國內外露天礦山無人駕駛研究現狀分析與發展前景*

陳善有 郭 洋 田 斌 李 濤 劉 賓 郭 順 江 松，4

（1.西安建筑科技大學資源工程學院；2.西藏中凱礦業股份有限公司；3.西安建筑科技大學信息控制與工程學院；4.西安市智慧工業感知、計算與決策重點實驗室）

隨著開采深度增大，露天礦山行業運輸成本高、運輸安全事故頻發、車輛調度困難等問題日益凸顯。國內外專家學者在智能礦山建設方面進行了大量探索與研究，以降低開采礦山的難度，確保一線工作人員的生命健康。在保障礦區生產指標的基礎上，實現低人工、高智能化的環境友好型生產體系［1］。因此，礦山運輸無人駕駛技術將成為未來智能環保型礦山生產體系的重要基石［2］。

無人駕駛技術的應用可以大大提高露天礦山運輸的效率和安全性，從而使得整個生產過程更加智能化、自動化［3］。相比傳統的露天礦山開采過程，無人駕駛技術應用的重要性不言而喻。在這個過程中，無人駕駛技術能夠顯著降低運營成本，提高運輸效率，并且減少了人員傷亡事故的發生。同時，由于無人駕駛技術可以不受環境限制，可以在夜間等特殊時間進行作業，從而使得整個開采過程更加靈活多變。

本文在充分梳理國內外文獻的基礎上，對露天礦無人技術的發展現狀和核心技術及其算法等方面進行分析，探討無人駕駛技術在露天礦的廣闊發展前景，以及核心技術的改進方向和未來發展趨勢，旨在為我國露天礦無人駕駛技術的發展和應用提供借鑒和參考。

1 露天礦無人駕駛技術的發展與現狀

20 世紀80 年代，美國卡特彼勒公司開始研究礦用無人卡車，并于21 世紀推出“mine star”系統，該系統極大推動了露天礦無人駕駛技術的發展。日本小松公司于2008年開始與礦業公司力拓合作并試驗其自動運輸系統（AHS），目前該技術已在智利和澳大利亞皮爾巴拉地區成功應用，并且其總運量達10億t［4］。2016 年9 月，小松公司在拉斯維加斯的Minexpo International 上推出了創新的自動運輸卡車，取消了卡車機艙，更好地將重量平均分配給4 個車輪，并且該卡車使用四輪驅動和四輪轉向，以獲得更好的抓地力和機動性，實現了該車輛在前進和反向行駛方向上的高性能穿梭，大大提高礦山的生產率［5］。到目前為止國外無人駕駛技術其產業鏈上下游已經出現頭部企業，并在逐漸走向成熟，如表1所示。

1992 年研制的紅旗系列駕駛汽車成為國內首輛真正意義上的無人駕駛汽車，并于2011 年7 月完成了長沙至武漢全程274 km 的無人駕駛試驗。近年來國內各大型礦山企業均在向智能采礦方向轉型，根據表2可知，目前國內許多礦山企業已經與相應的無人駕駛企業進行合作，并取得了一定的進展。

2 露天礦無人駕駛核心技術

隨著露天礦無人駕駛技術的不斷完善，不僅降低了礦區運營管理成本，還進一步促進了礦區向著綠色、經濟、安全、高效等方向不斷發展。通過對礦區無人駕駛技術應用實例［6-10］的梳理總結發現，目前露天礦無人駕駛系統在感知、規劃、控制3 個層面主要有環境感知、導航定位、路徑規劃、運動控制等核心技術，相關層級逐步遞進，其技術架構如圖1所示。

2.1 環境感知與導航定位

環境感知系統是露天礦卡無人駕駛的必要條件，主要利用各種傳感器對卡車周圍環境進行特征信息采集，實現卡車周圍環境模型的建立、車輛位置信息的確定，為規劃和決策層提供數據支持。環境感知系統主要分為外部環境感知技術和導航定位技術。

2.1.1 環境感知技術

露天礦區的外部環境感知系統主要有地面分割、障礙檢測等主要任務。環境感知系統主要是通過激光雷達實現地面分割。基于激光雷達的地面分割方法主要有柵格單元法、射線特征法、平面擬合法3 類。柵格單元法主要是將點云映射到柵格中，以柵格的特征判斷點云的屬性和特征，但，在使用局部點云信息的同時未考慮全局路面的連續性，易遭受外部環境的影響。攝線特征法雖在一定程度上考慮了全局路面的連續性，但其采用線性工作原理只能解決簡單的區域地面分割問題，不適用于多坑洼、多障礙物的道路環境。平面擬合法是一種高精度、高魯棒性的地面分割法，可以在復雜多變的環境中準確獲取地面信息。而此方法更是引起了許多學者的關注和研究。ZERMAS 等［11］針對提取地面算法不穩定等特性，提出了多區域點云的路面算法，提高了地面提取的穩定性。管郡智等［12］針對地面提取算法不穩定、精度較低等特性，提出了多區域穩定點云的路面算法，大大提高了地面提取的精度和穩定性。

障礙檢測是環境感知的重要任務，是實現無人卡車在礦區安全行駛的重要保障。MEI 等［13］采用基于機器視覺的障礙檢測技術，通過高清攝像機對道路障礙物的對稱性、紋理等特征進行檢測，但其數據采集距離較小、不能很好地滿足露天礦區環境感知的需求。王榮本等［14］提出了雙目立體視覺的感知技術，有效地解決了非結構化道路環境光照多變、場景復雜等問題，但其采集精度較差，單一使用時仍不能滿足露天礦區高精度的感知要求。阮順領等［15］提出了基于雙向特征融合的露天礦區道路障礙檢測方法，高度融合高清相機和雷達所采集到的數據，從而得到更加準確的障礙物位置信息，對復雜多變的露天礦區具有更強的實用性。

雖然單一傳感器在環境感知方面取得了一定的進展，但受工作原理和算法的影響，無法滿足露天礦區道路環境復雜多變以及多惡劣天氣等特點。因此可以利用基于多傳感器數據融合的技術手段，提高礦用卡車對礦區環境感知的性能。露天礦無人駕駛卡車多環境感知設備布置如圖2所示。

2.1.2 導航定位技術

導航定位技術是實現礦用卡車自動駕駛的重要技術保障。常用的導航定位技術主要有GNSS 全球定位技術、磁導航定位技術、慣性導航定位技術、SLAM 技術等。GNSS 全球定位技術的優點在于精度高、定位時間短、無累計誤差、可全球全天連續定位。但是信號穿透能力差，易被遮擋和丟失。慣性導航定位技術具有抗干擾能力強、頻率高、獨立性好等優點，保證了數據傳輸的穩定性和連續性。但是慣性導航系統采用積分的工作原理，經過一定的時間會造成一定的累積誤差。磁導航定位技術的優點在于檢測結果準確穩定，信號不易被遮擋丟失，不受惡劣環境的影響。但成本高、維護難，不便于大規模地使用。SLAM 技術具有環境適應能力強、定位精度高、可融合多種傳感器的優點。但是存在實時性差、易遭受外部環境影響等不足。

而組合導航定位技術可以克服單個定位技術的不足，提高定位能力。目前最常用的組合是GNSS 和視覺SLAM 組合定位。利用SLAM 技術可以有效改善GNSS 信號穿透能力差、易丟失等缺點。而GNSS又可以彌補SLAM 累計誤差大等不足。因此這種組合定位技術在復雜多變露天礦道路環境具有較大的發展潛力。為了進一步提高該組合定位技術的定位精度，并且在GNSS 信號較弱時仍能進行持續定位，王磊等［16］提出了利用視覺輔助GNSS 的緊耦合定位方法，利用緊耦合定位算法大大提高該組合的定位精度。除此之外，GNSS 和慣性導航組合定位技術也備受許多學者的研究和關注。QIN FENG 等［17］提出了一種基于慣性測量單元的GNSS 和慣性導航組合定位系統，該系統可以對每顆衛星進行捕獲和跟蹤，從而增強了對車輛定位的實時性。

2.2 路徑規劃

路徑規劃是實現露天礦卡無人駕駛的關鍵環節，其根據導航定位技術與環境感知技術確定的起始點與目標點找到一條連續的運動軌跡后，在避開障礙物的同時盡可能優化路徑。常用的路徑規劃算法可以分為基于圖搜索和基于采樣2種。

2.2.1 基于圖搜索的路徑規劃

基于圖搜索的路徑規劃有Dijkstra算法和A 算法2 種經典的算法。Dijkstra 算法通過圖中的邊權重來計算最短路徑，適用于靜態環境下的路徑規劃。A算法在Dijkstra 算法的基礎上引入了啟發式估計函數，能夠在大規模圖上更高效地搜索路徑。由于礦山中存在大量的障礙物和動態環境，在圖結構的構建和更新的困難使這些算法在礦山復雜條件下的應用受到限制。為此，研究提出了D*Lite 算法，它通過使用增量搜索和啟發式估計函數，實現了高效的路徑規劃［18］。針對有動態障礙物的環境，研究提出Lifelong Planning A*算法［19］，該算法通過逐步改善路徑質量來減少搜索量，并根據環境變化的信息動態更新路徑，以提高路徑規劃的效率和適應性。

2.2.2 基于采樣的路徑規劃

基于采樣的路徑規劃算法通過隨機采樣和逐步擴展的方式來生成路徑。RRT（Rapidly-exploring Random Tree）算法是其中一種常用的方法。該算法通過隨機采樣和快速擴展樹結構的方式，可以有效地應對復雜的礦山環境。除了RRT 算法之外，研究人員提出了PRM（Probabilistic Roadmap）算法，該算法通過在配置空間中隨機采樣節點，并通過連接和優化節點來構建一個路網圖。然后使用圖搜索算法在路網圖上搜索路徑。PRM 算法的優點在于能夠在離散化的配置空間上進行路徑規劃。但是并不適用于動態環境下的實時路徑規劃。另一個基于采樣的路徑規劃算法是SRT（Sampling-based Roadmap Trees）算法。SRT 算法通過在配置空間中隨機采樣節點，并逐步擴展樹結構來生成路徑，在連接樹節點時采用了不同的策略。因此SRT 算法在高維和復雜環境中具有較好的效果，能夠處理障礙物和動態環境。但其路徑質量不如RRT*算法優越，并且對于全局路徑規劃不夠高效。針對路徑規劃算法的限制，研究人員提出了將基于深度學習的方法用于路徑規劃，通過訓練神經網絡模型來實現路徑生成和優化。

2.3 運動控制

軌跡跟蹤控制技術作為露天礦山實現車輛無人駕駛控制的關鍵技術，可以精確跟蹤規劃的路徑，控制車輛運行的狀態和參數，保證無人駕駛卡車的安全性和穩定性。目前常用的控制方法大致分為經典控制法和模型預測控制法2類。

2.3.1 經典控制法

經典控制法主要有PID（proportional integral derivative）控制、LQR 模糊控制等。PID（proportional integral derivative）控制是傳統控制方法中一種適用性廣、魯棒性好的控制方法。無人駕駛領域中常結合PI 來實現車輛的縱向運動控制，結合PD 來實現車輛的橫向運動控制。LQR 控制算法針對線性系統進行控制，使用被控制系統狀態變量的二次型積分作為評價指標，通過求解Riccati 方程來獲得最佳的控制方法。因此可達到閉環控制的目的。張佳奇等［20］提出一種以預瞄理論為基礎的模糊自適應PID 控制方法，用于解決控制對象發生改變時控制參數的實時調整；胡杰等［21］使用預瞄PID 方法進行轉角補償，以消除穩態誤差并提高跟蹤精度。葉明等［22］根據pure pursit算法對局部路徑規劃層輸出的最優路徑進行追蹤，通過各算法比對得到其跟蹤效果收斂性好，控制效果穩定，且優于其他算法。

2.3.2 模型預測法

模型預測控制法利用受控系統的模型，按照模型預測、反饋校正、滾動優化的步驟完成自動化控制。李駿等［23］提出基于MPC 算法構建車輛運動學模型，通過引入前輪轉角和車速的約束條件，并設定基于位置偏差和控制增量的目標函數來得到最佳的行駛速度和前輪轉角，以實現更精確的行駛軌跡跟蹤。謝輝等［24］提出了一種基于模型預測控制算法的橫縱向綜合控制策略。該策略能夠有效地實現車輛在縱向速度和橫向位置上的精確跟蹤。WANG 等［25］改進了MPC 算法的適應性，可更好地實現人機交互，能兼容車輛不同傳感器和輪胎的特征，使橫向、縱向控制的穩定性較好，能提高車輛轉向和移位的精度。

針對以上算法存在的問題，許多學者提出將神經網絡應用于無人駕駛卡車運動控制器中，運用其自適應學習的能力，提高魯棒性和容錯性，優化算法參數，提高算法精度，對無人駕駛車輛實現穩定及精確的控制。

綜上可知，環境感知、導航定位、路徑規劃、運動控制算法等新一代信息技術的快速發展，解決了無人駕駛系統架構和數據互通決策及高級計算的問題，然而距離全面感知、動態預測的全流程無人駕駛礦山仍有差距，下一步應集成調度系統、監視系統、高精地圖管理系統、運行仿真及測試系統、大數據存儲分析系統等模塊，實現礦區自動駕駛車輛的高效運輸和安全運行。

3 結論

在對露天礦無人駕駛技術國內外發展現狀綜述的基礎上，分析了露天礦無人駕駛技術具有運輸場所相對封閉、礦區分布相對集中、發展逐漸規模化等基礎條件，并且在降低成本、提高效率、保障安全等方面具有明顯的優勢，闡明了露天礦無人駕駛技術在未來有著廣闊的發展前景。通過對無人駕駛技術在露天礦具體的應用情況，總結得出現階段露天礦無人駕駛技術主要有環境感知、導航定位、路徑規劃、運動控制4項關鍵技術。并在對各項技術及其算法具體分析的基礎上，預測未來露天礦無人駕駛技術的發展趨勢主要以下幾點：

（1）利用多傳感器融合，提高環境感知能力。多傳感器數據融合的環境感知技術可以提高無人礦用卡車環境感知性能和魯棒性，減少外界環境對感知系統的影響。未來多傳感器數據融合感知技術，將會是露天礦無人駕駛環境感知技術的發展方向。

（2）采用組合導航定位，確定礦卡精準位置。使用組合導航定位技術，可以彌補單一導航定位技術的不足，從而增加無人礦卡定位系統的精度。組合導航定位技術也將會成為無人礦卡的主流定位技術。

（3）融合深度學習技術，優化路徑生成。不同的路徑規劃算法都存在著相應的缺點，對露天礦無人駕駛卡車的路徑規劃精度存在一定的影響，將深度學習技術應用于路徑規劃，通過訓練神經網絡模型來優化路徑的生成。

（4）應用神經網絡模型，實現車輛精確控制。將神經網絡模型應用至露天礦無駕駛卡車的運動控制技術中，可以利用其自適應學習能力，優化其他算法參數，使其可以在道路環境復雜多變的露天礦區，對無人駕駛卡車實現精準控制，保證卡車的運行效率和行駛安全。