煤礦機器人環境感知與路徑規劃關鍵技術

楊春雨，張 鑫

(中國礦業大學 信息與控制工程學院，江蘇 徐州 221008)

中國煤炭使用歷史已超千年，規模化、機械化煤炭挖掘有100多年歷史，前期不科學的開采工作嚴重破壞部分礦區環境，包括地下水數量和質量下降、地面沉降、采礦廢物儲存不當、土地占用和其他影響，給當地居民生活帶來不便，且該行業一直被廣泛認知為高危、艱苦行業，相關技術受關注度較低，發展緩慢，礦業工作人員安全存在風險。針對采煤產生的環境問題以及安全問題，“十三五”期間，全國礦山產業結構不斷優化，淘汰退出煤礦5 464處，涉及產能9.4億t，整頓關閉金屬非金屬礦山和尾礦庫1.9萬余座。關閉技術未達標礦井令安全生產形勢穩定向好，2020年是新中國成立以來首次全年未發生煤礦重特大瓦斯事故的年份，煤礦事故起數和死亡人數分別下降65.3%和62.4%，重特大事故起數下降40%。另一方面，行業安全性引起“用工荒”問題，但大量資源卻亟待開采，關閉大量不合格礦井雖然起到了化解過剩產能、降低環境壓力、增加居民生活質量和減少礦業人員安全事故的作用，也帶來了煤炭產量驟減、能源成本增加及從業人員壓力變大的副作用。中國是最大的煤炭生產國和消費國，國際能源署在其發布的報告《世界能源展望2020》中預測，截至2040年，中國對煤炭的需求將占全球煤炭需求的50%，全球煤炭需求將增加15%。國內報告指出，全國目前仍有大量煤礦地下儲備待合理開采，2015年中國煤炭資源已確定儲量達1.56萬億t，2016年探測新增儲量316.90億t，2017年煤炭勘查新增查明資源儲量815億t，2018年新發現礦產地20處(大型14處、中型4處、小型2處)，2019年煤炭查明新增300.1億t儲量。

近年來，在關停不合格煤礦礦井以增加行業安全性、投入使用“少人/無人化”智能礦用機械以提高開采科學性和效率性的多重影響下，我國煤礦智能化建設取得積極進展，這是煤炭工業發展的必然選擇，且符合“中國制造2025”的國家戰略。2019年國家煤監局提出的《煤礦機器人重點研發目錄》明確了煤礦機器人的分類及相應標準，智能化采掘工作面從2015年僅有3個增加到275個，截至2021年1月增至494個、同比增加80%，掘進、巡檢、運輸等19種機器人在煤礦現場已有示范應用。2020-05-28天安科技股份有限公司國內首創研發出一款大斷面矩形煤巷盾構式快速掘進機器人系統，為國內已知投入測試的掘進機器人，該系統可每月掘進大型礦井巷道2 km，其他智能化掘進機器人裝備仍在研發中；2020年6月，中國移動與包括焦煤集團、同煤集團、晉煤集團、晉能集團四大煤炭企業在內的24家合作伙伴簽署“5G戰略合作協議”，晉煤集團利用部署5G網絡及在礦卡本體加裝高清攝像頭、激光雷達、定位終端等實現無人礦卡的遠程操控駕駛；2020年12月，國家電投集團內蒙古白音華煤電有限公司礦用卡車無人駕駛項目實現階段性目標，并穩定參與到剝離生產作業中，礦區已完成12臺無人駕駛礦用卡車編組運行，每臺核載約為50 t物料，行駛速度為12 km/h，實現了單車中間運輸路段無人運行；2021年3月，陜煤集團黃陵礦業公司部署煤礦巡檢機器人群，該機器人群可以實現遠程操控、智能巡檢，減輕了約180位巡檢工人的工作量。煤礦機器人的應用前景十分可觀。

煤礦智能化和無人化發展已經取得重大進展，其中環境感知技術和路徑規劃技術已有較多研究成果，這2項關鍵技術的研發可以進一步提高機器人的智能化程度。煤礦機器人的環境感知可以為機器人自身安全提供保障、為機器人控制與決策提供數據支持，相關研究可分為2類：① 靜態物體感知。針對掘進類和采煤類機器人的截割面煤巖分布精準感知技術，較成熟的方法大都基于聲波反射原理研發，具有較好的感知能力，可以有效保護截割刀頭并為截割路徑規劃提供有用信息。運輸類、安控類和救援類屬于地面行走型機器人，工作時一般使用雷達掃描感知靜態障礙以確保安全。② 動態事物認知。對于復雜多變的煤礦環境，只配備靜態物體感知技術略顯不足，智能化的煤礦機器人需要實時識別動態事物的類型和狀態，進而判斷對自身有利的工作狀態。利用視覺傳感器結合深度學習方法是目前最先進的煤礦機器人動態認知技術，具有操作性強、多種穩定框架可供參考的特點。針對煤礦機器人的路徑規劃技術可分為3類：① 關鍵部件定位。定位技術是路徑規劃中的基本功能，一般使用坐標變換法，通過多坐標系統的換算關系確定煤礦機器人的當前位置。SLAM為目前最先進、精準的定位技術，該方法以坐標變換為基礎，結合環境感知進行機器人同步定位。② 全局最優路徑決策。該技術在救援類機器人和運輸類機器人中較常見，屬于優化調度問題，其目的是在一定時間內決策規劃出最低成本(路徑最短、節點到達重復率最低、緊急度協調等)的多目的地路徑，目前較先進的方法有進化計算類方法、Voronoi圖論法等，仍具有較高的研究價值。③ 自主避障規劃。煤礦機器人在工作時關鍵部位需要行走于工作面，如何避開障礙物以保證機器人及周圍環境安全十分關鍵。運輸類煤礦機器人在該領域具有特殊優勢，目前常用的技術有A*算法等，但這類傳統方法較難應用于突發情況較多的煤礦環境，結合環境感知技術實時獲取工作環境信息實現煤礦機器人根據環境信息做出實時避障是現在學者主要攻克的課題之一。感知技術令煤礦機器人獲取工作環境中的信息并進行合理地自主篩選，利用感知信息結合路徑規劃方法，煤礦機器人做出自我決策并完成關鍵部件控制，實現機器人在礦區環境中的安全、穩定行走，可以為機器人的工作提供穩定的性能支撐。

根據《煤礦機器人重點研發目錄》，需要環境感知、路徑規劃技術支撐的煤礦機器人可以分為5類：掘進類(掘進機器人)、采煤類(采煤機機器人)、運輸類(搬運機器人、巷道清理機器人、井下無人駕駛運輸車、露天礦卡車無人駕駛系統)、安控類(工作面巡檢機器人、帶式輸送機巡檢機器人、巷道巡檢機器人)、救援類(井下搶險作業機器人、礦井救援機器人、災后搜救水陸兩棲機器人)。筆者根據現有行業指導方案及國內外研究進展，以環境感知和路徑規劃為切入點總結了上述5類煤礦機器人的現狀，歸類現有研究并分析了煤礦機器人環境感知和路徑規劃研究中的熱門研究方向和亟待解決的關鍵問題，討論了相關方向的發展趨勢，以期對后期研究提供借鑒。

1 掘進類煤礦機器人

巷道掘進是煤礦開采的第1項工作，對后期開采起到決定性作用。在掘進工作中，掘進機利用行走機構向前推進，利用工作機構破碎和挖掘巖石，在礦區平直地面開鑿出可通行巷道，具有成巷效率高的特點。圖1為煤礦掘進裝備，圖1(a)為代表性的掘進機機型，一般用于中小型巷道的掘進工作，具有操作簡單的特點；圖1(b)為掘進和錨桿鉆進一體機，該機型進行掘進工作的同時使用頂部錨桿鉆進機在巷道壁上打入錨桿進行實時加固；圖1(c)為盾構機，一般用于大型巷道掘進。

圖1 礦用掘進機械裝備Fig.1 Coal mine roadheader machines

使用圖1(a)型掘進機工作時，掘進機向前掘進一段距離后退出當前掘進段，使用專用設備對新掘進的巷道進行錨桿、支護、兜網支撐，根據需要進行適當噴涂加固后再次開展掘進作業，當遇到瓦斯過濃時停止工作，等待通風達到空氣標準后再施工。掘進機需要根據煤巖的層理性質選擇合適的掘進方式，即始終遵循“先軟后硬、自下而上、從四面向中間”的截割方法，遇到過硬巖石時采用局部爆破等方式突破，如此反復工作直至完成巷道掘進。

參考以上工作機理，掘進機器人環境感知部分主要為掘進工作面煤巖分布的識別，而路徑規劃的重點在于研究掘進機器人車身相對大地坐標的定位、掘進頭相對掘進工作面的定位、掘進頭在掘進工作面上的路徑規劃。掘進機器人一般不存在大范圍、長距離的行走，所以不考慮車身的路徑規劃。圖2為掘進類煤礦機器人的技術內涵。

圖2 掘進機器人技術內涵Fig.2 Connotation of roadheader robot technology

無人化和智能化煤礦開采需要掘進機器人具有自主決策、智能控制能力，具備定位導航、糾偏、多參數感知、狀態監測與故障預判、遠程干預等功能，實現掘進機高精度定向、位姿調整、自適應截割及掘進環境可視化。

1.1 環境感知

掘進工作開展前，需要探測待開采礦區的煤巖基本環境，為掘進機器人規劃出有利的巷道掘進地圖。該工作無需獲取精細的環境地圖，一般工作流程為：在大范圍探測基礎上使用相對精確的探測方法確認煤礦范圍、煤層結構和煤巖分布。相關勘探技術可以滿足宏觀探測采煤礦區煤巖分布情況的需求，且成熟方法已付于實際使用。

巷道掘進時，掘進機器人需要更加準確的環境感知技術輔助機器人完成精準操作。薛旭升等提出在掘進機駕駛室頂安裝雙目攝像機并采集巷道空間三維圖像，使用Otsu法對空間圖像進行分割，以提取巷道空間中的特征點；張旭輝等使用激光指向儀和防爆相機搭建了巷道視覺測量系統，并在走廊使用煙霧制造器模擬巷道環境進行仿真，圖像解算的結果精度較高。但根據目前成果可以看出，使用視覺感知技術對于采掘工作面進行精細感知仍在發展階段。針對采掘工作面和采掘巷道的感知技術應具備獲取精細煤巖分布的能力，并以此為掘進頭的有效工作提供參考，防止掘進頭撞擊巖石造成刀頭損壞。目前研究工作較少且多集中于提供定位信息，與視覺感知技術在其他領域的研究和應用存在較大差距，小范圍、精細化的掘進機器人環境感知技術具有較大發展空間。

1.2 定位與掘進規劃

掘進機器人的定位包含了掘進頭定位和機身定位，掘進規劃主要指規劃一條掘進頭在掘進工作面上的最優截割路徑。

傳統定位方法使用多坐標系統及其換算關系對掘進機器人機身機組進行定位。李軍利等分別建立大地、掘進車、巷道3個坐標系統，分析了掘進機懸臂的正逆運動學及其解算問題，通過坐標變換確定掘進機關鍵部位位姿定位并控制掘進行為；徐楠等根據實際開采環境和理論實驗的對比發現掘進機器人大部分時間工作于惡劣的傾斜面上，使用幾何投影法對機器人截割頭實時位置和巷道斷面建立空間數學模型，以EBZ-150II懸臂式掘進機為測試機型，利用實際參數代入Matlab模型，結果顯示利用該模型可以有效完成斷面掘進規劃；TIAN等將懸臂式掘進車頭的機械組成簡化為由一系列連接的平移或旋轉接頭組成的運動鏈，利用齊次坐標變換和機器人運動學構造了機身和切割頭相對于大地坐標系的空間姿態矩陣，該方法的思路來源于三自由機械臂的建模、定位及控制方法，具有成熟的理論支撐，實施性較強，可以為多種懸臂式煤礦機器人的建模和定位提供思路，但在具體實施時需要進一步考慮動力學模型；王慧等使用與李軍利等相同的環境建模方式，與之不同的是使用傾角傳感器檢測機身俯仰角和橫滾角再通過坐標轉換確定機身方位并沿著預定軌跡前進，該方法比李軍利提出方法更具有可操作性和準確性。

掘進頭路徑規劃大都采用人工示教記憶截割法，方法原理如圖3所示。

該方法由“人工示教”和“記憶截割”組成，可以減少工作人員的重復工作。人工示教時，礦業工作人員使用手動控制模式記錄截割頭工作軌跡并保存，保存的數據將作為“記憶”用于掘進機或采煤機的自主截割。葉海濤比較“人工示教”中的自下而上和自上而下蛇形截割路徑，比較結果顯示自下而上的斷面掘進方式頂板位移小，更有利于保持巷道穩定性；毛君、李建剛和王福忠等采用記憶截割法根據實際礦井半圓拱形巷道尺寸建立掘進懸臂的動態數學模型，以此預設掘進機截割頭的運行路徑，機械化的完成巷道的掘進工作。雖然基于人工示教的記憶截割法便于實現，但其規劃方式比較單一，掘進機本身不會根據現實情況做出適當調整，只適用于較規整的工作斷面，在復雜工作中需要技術工人隨時觀測實際開掘情況，防止掘進頭損傷影響工作計劃。

圖3 人工示教記憶截割方法原理Fig.3 Principle of manual teaching memory cutting method

為了研制更智能的掘進機器人，實現更精確、更自主的機器人定位和決策規劃，提高掘進頭的有效截割效率，部分學者引入基于視覺系統的感知技術輔助其自主決策和智能控制。薛旭升等提出一種使用雙目視覺圖像定位掘進機器人在巷道中位置的研究思路，根據圖像信息重構標定巷道特征確定當前掘進機器人位置，利用實際走廊模擬巷道進行實驗并分析誤差，模擬結果較好。雖然該實驗與實際掘進巷道差別較大，但是可以確定其在地面較平坦、障礙較少的環境中具有較高參考意義，實際復雜環境需要更多的實驗支撐。盧新明等利用多種傳感器、測控設備和工控機搭建了面向無人工作面的掘進機器人井下定位物聯網系統，在實際煤礦開采中利用物聯網信息獲得慣導系統(Inertial Navigation System，INS)實時姿態確定INS坐標系進行定位，將定位誤差控制在均方根5 cm以內，基本實現了精準感知，為精確化掘進提供實際數據；張旭輝等通過幾何投影的解算方式獲得掘進機器人的位姿參數，使用全站儀和INS驗證該視覺測量糾偏控制系統，其方向偏差小于30 mm，方向偏差小于40 mm，偏航角偏差在0.5°左右。

與“人工示教”相比，結合環境感知技術可以實現掘進機器人根據不同圍巖條件和不用環境工況做出自適應調整，并利用車身周邊的傳感器實現工作人員檢測。既可以提高工作效率、減少損傷性成本，也可以提升工作環境的安全性。

2 采煤類煤礦機器人

采煤機作業決定該煤礦的生產效益，主要完成機械化掏槽和截割落煤，即在礦井下對采煤工作面(緩傾薄煤層﹑極薄復合煤層)開切底槽以截割落煤，取代較落后的手工工作。采煤機的研制和應用既改善了采煤工人的安全工作環境，也提高了采煤效率和優質煤塊產出率。已投入使用的采煤機如圖4所示，圖4(a)為常用采煤機機型，使用橫向截割的方式采煤；圖4(b)的功能設計與掘進機類似，屬于向前推進式采煤。

圖4 煤礦采煤機Fig.4 Coal mine shearer

圖4(a)型采煤機具有前后2個截割滾筒，機身使用側滑靴固定于軌道上，采煤時前后滾筒在采煤工作面上橫向采煤，并同時使用支護裝備加固上下巖壁，使用帶式輸送機運輸落煤，當該采煤工作面采煤完成后控制采煤機向未采區行進。

采煤機的工作環境、技術指標和生產成本要求其必須具有較高的魯棒性和工作精度。其工作環境中存在的多種異構障礙物和截割產生的大顆粒粉塵極易造成采煤機關鍵部位故障，進而導致采煤工作中斷，產生巨額經濟損失。因此，提升采煤機智能化水平及其工作效率的根本措施是使用煤層及異構障礙的探測信息建立采煤刀頭運行地圖實現采煤機截割頭合理截割路徑規劃。現有開槽和截割技術仍然停留于機載探測截割、人工示教記憶截割階段，需要多位不同分工的技術工人井下協助。人工示教記憶截割法是目前較成熟和常用的半自主控制方法，但該方法無法有效地利用巖石變化實現自主走控決策。因此，煤巖環境感知和滾筒路徑規劃依然是采煤類礦用機器人研發的關鍵技術。其技術內涵如圖5所示。

圖5 采煤機機器人技術內涵Fig.5 Connotation of shearer robot technology

采煤類煤礦機器人的工作要求決定其需要研制出一種具有采煤機特點且更智能化的特種機器人——采煤機機器人，其研發要求是：能夠自主決策、智能控制，具備精準定位、采高檢測、姿態監測、遠程通信控制、煤巖識別、狀態監測與故障預判、可視化遠程干預等功能，實現采煤機自主行走、自適應截割及高效連續運行。

2.1 環境感知

采煤機的全局環境感知技術與掘進機環境感知技術類似。崔偉雄等針對環境對透射槽波影響大且實際槽波傳播特征與“巖-煤-巖”模型差別較大從而無法直接利用槽波檢測煤層狀況的現實問題，提出一種基于槽波頻散理論和分頻處理技術反演煤層厚度變化的方法，實際應用效果較好；張東營等驗證了槽波投射法與煤層厚度的關系，并得到了槽波主頻-煤厚-波速的對應關系；蘇亮等提出使用震波CT輔助預先勘探獲取精細地質模型，并在該三維模型中標注出頂底層的特異點作為采樣點，以此提高采煤機使用記憶截割法在復雜褶皺地質中的不足，但該文缺乏具體的模型構建方法和仿真環境描述，結果可靠性有待進一步驗證。

以上提到的方法可行，但是精細化的地質模型中對特異點的定義以及對特異點的標注需要明確界定，否則過多的寬泛無序的信息和特征點會影響地圖建立的時間并在地圖中產生噪聲點，增加采煤機控制難度。為了提高環境感知的準確度，逯振國等提出了一種通過識別試切時電機負載電流差別的方法確認局部工作面的煤巖精確分布，但該方法可行性有待驗證，且會極大的增加采煤的經濟成本和時間成本。劉萬里等使用動態修正方式逐漸精細化工作面三維模型，使用激光探測技術在采煤機開采推進過程中實時獲取局部細致地質信息，采用二次序列規劃獲取模型修正值，再利用克里格空間曲面插值法將修正值插入原有模型，達到精細化建圖的目的；在地質勘探獲得相應數據的基礎上，XU等使用蝙蝠算法確定了傳統變量平移小波神經網絡的關鍵參數，實現了通過采煤機聲波準確識別在線切削模式，并使用卷積神經網絡(Convolutional Neural Networks，CNN)識別采煤工作面的診斷識別功能；司壘等和牛文洪建立了最小二乘支持向量機(LS-SVM)的煤巖預測模型應對煤巖分布的不確定性，并使用混沌粒子群優化算法對LS-SVM的參數進行優化，最后使用樣條插值平滑曲線，預測結果誤差可以控制到實際值的5%以內；葛世榮等對截割地圖的精確化提出了另一種理論猜想，使用C-SLAM生成雷達掃射工作面點云圖，獲取目前煤層結構和起伏情況參與地圖構建，該地圖精度可達到5 cm以內，同時在采煤過程中利用截割頭聲波和溫升識別輔助確認煤巖邊界，進一步精細化采煤工作面地圖。

采煤機的環境感知技術與掘進機有較多相似點，包含探測全局煤巖分布和感知局部截割工作面煤巖精細分布。但與掘進機相比，其相關感知技術的結果多用于指導截割頭的精細化截割工作而非采煤機定位。采煤截割工作面的精細化感知具有較大挑戰性，目前研究成果大都使用被動式感知，即通過觀測截割頭相關物理參數變化判斷截割頭是否與巖石接觸且發生碰撞。該方法存在不可靠性，且容易損壞截割頭外圈刀頭，研究主動式環境感知技術更符合采煤機機器人的工作需求。主動式環境感知技術中，CNN識別具有更好的前景。該方法可以較好地應用于各類機器人的環境感知，并通過訓練完成多種物體的識別。圖6為使用四隱層CNN網絡對山腳樹礦上部車場電機車的識別原理技術。CNN由輸入層、隱層、輸出層組成。如圖6所示，輸入層輸入原始圖片，經過隱層訓練提取特征點，再使用加權法得到待感知識別物的種類。其中卷積層使用卷積核對原始圖像進行卷積計算，輸出特征圖；經由激活層對特征圖進行非線性映射；再經過池化層壓縮特征圖，令特征突出。該方法可以進行特征點自動提取，取代了傳統感知識別中由人根據經驗判斷特征的情況，但將其應用于井下環境仍然需要考慮較多實際問題，如：粉塵對視覺傳感器的影響大、井下識別物體數據庫建立難等。

圖6 CNN網絡識別電機車的原理技術Fig.6 Principle of identifying mining electric locomotive by CNN

2.2 截割頭定位與采煤路徑規劃

采煤機器人主機體行走機構屬于在軌運行，性能穩定，并不隨意行走，故其路徑規劃和定位技術主要基于采煤端頭的采煤路徑規劃展開研發工作。目前最常用的采煤路徑規劃方法即“人工示教”記憶切割法。針對該方法的缺點，季瑞等引入異常狀態檢測獲取煤巖分布情況，但該方法屬于被動檢測，存在極大風險；王忠賓等提出使用人工免疫思想過濾“記憶”中的雜亂數據；譚超等采取記錄“人工示教”過程中關鍵點的方式減少繁雜信息對“記憶”的影響，并使用3次樣條插值法平滑記憶路徑提高采煤機器人穩定性；王左生將記憶點分成常規點和動作點，當進行常規點記錄時，“人工示教”記錄頻率使用距離(1 m)作為間隔標準而不再使用時間間隔(10 s)，這樣可以減少繁雜且重復的數據造成“記憶”混亂，當示教中操作員做出指令控制采煤機端頭改變軌跡時則記為工作點記錄；賈文等在常規點和動作點的基礎上增加了特殊點分類，特殊點指采煤端頭自適應調整時產生的路徑點；當煤巖地質條件發生變化時，記憶截割路徑將發生偏移，張麗麗等使用微粒群算法和遺傳算法2種進化計算方法對路徑偏差進行處理，解決記憶截割方法魯棒性差的問題；權國通等為優化記憶路徑的偏移提供了另一種思路，即使用粒子群優化算法根據煤層條件對初始路線進行二次優化并平滑，從而達到自適應煤層變化進行采煤工作，但煤層信息難獲取、模型單一及計算代價過大等缺點文中并未給出具體說明；陳金國等為了提高單向示范刀采樣軌跡與記憶截割軌跡的吻合度，使用粒子群算法對采樣參數進行優化，優化結果顯示單向示范刀的軌跡與記憶截割軌跡的跟蹤誤差在±5 cm。除了使用進化計算等智能優化方法調整記憶截割路徑，PID等控制方法結合有效的模型也可以很好地完成自適應控制，該方法在煤礦機器人自主控制中多與模糊算法、專家系統等相結合以進一步提高智能性。MI等使用專家系統實現采煤機截割頭的路徑規劃，使用基于規則骨架和規則體的設計方法建立了截割路徑規劃知識庫；劉春生等和儲健等基于礦井頂板和底板的數字化模型建立了采煤機器人滾筒擺臂擺角模型，使用模糊自適應PID控制進行軌跡調整控制；盧喬利用模糊系統對采煤機遇到特殊情況時的速度變化進行自適應調整，將實際轉速與理論轉速的偏差作為模糊控制器的輸入，但是該文未給出模糊控制器的設計說明；而朱志英、黃華和LI等為采煤記憶截割路徑自適應控制搭建了更加細致的模糊系統；雍建軍使用BP神經網絡和RS理論建立采煤機的運行狀態模型，使用專家系統和模糊算法辨識采煤機故障和選擇合適的控制指令；陳偉華等使用一種記憶保持能力強化的深度長短時記憶神經網絡對采煤機的記憶截割軌跡進行預測以實現采煤機截割滾筒的自動調高。老式“人工示教”采煤技術使用已得到認可，較難推廣全新采煤技術，在老式技術的基礎上進行智能化調整不失為一種較好的方法，且一定情況下提高了相關工人的認知度，有利于全智能化裝備的投入使用。

經過改進的“人工示教”方法已經有了極大改觀，但是大都屬于被動檢測和被動調整，在實際工作中依然存在極大的經濟成本和礦井安全風險，尋求主動檢測或預測方法對采煤機器人進行合理的路徑規劃控制不但可以減少經濟成本還可以增加采煤機器人的智能化程度。董剛等提出了一種虛擬煤巖界面方法，該方法與機器人路徑規劃中常用的人工勢場法類似，即定義頂板巖層存在斥力且當滾筒越靠近時斥力越大，而煤層則存在引力場，但該方法沒有考慮勘探時的探測誤差；柴浩洛等對煤巖切割頂板建立三維地質模型，并在系統中進行仿真模擬預切割獲取頂板的控制關鍵點，將相鄰2個控制點作為采煤路徑并平滑處理。文獻[61-62]雖然理論上解決了滾筒觸碰邊界問題，但是在沒有精確地圖的情況下無法規避滾筒與煤層中異構巖塊或巖石層理接觸的風險。為此，范森煜做了提高軌跡穩定性的工作，使用微分控制系統對機身各搖臂的傾角進行靜態坐標系修正并根據實際位置反饋二次修正誤差；葛世榮等利用INS和里程計定位工作中的采煤機器人，但是該方法隨著時間增加產生的誤差會不斷發散；鄭江濤等使用激光雷達輔助探測局部環境信息配合INS完成采煤機的實時定位；ZHANG等使用先驗知識集，通過一種基于稀疏濾波的深度學習方法識別截割頭的工作狀態以減少截割頭在采煤時直接與巖石相碰。

由以上成果可以看出，采煤機自識別位姿狀態和采煤工作面的煤巖分布情況并根據識別結果做出相應的截割頭位姿和路徑規劃是目前的最新研究內容和挑戰。該類方法可以顯著提高采煤機的智能化水平，但具有重要參考價值的現有成果較少。

3 運輸類煤礦機器人

煤礦開采和生產工作離不開運輸類煤礦機器人，一般配合其他關鍵礦用設備使用，如掘巖石轉運、落煤運輸、作業工人人車、輔助設備和物料輸送、洗煤廠煤礦初產品配送等。其中，膠輪車具有高度靈活度，可用于多種運輸環境，但無軌行走的特點增加了智能化實現難度。

圖7即現有使用的煤礦無軌膠輪運輸車。圖7(a)所示無軌膠輪車一般配合單軌吊、龍門吊等用于煤倉、耗材倉庫等路況較平整的轉運工作。圖7(b)所示的WLR型無軌膠輪車體積較小，配備多個座位和后備箱，常作為緊急人車和小型設備運輸使用。圖7(c)和(d)為常用的礦用運輸車，其體型適中，方便裝卸，一般配合龍門吊、掘進機等運輸巖石、煤料和輔助耗材，其中圖7(b)所示的車為防爆車型，可以工作于井下。圖7(e)為大型運輸卡車，用于露天礦區的煤巖運輸。

圖7 礦用運輸設備Fig.7 Mining transport machines

運輸類煤礦機器人處于起步階段，其長期工作仍無法離開人為操控。分析已有研究，環境感知技術和運輸車路徑規劃技術的研發可以加快煤礦運輸車機器人化和智能化的發展。其環境感知包括對環境地圖的創建和部分未知環境信息的識別；路徑規劃包括了運動規劃和路徑規劃，根據環境不同及實際控制順序，路徑規劃可分為全局路徑規劃、局部規劃和軌跡重規劃。技術內涵如圖8所示。

圖8 運輸機器人技術內涵Fig.8 Connotation of transport robot technology

煤礦開采各環節均需使用運輸類煤礦機器人。無軌運輸類煤礦機器人按功能劃分主要包含無人礦用卡車和無人輔助運輸車。前者用于露天礦或大型巷道的煤巖運輸，一般與掘進機器人、鏟車和帶式輸送機配合使用；后者用于運輸支護、錨桿、兜網等輔助用料和設備或者取代有軌人車，一般與電機車、單軌吊、裝載機配合使用。以上2種運輸類機器人都應具備遠程無線通訊、GPS定位、自主行走、導航避障、裝載自動識別等功能。

3.1 環境感知

與其他煤礦機器人不同，不同工種運輸類煤礦機器人的工作環境有明顯差異。

3.1.1 露天礦區或上部車場

露天煤礦一般存在于干旱/半干旱地區，是煤礦開采中較常見的礦區結構，而上部車場是井下煤礦生產中不可或缺的一部分。兩者具有較類似的環境特點，主要表現在多種設備協同工作、有少量工人參與工作、地面破損嚴重、路標不清晰等。圖9為貴州山腳樹煤礦的上部車場。

圖9 盤州山腳樹煤礦上部車場Fig.9 Upper depot of Shanjiaoshu Coal Mine，Panzhou

車場使用龍門吊將堆放好的輔助物資搬運至電機車或輔助運輸卡車，場地中存在工人、物料、電機車、電機車拉索、墊片、軌道、水坑等多種動/靜態障礙物。與常規道路識別略有不同，露天礦區和上部車場存在高度不規律性，工作面沒有規定的道路給運輸類機器人的路徑規劃增加了難度。合理建模地面環境對開展運輸類煤礦機器人的露天運輸工作起到至關重要的作用。

3.1.2 井下巷道

井工采礦多在地下，工作人員行為簡單、坑洼和相關設備較多，運輸車行走范圍兩側有巷道壁約束，故其環境特征相對智能汽車運行環境更加簡單，但依然存在岔路口和運輸目的地多的情況。其道路形式形態較常用道路多變，其中礦運道路網是露天礦和礦井下提供礦用設備行駛的基本路線，根據礦區實際運行情況分為固定道路、半固定道路、臨時道路、移動道路4種道路形式，普遍存在路標不明確或磨損嚴重、車痕印記較多的特點。

圖10(a)為常規的煤礦井下大巷，大巷常用于提升、運輸、通風、排水等，一般會進行細致噴涂甚至貼上瓷磚等，照明等條件較好。圖10(b)為常規回采巷道，這類巷道中一般配備帶式輸送機和電機車軌道，燈光照度低、地面水洼較多。

圖10 煤礦井下環境Fig.10 Environment of coal mine tunnels

3.1.3 不同環境的感知技術

對于完全已知環境，可以構建全局規劃地圖，常用方法是柵格法和拓撲圖法。柵格地圖將現有地圖分成連續的小格，并根據實際情況定義小格為0或1，即可通行和不可通行。而拓撲圖法多用于道路狹窄且待規劃距離較長的情況，即根據現有道路地圖繪制出可通行線路。以上2種方法各有優劣，柵格地圖對障礙物的刻畫更加細致，也是目前主流使用的地圖模型建立方法，但當地圖足夠大時，柵格地圖的信息量會隨之增加，不利于有效信息的存儲。拓撲地圖更偏向于全局規劃，但是該方法沒有障礙物的刻畫功能，需要配合其他方法同時使用。

建立拓撲地圖和柵格地圖主要用于處理靜態障礙問題，當存在動態障礙物時，需要使用滾動窗口等方法實時檢測并將障礙物信息表現于原始地圖模型。雷達和視覺相機生成可視化地圖是環境建模及動態障礙處理的常用工具和方法。毫米波雷達與視覺相機結合是目前的研究熱門，其突破了傳統地圖模型概念，可以更加智能地實現實時無人建圖。韋海良等闡述了毫米波雷達用于露天礦卡的原理并在不同道路條件下進行實驗，實驗結果發現：毫米波雷達的測量距離不但更遠，且與激光雷達、超聲波雷達相比，惡劣天氣和粉塵對毫米波雷達成像無影響；楊健健等使用激光雷達對觀測井下環境中的障礙物進行檢測并實時占用地圖模型，HectorSLAM進行巷道邊緣檢測防止巡檢機器人碰壁；陳先中等使用毫米波雷達和5G網絡構建環境點云圖，使用深度學習直接對點云進行語義分割處理，生成SLAM地圖。使用深度學習方法直接處理點云圖需要雷達獲取非常稠密的環境圖，該方法理論上可行，但是稠密點云的處理較麻煩，且占據內存較多，實際使用中不盡如人意。王陳等設計了一套井下無軌膠輪車的硬件系統，該系統包含了環境感知、智能決策模塊，該系統利用卷積神經網絡進行圖像處理獲取實時環境中的障礙信息，并使用模型預測控制(Model Predictive Control，MPC)進行避障重規劃；陳龍等使用雷達建立露天礦區中無人駕駛輔助運輸車的運行環境3D點云圖，通過點云圖識別到的邊界障礙物用八叉樹法構建入柵格地圖主結構，提出實時占用柵格的方案；杜春暉設計了一種可以在低照度環境下實現高質量成像的高感光性圖像傳感器，可以解決礦井下無軌膠輪車司機視覺盲區大問題。

隨著人工智能的發展，對雷達和視覺相機獲取的視覺信息進行深度學習等智能處理的方法也趨于完善。白怡明研究了西灣露天煤礦110 t大型礦山卡車的無人駕駛路徑規劃和避障技術，其設計的避障規劃系統使用激光雷達和毫米波雷達共同識別環境中的障礙物，再使用CNN預測該障礙物的軌跡，根據障礙物的預測軌跡規劃礦用卡車的具體路線。這類方法在應用中也有一些缺陷，因為其自主化更強故軟件開發和礦區改造成本相對其他方法更高，且使用機器學習策略的方法還需要考慮預處理階段的時間和金錢成本投入，但目前該類方法繪制出的地圖已經非常精確，且檢測和識別障礙的水平較高，前景十分可觀。

3.2 路徑規劃

運輸類煤礦機器人的路徑規劃與智能汽車的研發類似，不同在于運輸類礦用機器人的工作環境中存在岔路口造成的盲區較多、未知突發情況較多、井下照度低、場景單一導致的定位依據少、網絡改造力度不夠等情況，且其研發需要考慮礦區的行業標準和安全生產指標，故運輸類煤礦機器人在工作中需要著重考慮路徑選擇和避障工作的先進性和準確性。目前，更成熟且能更快落地的路徑規劃方法包括A*、Dijkstra、人工勢場法等。田子建等使用人工勢場法進行礦井下導航，并在原始方法中引入相對速度場和相對加速度場，改進引力勢場函數的人工勢場法，提出了一種“全局勢場線”概念令井下機器人進行局部規劃的基礎上參考全局環境完成最優路徑選擇，該方法與傳統人工勢場法相比，在導航方面更具自主性，且得到的路徑更優；馬宏偉等使用A*算法進行路徑規劃并引入深度學習方法關聯ICP模型，利用Octomap作為機器人導航地圖，結合PnP原理實現井下機器人的地圖重建和實時定位；袁曉明等使用A*算法處理全局路徑規劃，對于動態和未知障礙物的避障工作則使用動態窗口法實現。傳統方法之間也具有不同特性，在合適的情況選擇合適的算法可以令路徑規劃結果達到更優。表1總結了常用的9種傳統路徑規劃方法。

表1 傳統路徑規劃算法比較Table 1 Comparison of traditional path planning algorithms

續表

Floyd、Voronoi圖和Dijkstra法均適用于全局路徑規劃，可以通過選擇從起點至終點的有向、連續路徑集合，實現全局最短路徑。其他方法適于局部路徑規劃或小范圍的全局路徑規劃。其中，啟發式計算方法表明該算法的路徑規劃具有一定的方向性(比如終點、重要節點影響)，而非啟發式算法在優化時更偏向于隨機遍歷式搜索。增量式算法則利用以往規劃信息影響當前路徑規劃，其原理令算法具有“記憶”能力以獲取更好的輸出路徑。A*、人工勢場等方法因為結構簡單且結果穩定已經在智能汽車、掃地機器人等領域有了應用，但同為啟發式方法的進化計算類算法目前只停留于理論階段，譚玉新等使用一種蟻群算法和人工蜂群算法相結合的優化算法在柵格地圖上進行路徑規劃并使用B樣條插值平滑路徑，該方法理論上可以進行簡單的井下路徑規劃；李學現等提出了一種利用改進蟻群算法規劃露天礦卡最優路徑的方法，該方法對既有線路進行編號，利用改進蟻群算法獲取到達目的地最短的路線搭配方式，但其工作中未考慮當前路線是否存在障礙及卡車避障問題。進化計算的路徑規劃結果隨機性過高，且目前未有與柵格地圖等傳統地圖模型結合的較好策略，在工程應用中限制較多，直接投入使用需要更進一步的專項研究。

控制理論相關方法也適用于運輸類煤礦機器人的路徑規劃，且已有學者使用MPC等控制算法完成實物實驗。MPC屬于經典的現代控制理論方法之一，本質是使用優化方法求解控制問題，在路徑規劃領域有較多應用。與PID等經典控制算法相比，其具有適合于多輸入多輸出問題、模型精確、結合最優化理論的特點。其技術原理如圖11所示。

圖11 MPC技術框圖Fig.11 Technical block diagram of MPC

MPC由預測模型、滾動優化、反饋校正3要素構成。()為系統輸入；()為輸出；(+|)為預測系統未來響應；()為外部擾動；()為控制量，即受控對象的輸入；(|)為當前時刻預測模型的輸出。該方法需要對被控問題建模，并利用模型進行預測，根據預測信息完成控制決策。根據以上原理，MPC對于不同問題需要設計不同方案，余婭榮根據露天礦卡的運動幾何關系推導出礦卡前進、倒退的運動學模型，使用基于MPC的前饋反饋模糊控制算法實現在線滾動軌跡跟蹤，其中模糊控制器使用Matlab中自帶的模糊控制器，根據實驗結果曲線可以看出該方法在5～10 km/h的車速下均能較好地完成軌跡跟蹤；羅維東等研究了地下無人鏟運車轉彎性能問題，針對井下無人鏟運車在煤礦井下巷道中轉彎性能較差問題，建立了鏟運車的空間模型和基于運動學的位姿狀態方程，提出使用非線性MPC局部路徑規劃，分別對不同寬度和長度的巷道地圖進行控制。結果驗證本文提出的非線性MPC算法比基于角平分線的MPC算法轉彎效果更好，不會發生碰壁現象。柴森霖等使用Clifford代數構建了露天礦山節點、有向邊和路徑的統一表達，單獨解決幾何拓撲計算問題和數值優化問題，以扎哈淖爾露天礦作為理論模型應用場地，是解決露天礦區大規模運輸的新思路。控制理論相關方法具有較成熟的理論推導和實際驗證的體系，在進行試驗時可以較好的找到理論不足，算法設計的針對性較強，在長時間的調試下可以實現半自主的路徑規劃控制及決策。

使用視覺信息實現實時避障在近幾年的研究中較常見，也是目前的主流研究方向。楊健健等使用激光雷達對觀測井下環境中的障礙物進行檢測并實時占用地圖模型，HectorSLAM進行巷道邊緣檢測防止煤礦機器人碰壁；陳龍等利用激光雷達掃描到的3D點云的信息令無人輔助車可以在運行中規避邊界及其他障礙物。目前這類基于視覺的方法需要使用較大的內存和計算機算力，對硬件要求較高，且需要提前耗費大量時間進行預掃描，改造成本相對較高。

在運輸類煤礦機器人中使用傳統的路徑規劃方法可以更快地實現機器人運行實驗，但這類方法對于動態突變環境的適應性較差，直接用于煤礦機器人路徑規劃的可行性較低，而參考環境感知信息實現運輸機器人動態避障和路徑規劃更符合煤礦運輸需求。

4 安控類煤礦機器人

安控巡檢與煤礦開采的安全生產工作息息相關，是礦井下不可或缺的輔助工作。現有礦井巡檢多依靠巡檢人員攜帶手電及檢測設備定時在復雜的巷道中步行檢查，并在定點板牌上備注當前各氣體濃度和巷道是否存在冒頂、漏頂等特殊情況，如若異常則及時上報。部分工作面使用定點攝像頭輔助巡檢，鋪設專用傳輸光纖等線路，將攝像頭采集到的視頻或者圖片傳輸給上位機，專職人員通過監控實時觀察可能或已經發生的問題。瓦斯等有害可燃氣體巡檢則在煤礦井下布置可燃氣體或有害氣體檢測裝置，并配備警報系統。以上方法均需要考慮工作人員專業度、疲憊度、粗心度以及上級管理人員的重視度，極大地增加了巡檢人員和地下工作者的風險。針對人工巡檢的不足及其帶來的潛在風險，研制安控類機器人參與煤礦開采工作不僅有利于智慧礦井的推進且可以減少人為誤差的影響、加強安全生產管理。圖12為目前相關企業研制中的巡檢機器人。

圖12 巡檢機器人Fig.12 Inspection robot

按安控類煤礦機器人的行走方式劃分，主要分為有軌式和無軌式礦用巡檢機器人。有軌式巡檢機器人的行走路線由軌道決定，但需要考慮定位等問題，而無軌式巡檢機器人則具有更高的靈活性，但是需要考慮路徑規劃及避障問題。與其他煤礦機器人相比，巡檢機器人的環境感知技術要求更高，其不但需要探測巷道、地面軌道等靜止物體，還需要實時探測突發變化、其他移動設備及工作人員等動態事物并做出合適判斷，確認是否存在風險。圖13為安控類機器人技術內涵。

圖13 安控類煤礦機器人技術內涵Fig.13 Connotation of coal mine inspection robot technology

井下回采工作面作業環境巡檢機器人需要具備自主移動、定位、圖像采集、智能感知、預警、人機交互等功能，實現煤壁、片幫、大塊煤、有害氣體、溫度、粉塵、設備狀態等監測；巷道巡檢機器人需要具備自主移動、精確定位、設備運行工況檢測、設施狀況診斷、巷道變形檢測、有害氣體檢測等功能，替代人工對巷道進行巡檢。

4.1 環境感知

與第1～3節介紹的3種煤礦機器人相比，安控類煤礦機器人屬于小型機器人，在煤礦井下起到輔助完成作業的功能，需要隨時工作于更復雜的環境，而煤礦井下的輕微冒頂、坍塌碎巖、水坑便可能造成安控類煤礦機器人的各項運行故障，故其對環境風險的感知能力要求更高。

為保證安控類煤礦機器人在井下正常運行，關鍵是識別巷道地面的細微形變、工人、煤巖塊、設備障礙。許蘇等介紹了射頻識別技術在煤礦環境下的應用，該技術可以檢測煤礦環境下的動態障礙，再通過熟練工人對動態目標的觀察判斷是否前方存在風險。但該方法用于煤礦井下的環境感知中存在較多弊端：① 需要在巷道中提前敷設射頻標識器配合安控類機器人識別巷道中的動態目標，存在信息傳遞誤差問題；② 目前該技術需要工人協助判斷，無法實現智能化環境感知并傳遞給路徑規劃模塊使用；③ 其工作原理導致感知精度過高，對于巷道中動態障礙物檢測問題適得其反，必然增加無用人工成本。基于視覺的環境感知技術具有識別功能，更適用于安控類煤礦機器人的井下環境感知。筆者提出一種利用均值哈希算法結合背景差分算法計算巷道變形程度的方法，該方法對采樣視頻的關鍵幀進行分析，極大地減少了連續監測帶來的信息冗余問題，可以較好地識別出井下環境中的地形改變信息；LIU等使用三維激光掃描技術獲取地下巷道表面參數，并生成內壁諧波深度圖，通過該深度圖像檢測內掉落碎片等其他風險；韓江洪等使用基于回歸的單階段多框檢測(Single Shot MultiBox Detector，SSD)神經網絡對井下大物體進行識別，再使用CNN檢測小物體，達到對CNN直接識別的速度慢等問題，實驗顯示速度是直接使用CNN識別的0.5倍，模型參數也減少到CNN的50倍以下；SHIN等使用一種改進的基于區域的卷積神經網絡(R-CNN)訓練6 281張圖像用于辨識地下巷道或車場的滲漏痕跡，該訓練后的模型識別以上3種現場情況的精度可分別達到37.76%，36.42%，61.29%；衛星等將井下區域大致分成金字塔注意力模塊，配合綜合空間路徑模塊可以有效地提高傳統人工特征提取識別精度低問題并縮短深度學習方法的時間長度；同時，衛星等利用生成對抗網絡對軌道檢測進行識別訓練，并在訓練中結合多尺度信息，即將多個尺寸尺度的軌道圖進行共享卷積，實驗結果比語義分割算法更優越，檢測精度達到95%。

產后出血是產科常見并發癥,集中發生在產后2h內。引起產后出血的病因,包括子宮收縮乏力、軟產道損傷以及胎盤因素、凝血功能障礙,各個原因能夠合并存在,也能互為存在,其中以子宮收縮乏力為主[4]。產后出血處理原則:補充血容量、糾正休克、預防感染。相關資料指出,第一以及第二產程期間產婦自身的負性情緒以及滯產均是導致宮縮乏力的主要因素,而第三產程期間胎盤剝離不全導致的子宮收縮以及分娩造成的產道撕裂均會誘發產婦出血。在產后出血預防方面常規護理干預效果并不顯著,而助產士通過進行第一、二、三產程以及產后護理可以成功提高產婦產后出血預防效果,提高母嬰安全。

目前的環境感知算法不但可以感知巷道中的靜態障礙物信息，對工作人員等動態障礙也可以做到較精準的識別。楊清翔等使用Fast-RCNN對煤礦井下視覺攝像頭采集到的圖像進行卷積處理，該Fast-RCNN具有候選層，且候選層和卷積池化層來自同一張照片，這樣的設置可以提高人形目標的識別度；黨偉超等使用雙流卷積神經網絡對井下配電室工作人員的行為進行檢測，共檢測站立檢測、站立記錄、下蹲檢測、走動和坐下5種行為，該雙流卷積神經網絡分別對時間流和空間流進行特征提取，并對時間流和空間流分別賦予權值比例1∶2，可以得到較高的識別率；李現國等參考DenseNet網絡對SSD網絡進行輕量化刪減，并將該算法與ResNet網絡相結合用于對井下視頻中的行人進行監測，改進的SSD算法有效的減少了計算量大問題，配合ResNet使用則增加了特征表征能力，實驗表明該方法在密集物體中的行人監測率在88%左右，在稀疏群體中能檢測到所有行人；張立亞采用機器學習和圖像識別技術對井下開采人員行為進行學習，并預測環境安全程度，實驗顯示該方法可以98%的精度在2 s內完成工作人員行為識別。基于CNN的方法十分適用于各類物體的識別，是目前的熱門研究方向，可以歸類為機器對環境的認知層次，已有學者對常用幾種CNN計算框架進行了總結，將這類算法開發應用于煤礦機器人的環境感知技術中對煤礦機器人的智能化產品開發具有實際意義。

安控類煤礦機器人通過相關感知技術識別到靜態障礙物后，可以使用占用柵格地圖法重建路徑規劃地圖，規劃出避障路線。通過對工作人員當前狀態及其位于機器人周身位置的感知識別，可以進一步協助運行中的安控類煤礦機器人進行駕駛行為決策，實現機器人自主行走。

4.2 路徑規劃

安控類機器人分為2種：有軌式掛頂巡檢機器人、無軌式膠輪巡檢機器人。以上2種巡檢機器人與井下無人輔助運輸車的運行環境一樣，均運行于井下空間，環境可見度低、場景單一且障礙物多樣。針對安控類機器人路徑規劃問題，有軌巡檢機器人提前鋪設了軌道不需要考慮避障等問題，只專注于環境感知和機身定位技術，而無軌膠輪巡檢機器人需要兩者兼顧，且更要考慮行走過程中的避障。

有軌巡檢機器人的路徑規劃研究側重點為巡檢機器人在軌道上的定位。王飛等設計了一款礦井變電所巡檢機器人系統，該巡檢機器人以H型鋼為懸掛軌道，使用光電脈沖編碼器記錄機器人位移量完成機器人在軌道上的定位；劉建榮等設計了一款利用鋼絲繩牽引行走的巡檢機器人，該機器人屬于有軌機器人，鋼絲繩牽引的原理類似礦用帶式輸送機，利用電機拉動鋼絲繩，從而牽引該巡檢機器人，該方法實施性較強，但是弊端明顯，在礦井下使用鋼絲繩牽引的巡檢機器人只能用于氣體檢測等工作，無法完成視覺采樣，且靈活性較差，無法實現自主監測。因為軌道的限制，有軌巡檢機動性差，巡檢存在大量盲區，且需要考慮多條軌道交錯設計問題，不完全符合智能巡檢的要求，并行使用無軌式安控類煤礦機器人更適合智能化的發展。

無軌安控類煤礦機器人的行走區域可能包含多處斜坡和臺階，硬件設計和運動學建模是無軌安控類煤礦機器人運行控制的關鍵。SHANG等研制了具有內軸和外軸套的巡檢機器人運動機構結構，該結構可以較少共振影響，減少運行時的噪聲；王川偉等建立了履帶式巡檢機器人的履帶模型，可以用于設計預測控制器，適用于不平整路面情況下的機器人運動控制；賈海東等對巡檢機器人的行走部件進行設計，該設計中巡檢機器人有輪式和履帶式行走2種方式，可以完成斜坡、臺階等越障工作。

對于無軌安控類機器人的路徑規劃方法及其軌跡跟蹤已有多方面研究。朱紅秀等提出使用強磁鋪設車軌確定車輛運行軌跡的方法，并使用干簧管作為磁敏開關傳感器，該方法思路新穎，但是結果顯示車輛運行時需要多次糾偏，具體穩定性參數仍需要再進行實驗；肖林京等對井下危險等級進行5級劃分，對不同等級的識別指定井下電機車不一樣的制動距離或避障方式；鄭日忠等設計了一套ZigBee硬件模塊，該模塊可以對井下巡檢機器人定位，將定位信號發送給接收信號強度檢測(RSSI)算法進行距離測算即可實現跟蹤。

硬件傳感器配置和避障策略的提出提高了安控類煤礦機器人的智能控制能力，而感知算法的改進可以提高其自主決策能力。金華明等在分布式分簇節點選擇策略的基礎上提出了局部異常因子算法用于實時監測井下巷道中可能存在的風險，實驗結果表明該方法可以減少無線傳感器網絡在目標跟蹤時的網絡能耗問題，提高了跟蹤準確度；李學民提出了一種用激光雷達檢測預設人工路標的自主導航與定位方法，但該方法實際成本較高且容易損壞；楊林等使用激光雷達建立地圖觀測模型和里程計定位預測模型，使用蒙特卡洛算法和Fast-SLAM對機器人進行實時重定位，可以提高煤礦機器人路徑規劃和定位的精確度；彭繼國等使用激光雷達掃描到的障礙物信息映射占據柵格地圖，使用模糊控制機器人規劃的方向和速度；馬宏偉等使用對深度相機拍攝的照片進行特征匹配和重組從而獲得高分辨率、多信息融合的高精度地圖，以便于井下移動機器人使用圖優化方式完成自主最優位姿調整和環境坐標定位；AZPURUA等使用雷達的同時定位和映射功能提出一種基于移動性優化的路徑規劃以及使用矢量場的導航控制，以此實現受限環境中的半自治檢查，減少機器人操作對操作員的依賴性。

5 救援類煤礦機器人

圖14 救援類煤礦機器人Fig.14 Coal mine rescue robot

煤礦開采屬于高危職業，關閉不合格礦井雖然減少了事故的發生，但仍然需要防患于未然。在少人/無人化開采中配備救援機器人以備不時之需，不但可以協助實現重要設備的搶險工作，也可以在發生災害時實現少量井下人員的救助。圖14為中信重工研制的救援機器人。救援類煤礦機器人具有多種結構的行走機構，圖14的煤礦救援機器人使用2自由度的履帶，該結構可以較好的實現機器人攀爬，其環境感知機構包括雙目攝像機、激光雷達等。救援類煤礦機器人技術內涵如圖15所示。

圖15 救援類煤礦機器人技術內涵Fig.15 Connotation of coal mine rescue robot technology

根據需求，救援類煤礦機器人應具備自主行走、精確定位、被困人員生命探測、音視頻交互、緊急救護物資輸送、井下環境識別、挖掘、鉆擴、運送、遠程遙控等功能，實現災害后的惡劣環境被困人員自主搜尋，實現搶險作業無人化。

5.1 環境感知

救援機器人工作的環境比安控類機器人更加復雜，煤礦災害通常伴隨多處塌方、冒頂，破碎煤巖和水坑進一步增加了機器人行走的難度，環境感知性能要求更高。

高精度傳感器的使用提高了遇難人員的救助空間和生還概率。戴珊珊等和王學讓等通過在機器人四周配備傳感器實現環境感知，戴珊珊等在仿人機器人前方和兩側各安裝1個紅外測距傳感器，而王學讓等在機器人前方和四周各均勻密布6個紅外開關傳感器和6個遠距離的測距傳感器，實驗顯示后者的環境感知效果更好；王闖等使用超聲雷達裝置測取障礙物在搜救面的深度以便做出相應規劃工作；劉罡等使用超聲波傳感器順次掃描窗口內障礙物并進行編號以便機器人路徑規劃使用；朱曉飛使用慣性導航和視覺導航相結合的方法進行救災，利用慣導系統實現自主導航，并使用視覺定位系統對慣性導航的路徑偏移進行修正，減少隨時間積累的導航誤差；針對單一深度地形識別問題，劉罡等提出一種基于傳感器的方法，將環境分為探測區和非探測區，而探測區則分為自由區、限制區和盲區，傳感器只關注障礙物的邊緣以提高有效信息檢測的效率；盧萬杰等提出使用激光雷達和Kinect相機分別探測遠距離和近距離的地形信息；翟國棟等提出使用雙目攝像機測距的方案，使用雙目視覺技術實現工作環境的立體匹配和三維重建。

救援類煤礦機器人的環境感知技術處于探索階段，且硬件配置的標準將直接決定救援時耗，現有理論成果的感知能力和識別準確率雖然較高，但穩定性和實時性無法達到救援的標準。

5.2 救援路徑規劃

合理的路徑規劃可以令救援事半功倍，對于救援工作，需要快速規劃出路徑最短且更便于搜救的最優路徑。目前，進化計算在該領域的相關研究較多。常見的進化計算方法有遺傳算法、粒子群優化算法、蟻群算法等，該類方法均使用群體智能思想，具有并行計算、收斂速度快、操作簡單等優點，對問題的數學模型沒有約束性，可以直接求解非線性、不可微、不可導、分段等特殊病態問題。其中，蟻群算法在路徑規劃領域使用最成熟，其原理流程如圖16所示。

圖16 蟻群算法流程Fig.16 Flow chart of Ant Colony Algorithm

使用未改進的蟻群算法進行路徑規劃需要先初始化1條可以通行的路徑，再使用適應度函數(路徑代價函數)評價當前螞蟻(1條路徑或1個可行節點)是否是最優解，如果不是則使用賭盤法選擇移動方向，并更新當前位置的信息素，直至完成終止條件(最大迭代次數或終點)后輸出最優路徑。但該方法存在陷入局部最優導致輸出路徑次優的可能，故相關研究對其進行改進十分普遍。張小艷等基于礦難前礦區已知的GIS系統進行全局路徑規劃，從安全性和路徑最短設計適應度函數，使用蟻群算法進行局部路徑規劃；朱磊等使用改進遺傳算法對GIS的柵格地圖進行全局路徑規劃，將結合優先權分組的蟻群算法信息素反饋方式植入遺傳算法的變異算子中，并對柵格地圖按照從左向右、從上向下依次編號進行最優節點搜索；王雄針對煤礦井下救災現場多目標救助點的實況，使用遺傳算法選擇從起始點到目標點的最短調度路徑；周欒等使用改進遺傳算法對編號的礦山拓撲地圖進行最短路線組合優化，該改進遺傳算法引入退火算子強化局部搜索、引入深度優化搜索初始化路線、引入距離編輯增加交叉和變異的子代多樣性；張玉州等在車輛路徑模型適應度函數中增加了緊急度概念，可以將運輸時間減少1.9%；耿娜等在適應度函數中引入各目標點的生命強度，根據生命強度不同規劃目標點到達順序，實現在有限時間內救援最多遇難人員；李輝等使用共軛梯度法規劃出最短路徑，再使用粒子群算法去除路徑中的障礙物；姚正華等使用魚群算法進行路徑規劃，并根據煤礦環境特點使用步長分段自適應策略和威脅區域距離檢測方式實現問題維度的判斷和約束條件處理；考慮到目前的煤礦機器人無法達到IA本質安全，馬西良等引入瓦斯危險區域，并使用MAKLINK繪制網格圖，使用蟻群算法優化的Dijkstra算法對存在瓦斯區域和不存在瓦斯區域的進行路徑規劃，實驗結果表明使用蟻群算法優化的Dijkstra算法在存在瓦斯區域的路徑規劃問題中效果優于原始的Dijkstra算法；陳爾奎等針對煤礦復雜環境提出一種雙層路徑規劃方法，第1層使用遺傳算法進行全局初始路線的優化，第2層使用人工勢場法結合局部目標點更換思想實現動態避障；鄭家風等在蟻群算法中增加獎懲機制，鼓勵蟻群向信息素多的柵格規劃，對于結果非優的柵格采取抑制信息素增加的策略。表2整理了常用進化計算方法的原理和優缺點。

由于方法論的差別，這類方法的優點在于不需要模型可導可微，與傳統控制理論的方法存在方法論區別。但該類方法側重于優化，其結果具有隨機性，當待解決問題的目標不同時需要根據具體優化需求改進算法策略。通過比較可以發現遺傳算法和蟻群算法最適合路徑規劃問題，但和粒子群算法和差分進化算法相比速度較慢。其改進的策略之一即利用其他進化計算特點對遺傳算法和蟻群算法進行融合，但是否適合于路徑規劃問題仍然需要進行大量實驗驗證。

表2 常用進化計算方法Table 2 Common evolutionary calculation methods

基于控制論的方法比進化計算類方法更加成熟。張譯使用積分Backstepping思想設計軌跡跟蹤控制器跟蹤救援機器人的路徑，理論實驗的結果顯示位姿誤差曲線漸近穩定；朱美強等提出一種基于流形距離度量的改進Dyna-Q學習算法，該策略可以有效避免強化學習方法無法有效處理井下救援的狀態空間在歐式空間不連續問題的缺點，在柵格地圖的仿真表明該方法在稀疏和密集障礙物環境中均適用；王欣等從機器人運動學模型入手，提出一種根據激光測距儀獲取的障礙物方位信息判斷機器人轉彎方向和角度的策略；馬宏偉等根據履帶式救援機器人兩側履帶在不同速度差下存在不同轉向形式的情況提出使用最小和最大避障半徑判斷機器人通過性，進而控制兩側速度實現避障；唐立偉使用BP神經網絡訓練模糊神經網絡控制救援機器人遇到障礙時的轉向角，該模糊神經網絡的節點輸入量包括障礙物距離和目標地點在機器人的方位；SAPUTRA等提出了一種基于分層分解目標的MPC方法用于救助躺在地面的傷員；CHENG等構建了不確定環境中救援機器人搜索過程數學模型，并設計基于誤差成本的約束控制器實現機器人快速調度。

經典的路徑規劃方法在理論上更加成熟。侯媛彬等針對煤礦救災的復雜環境提出分級擴展式快速擴展隨機樹算法，設置礦井中的虛擬目標作為分級擴展的目標點，實現RRT快速找到最短救援路徑；針對救災機器人容易陷入凹型障礙物的特點，田子建等提出在人工勢場的引力場中加入擾動場，并對凹型障礙物進行虛擬填充；錢程等在Robocup平臺上使用A*進行路徑規劃仿真，提出了A*算法在復雜地圖上規劃存在的2個問題：① 在路障的道路上存在死區問題；② 在考慮部分可通行房屋時會影響規劃效率。陶德俊等針對A*算法產生路徑冗余點多的缺點，使用Douglas-Peucker(D-P)算法對路徑進行線狀要素簡化，再使用三樣條插值進行平滑處理，處理后的曲線轉彎次數明顯減少；祁永強等對人工勢場法的斥力場函數進行改進，對斥力進行分階段處理，即設置障礙物安全距離，在安全距離內機器人收到斥力，但是安全距離外則無不受到斥力作用，機器人可以以更短路徑和更短時間到達目標點；張春芳等以機器人運行為參考將井下救援環境分成直線段、圓弧段和障礙物段，使用A*和動態窗口相結合的方法分別處理3種路段，該策略和全域算法規劃相比時間更短。傳統方法的可靠性最高，且已經在其他領域有成功使用案例，但這類方法智能性較差，一般情況下不包含對環境的感知和認知，需要搭配其他技術才可以解決動態障礙等問題。

在傳統規劃算法基礎上，合理利用傳感器信息則成為另一個研究重點。戴珊珊等和王學讓等將紅外測距儀檢測到環境信息用于人工勢場法實現仿人機器人的自主行走，該方法在密集障礙物環境中容易打轉和碰撞；劉園園等對救災機器人的傳感器信息融合進行改進，使用置信區間及其相加思想控制傳感器有價值信息的提取和融合，該方法比普通的數值計算融合方法效果更好；劉罡等構建由傳感器檢測到障礙物的切線，根據切線和邊緣信息確定機器人的目標點；趙蒼榮等使用DV-Hop算法進行機器人定位，改進人工勢場法的斥力函數令目標點的全局斥力最小并將超聲波傳感器探索到的環境信息用于人工勢場法實時更新，從而避免目標繞圈問題；盧萬杰等使用遠近感知系統數據融合技術建立2.5維的柵格地圖，實現基于路徑長度和地面危險度等級的探測搜救機器人路徑規劃；GAO等使用傳感器獲取的環境先驗知識提出最窄間隙提取算法并采取間隙邊緣反應式導航方法實現機器人路徑規劃。

傳感器相當于機器人的感知器官，通過傳感器可以獲知環境中的各類有用信息，并協助救援機器人安全、合理的開展工作。和運輸類、安控類煤礦機器人類似，傳統的機器人路徑規劃方法同樣適用于救援類煤礦機器人，但同樣缺乏自主性，配合傳感器信息可以令救援類機器人的路徑規劃技術實現自主決策和控制，將其與傳統路徑規劃方法相結合可以有效提高機器人的智能化路徑規劃技術。

6 關鍵技術及挑戰

根據現有研究成果，煤礦機器人的研制和應用依然存在較大發展空間。關鍵技術如圖17所示，主要包括：感知與認知、規劃與決策、系統集成。

圖17 煤礦機器人關鍵技術Fig.17 Key technologies of coal mine robots

6.1 感知與認知

感知是在一定環境和規律范圍內利用相關信息做出判斷，而認知不但需要判斷規律內的事物，還要根據目前已掌握的信息進一步判斷規律范圍外的事物。智能煤礦機器人應至少達到“感知”水平，并在“感知”能力基礎上提高“認知”能力。使用各類傳感器作為機器人的“器官”是最常用的感知與認知途徑。

6.1.1 環境感知技術

早期的機器人一般使用壓力傳感器、光敏傳感器、激光測距傳感器等實現避障等功能，這類傳感器具有技術成熟、信號處理簡單、存儲傳輸方便、實施性強的特點，可用于大部分非復雜場景。但機器人的智能化需求和任務難度均逐漸提高，要求煤礦機器人裝配更加先進的傳感器及相關算法。

基于視覺感知的傳感器檢測技術及其方法改進成為煤礦機器人的必要研究方向，且發展趨勢要求其精度更高、識別能力更強，在一定情形下可以更好的掌握動/靜態障礙物的大地坐標、輪廓、深度等感知信息。視覺感知的前端采集裝置一般使用雷達(超聲雷達、激光雷達、毫米波雷達等)、視覺攝像頭(RGB攝像頭、雙目攝像頭、深度攝像頭等)。雷達掃描環境并生成工作環境的點云圖，包含了工作區中各物體的坐標、深度等信息，而視覺攝像頭采集到的圖像數據在經過特征點匹配等處理后也可以對場景進行重構。

目前，機器人常用的視覺傳感器及其優缺點見表3。

表3 常用視覺傳感器Table 3 Common vision sensors

為了更智能地完成任務和適應工作環境，一般需要同時使用多種不同的傳感器。但來自不同傳感器的大量信息容易造成混亂，有效解決辦法是使用多元傳感器融合技術，這是環境感知技術的主要挑戰之一。直接使用點云圖和重構地圖均存在無法識別具體物體種類、拼接錯誤率高、信息量大且存在大量無用信息等缺點。對于拼接錯誤率高問題，現有成熟方法即使用八叉樹法建立Octomap有效壓縮傳感器信息；在保證有效信息保留的基礎上進行稀疏處理一般用于解決信息量較大、無用信息較多問題；識別物體的傳統方法為模板匹配法，但該類方法魯棒性均較差，無法滿足智能自主工作。

6.1.2 突發情形認知

針對復雜、突發情形的認知技術不但需要煤礦機器人具有較高精度的感知能力，還需要其具有較高水平的物體識別能力。目前，常用于視覺認知的智能識別和分類框架是模板匹配、深度神經網絡等機器學習方法。前者是模式識別的經典方法，其解決問題的限制條件較多，在相關領域有逐漸淡化的趨勢；后者有DenseNet，AlexNet，VGG，YOLO等經典框架支撐，是目前人工智能的熱門，相關CNN框架的比較及總結已有較多文獻參考，此處不再贅述。這類機器學習方法已經在人臉識別等領域有了較成熟的應用，但在煤礦機器人上仍處于探索階段。

參考煤礦環境的復雜性，直接配備以上方法作為煤礦機器人的認知方案具有一定的缺陷，需要考慮以下問題：① 相關CNN方法的計算框架固定，雖然增加了算法的普適性，但是針對性較差，現有研究工作主要是采集和建立數據集以及解決算法過擬合、欠擬合問題；② 數據集的多樣性和數據體積對模型的識別能力具有絕對影響，為了避免過擬合而提高數據集多樣性意味著圖片數據的不斷增加，計算機硬件和訓練耗時成為最大問題。

小樣本識別和遷移學習是解決深度網絡框架缺點的有效探索，可以有效提高煤礦機器人的認知水平。該方法的原理即使用現有已訓練模型對采集到的少量煤礦未知樣本進行訓練從而實現較高煤礦環境識別精度。元學習是其中較成功的策略，即“學會學習”，旨在使用以往知識經驗來指導新任務的學習，令深度網絡保持學習能力。使用元學習策略，可以令機器人認知模塊較好地適合當前煤礦環境。煤礦存在高度不確定性、各區域照度不同等特點，機器人大部分時間在實時行走，提取到的圖片信息具有隨機性和多樣性，數據庫中已包含的物體也可能因為角度和照度原因無法實現快速識別，少量未知物體在前期的數據集中難以全部涵蓋，使用元學習的思想保留學習經驗實現快速學習以便在下次遇到同樣待識別物時既能夠快速識別，也可以保證煤礦機器人的實時性要求。

該策略并沒有固定的行式，目前較經典的框架見表4。

表4 經典元學習框架Table 4 Classical Mete-learning framework

6.2 規劃與決策

煤礦機器人實現智能化決策并完成工作的過程即為煤礦機器人的規劃過程。對于車型煤礦機器人，其規劃主要體現在單目標點的路徑規劃及其控制，當任務包含多個目標點時則需要考慮各目標點的關系，并根據復雜關系完成自主最優決策，并在最優決策的框架下實現多個單目標點規劃。

6.2.1 單目標點規劃

目前，以無人單軌吊等為主的煤礦機器人均使用遠程控制實現機器人無人化工作。遠程控制在機器人領域稱作遙操作，該方法在機器人半自主工作中較常見，部分學者也提出了相關方法增強人機合作，但是機器人的工作情況仍然依賴于操作人員的工作經驗、工作狀態。

智能化、無人化的煤礦機器人要求機器人能夠在最少人員操控的情況下完成各項任務，并以獨自、完整完成任務為最終目標。這需要在機器人上配備多種傳感器以模仿人類器官進行工作范圍內的感知，并利用感知和認知信息指導煤礦機器人的規劃和決策。對于掘進機器人和采煤機器人，其懸臂滾輪可以在傳感器信息協助下使用全覆蓋遍歷路徑規劃：利用傳感器獲取煤巖分布信息，建立開采工作面柵格圖，并根據不可通行的特征點對可采煤區進行劃分，即在掘進工作面和截割工作面上規劃好可截割區域和不可截割區域，并使用排序方法規劃各待截割區域之間串聯距離最短的連接方式，在可截割區域內使用由下而上的往復式遍歷截割，截割完當前區域后截割頭按照規劃好的最短連接方式轉至下一個可截割工作面重復遍歷截割。而對于其他3類機器人的行走控制和避障規劃有2種方案可以參考：① 對于運輸和巡檢煤礦機器人，其工作實時性要求低，可使用具有視覺感知能力的傳感器，對工作范圍進行掃描或拍攝，根據檢測結果繪制出高精度地圖，再進行路徑規劃；② 對于救援機器人可以先使用全局路徑規劃方法規劃出可通行、符合實際需求的最優全局路徑，在行走過程中利用傳感器信息做出避障決策。比較以上2種方案，方案①的主要工作在于高精度地圖的繪制，對機器人的決策能力要求較少，但需要搭配其他算法才可以進行動態障礙物避障；方案②的前期準備工作較少，可以直接使用GIS系統中存儲的礦區地圖，減少工作成本，但該方法對行走過程中傳感器的精度、信息融合技術及決策能力有更高要求。

6.2.2 多目標點決策

根據工作需求(運輸類煤礦機器人需要完成多裝載點轉運、巡檢類煤礦機器人需要完成多工作面循環巡檢、救援類煤礦機器人需要在最短時間內完成多生命體救助等)，煤礦機器人還應考慮多目標點的決策規劃。以救援類煤礦機器人為例，救援對時效要求較高，且救援機器人因為體型限制需要合理節約自身能源用量，當出現多處救災點時則需要在時間成本和里程成本最低的前提下根據不同的需求或緊急程度規劃出合理的目標點救援順序。在煤礦機器人多目標點決策規劃中，不但需要量化各目標點的需求度，還要在建立好決策模型后，使用合理的優化算法對目標點順序進行最優排序，另外在目標點和目標點之間仍然需要設計穩定的避障規劃技術。

使用算法進行全局和避障路徑規劃后，需要采用路徑/軌跡/速度跟蹤控制技術實現煤礦機器人更底層的運行。路徑跟蹤控制中，使用代價函數及機器人數學模型實現機器人對已規劃好全局路線的逼近；在避障決策后，參考路徑曲線與時間/空間，令煤礦機器人在規定的時間內到達某一預設好的參考路徑點；更進一步，考慮煤礦環境的多坡道、多拐彎等情況，煤礦機器人在運行時的能源消耗比普通機器人更多，對速度和加速度進行規劃并采取速度跟蹤實現準確速度和加速度控制可以減少機器人能耗，其決策規劃和控制技術均屬于煤礦機器人的挑戰性工作。

6.3 系統集成

智能化煤礦工作平臺集成是煤礦機器人環境感知和路徑規劃技術的關鍵搭載技術，該技術的挑戰是機器人協作系統和局域通訊交互系統的搭建。其關系到相關算法及硬件的協調工作，需要具備各機器人快速通訊、準確定位功能以便完成礦區各機器人調度和機器人協作控制。系統框架如圖18所示。

6.3.1 機器人協作系統

成熟的煤礦工作區占地廣闊，井下巷道存在多層多岔道的特點，少量的煤礦機器人無法滿足要求。但隨著機器人數量增加，機器人信息的有效處理及其決策控制成為問題。在多運輸煤礦機器人車隊中需要考慮安全車距保持問題；巡檢機器人群和救援機器人群需要考慮當其中一個機器人到達事故點區域時，且當前機器人無法獨立完成繁重任務，存在召集其他機器人并相互協作問題；當在露天環境中進行巡檢和運輸工作時，因為地面機器人的局限性還可以考慮增加無人機協同工作。以上工作均可歸屬于多機器人協作系統，其專項研發具有挑戰性和實際意義，目前在煤礦機器人中的研究較少。

6.3.2 通訊交互系統

煤礦的工作特性削弱了傳統移動通訊信號的可用性，且目前一些老舊礦井并未完成網絡全覆蓋，煤礦安全生產工作大都停留在監測階段，而內部通訊網絡系統可以令煤礦內部信息傳遞更快捷穩定，為煤礦安全生產監控工作、感知信息傳遞、煤礦“萬物”互聯和機器人群決策信息快速交換提供可能。局域通訊網絡交互系統的搭建不但有利于上位機對單個機器人的控制，也有助于多機器人協作系統的流暢運作。機器人協作的交互信息處理方式主要有2種：① 集中式網絡交互；② 分布式網絡交互。鄭太雄等提出了一種集中式控制，該方法使用蟻群算法在主機中進行任務分配，再發送給對應輔助運輸機器人，實現多機器人搬運工作，為了防止機器人因未及時收到消息產生過操作和碰撞，引入了基于到達時間差的定位方法。其具有部署簡單、單一處理器易數據存儲、病毒感染幾率低等優點，但缺陷明顯：當數據量較大時，集中式的處理方式響應速度會明顯減慢，且當各終端需求不同時需要單獨對不同需求終端進行單獨配置。煤礦環境中，各機器人終端的工作目標及信息獲取類型均不同，大量數據傳輸及單獨配置特點令集中式網絡交互較難實用。分布式通訊交互方式可以增加機器人終端的擴展靈活性，更符合煤礦機器人的需求。各種數據由分布式終端自行處理并反饋有效信息的優點可以減少系統負荷，且其相關軟硬件的配置分布于各機器人，當前任務完成后，多余的煤礦機器人設備可以快速地移植到其他任務中。

圖18 煤礦機器人系統框架Fig.18 Coal mine unmanned system framework

7 結 語

煤炭工業正處于傳統作業向少人化作業發展的階段，與無人化、智能化開采作業仍存在較大的距離。在人工智能浪潮下，國家頒布多項指導意見用于正向影響和推廣煤礦的智能化發展。符合行業標準的煤礦企業和相關研究人員正在加快部署現代化智能基礎設備和研發相關高智能算法，煤礦機器人的研制和應用前景非常可觀，且意義深遠。

目前，掘進類、運輸類、巡檢類煤礦機器人已小規模實現了示范應用，但大部分研究仍然處于探索階段，測試成功并實際應用的煤礦機器人市場保有量非常少。而理論研究大都基于傳統作業形式展開，較少依靠高尖端硬件和智能算法。這與煤礦行業的歷史性以及交叉行業對該領域的認知度較低存在一定關系。計算機科學和機器人學的發展已經有了較多突破，將相關研究針對性地研用于煤礦機器人領域是可行的。

值得注意的是，目前的理論研究與實際應用中，針對安控類有軌煤礦機器人的研究較多，其他煤礦機器人及其關鍵技術的研發工作需要更多關注。而實時建立智能化煤礦行業新標準應該與煤礦機器人的智能控制算法研發同步進行，并開發具有隔爆、防爆技術的礦用搭載傳感器，在行業標準指導下研制智能化軟件、專用型硬件相結合的煤礦機器人。

少人化煤礦開采向無人化、智能化作業發展具有行業突破性，煤礦機器人應包含感知、認知能力，通過對環境信息的快速獲取、快速傳遞和快速判斷完成煤礦機器人自身及其關鍵部位的規劃和決策功能，并根據需求實現多種工種機器人協作控制，實現煤礦開采智能化、系統化作業。感知與認知、規劃與決策、系統集成可以總結目前煤礦機器人環境感知和路徑規劃關鍵技術的未來發展方向。

(1)感知與認知研究目前較集中于感知技術，如確定障礙物位置等，而更智能的認知技術需要進一步開發。通過認知技術煤礦機器人不但可以完成感知任務，還可以根據圖像、視頻、點云信息進一步識別當前障礙物的屬性及威脅程度、預測四周事物的變化情況。相關認知方案在巡檢機器人的故障檢測中有較好的應用但仍有較多挖掘空間，經過針對性改進后有望服務于煤礦機器人自身。

(2)規劃與決策不但是煤礦機器人的挑戰性技術，還是機器人、智能汽車行業的研究方向之一。傳統的路徑規劃方法雖然已經可以實現機器人自主運行，但智能化程度有限，一般只用于危險系數和實時性要求較低的工作領域。目前研究的重點是如何合理和迅捷地使用大量環境感知信息協助完成自主駕駛決策。

(3)系統集成是煤礦機器人的跨行業性的研究挑戰，智能煤礦系統搭建決定著煤炭行業的未來發展程度。其首要任務是搭建具有數據快速傳輸能力的科學性網絡系統(內部通訊系統、外部傳輸系統)，實現管理人員、技術工人、煤礦機器人之間的閉環實時通訊和數據處理。另一部分工作是搭建多機器人協作控制系統，實現多工種煤礦機器人之間合作作業，充分實現煤礦無人化、智能化、系統化運作。