zhǎng),使用基于風(fēng)險(xiǎn)評(píng)估的避障控制方法容易與障礙物發(fā)生刮碰,使用本研究方法避障效果最好。

圖5 彎道車(chē)道避開(kāi)靜態(tài)障礙物軌跡控制Fig.5 Control of static obstacle avoidance trajectory in curved lanes

圖6 彎道車(chē)道避開(kāi)動(dòng)態(tài)障礙物軌跡控制Fig.6 Control of dynamic obstacle avoidance trajectory in curved lanes

(2)直行車(chē)道前方障礙物。車(chē)輛直線前進(jìn),對(duì)于靜態(tài)障礙物,使用基于自適應(yīng)預(yù)瞄路徑、風(fēng)險(xiǎn)評(píng)估的避障控制方法與理想軌跡沒(méi)有重合,且這2種方法控制軌跡長(zhǎng)度略長(zhǎng);而使用本研究方法與理想軌跡部分完全重合,控制軌跡長(zhǎng)度較短,在直行車(chē)道避開(kāi)靜態(tài)障礙物軌跡控制能夠達(dá)到理想控制目的。對(duì)于動(dòng)態(tài)障礙物,如圖7所示,在明確同一終點(diǎn)情況下,3種方法均與理想軌跡不重合,其中采取基于自適應(yīng)預(yù)瞄路徑的避障控制方法路徑大幅度彎曲且距離最長(zhǎng),使用基于風(fēng)險(xiǎn)評(píng)估的避障控制方法相比于基于自適應(yīng)預(yù)瞄路徑的避障控制方法路徑距離要短,但軌跡彎曲程度也相對(duì)較大,使用本研究方法與理想軌跡動(dòng)態(tài)跟隨效果占優(yōu)。

圖7 直行車(chē)道避開(kāi)動(dòng)態(tài)障礙物軌跡控制Fig.7 Control of dynamic obstacle avoidance trajectories in straight lanes

(3)路口前方障礙物。對(duì)于靜態(tài)障礙物,使用基于自適應(yīng)預(yù)瞄路徑避障控制方法,雖然運(yùn)動(dòng)路徑最短,但容易與障礙物發(fā)生刮碰;使用基于風(fēng)險(xiǎn)評(píng)估的避障控制方法與理想軌跡沒(méi)有重合,且運(yùn)動(dòng)路徑最長(zhǎng);使用本研究方法與理想軌跡基本一致,且運(yùn)動(dòng)路徑相對(duì)較短。對(duì)于動(dòng)態(tài)障礙物,如圖8所示,3種方法均與理想軌跡未重合,其中基于自適應(yīng)預(yù)瞄路徑的避障控制方法出現(xiàn)與障礙物碰撞的現(xiàn)象,本研究方法運(yùn)動(dòng)趨勢(shì)基本一致,最為貼近。

圖8 路口避開(kāi)動(dòng)態(tài)障礙物的軌跡控制Fig.8 Control of dynamic obstacle avoidance trajectory at intersections

4 結(jié) 論

(1)受到井下有限空間的影響,無(wú)人駕駛無(wú)軌膠輪車(chē)避障控制器采用傳統(tǒng)方法時(shí)存在頻繁轉(zhuǎn)向、避障控制效果不佳的問(wèn)題,為此提出了基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的運(yùn)動(dòng)避障控制方法,設(shè)計(jì)了運(yùn)動(dòng)避障控制器,對(duì)直線型、彎道型、路口型的行駛路線進(jìn)行分析和碰撞點(diǎn)預(yù)測(cè),根據(jù)數(shù)據(jù)處理分析模型獲取障礙物相關(guān)信息及距離,采用設(shè)計(jì)的控制方法進(jìn)行避障控制,使無(wú)人駕駛無(wú)軌膠輪車(chē)按照避障規(guī)劃后的軌跡行駛。

(2)針對(duì)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)存在訓(xùn)練的參數(shù)數(shù)量多、參數(shù)不易學(xué)習(xí)到最優(yōu)值、容易出現(xiàn)過(guò)擬合等問(wèn)題,設(shè)計(jì)中對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn),并結(jié)合光柵地圖,以網(wǎng)格圖形為依據(jù),減少分析過(guò)程出現(xiàn)的過(guò)多參數(shù),能夠?qū)崿F(xiàn)無(wú)人駕駛無(wú)軌膠輪車(chē)行進(jìn)過(guò)程中的對(duì)靜態(tài)或動(dòng)態(tài)障礙物的有效預(yù)判,避免重復(fù)轉(zhuǎn)向。

(3)基于仿真平臺(tái)的對(duì)比驗(yàn)證實(shí)驗(yàn)顯示:采用設(shè)計(jì)的避障控制方法能夠?yàn)闊o(wú)人駕駛無(wú)軌膠輪車(chē)提供可靠的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),使無(wú)人駕駛無(wú)軌膠輪車(chē)能夠避開(kāi)靜態(tài)或動(dòng)態(tài)障礙物,實(shí)現(xiàn)井下無(wú)人駕駛車(chē)輛的有效避障,進(jìn)而提高整個(gè)無(wú)人駕駛車(chē)輛導(dǎo)航系統(tǒng)的性能,保證了無(wú)人駕駛車(chē)輛安全、平穩(wěn)運(yùn)行。

(4)在實(shí)際應(yīng)用過(guò)程中,考慮到外界動(dòng)態(tài)環(huán)境影響,還需要從控制軌跡重新規(guī)劃角度出發(fā),建立軌跡重新規(guī)劃層,結(jié)合避障控制器設(shè)計(jì)繞開(kāi)障礙物的行駛軌跡。