基于精確定位技術的無軌膠輪車超員報警檢測

韓燕南

（1.中煤科工集團常州研究院有限公司，江蘇 常州 213015；2.天地（常州）自動化股份有限公司，江蘇 常州 213015）

輔助運輸是井工煤礦生產的必要環節，其主要任務是實現設備、材料及人員在地面與井下工作面之間，以及井下各工作點之間的運輸[1-2]。無軌膠輪車作為輔助運輸重要的運輸手段之一[3]，在《智能化示范煤礦驗收管理辦法（試行版）》文件中已明確無軌膠輪車管理系統須具備車輛運行狀態參數監測、智能安全預警、車輛精確定位等要求[4-6]。車輛超員報警檢測已屬于驗收必備功能。

近年來，眾多學者對礦井無軌膠輪車管理系統進行了大量研究。文獻[7]基于交通信號、視頻圖像、位置信息等關聯數據采集分析處理實現車輛智能調度管理；文獻[8-9]結合車輛位置數據與紅綠燈控制技術，實現了礦井車輛的信息化管理；文獻[10-11]采用超高頻RFID 模塊識別乘車人員信息，超寬帶UWB 模塊調整輸出發射功率結合的方式，實時統計車輛內載人數量，避免出現漏識別。

雖然礦井無軌膠輪車管理系統的研究取得了眾多成果，但在車輛超員報警檢測方面的研究較少。為此，設計了一種基于精確定位技術的車輛超員報警檢測方法。首先，將UWB 基站輸出的測距數據轉換為三維坐標，減少軌跡數據對基站的依賴，形成連續性軌跡；其次，根據車輛（含乘車人員）行進過程中的物理特征，采用相鄰時刻的定位數據確定行進方向向量，并執行軌跡預處理；再次，采用動態時間規整（DTW）算法執行車輛與乘車人員軌跡對齊，求解最佳路徑，獲取度量值；最后，人員軌跡與司機軌跡樣本做匹配，確定人員是否為乘車人員，以及車輛是否超員。此方法在某礦進行了實驗驗證，證明了所提方法的可行性和有效性。

1 系統架構

系統架構由物理架構和軟件模塊組成。物理架構負責采集車輛實時位置，軟件模塊負責根據車輛實時位置，計算軌跡相似度，最終得出車輛是否超員的結果。

1.1 物理架構

物理部署架構示意圖如圖1。

圖1 物理部署架構示意圖Fig.1 Physical deployment architecture diagram

物理架構可分為井上和井下2 部分。井上由無軌膠輪車管理系統主機和地面交換機組成，負責承載軟件運行平臺；井下部分由UWB 定位基站、井下環網交換機、井下車輛、車輛及人員識別卡組成，負責車輛、駕乘車人員的精確位置采集；井下和井下的交換機負責網絡通信傳輸。

1.2 軟件模塊

軟件模塊主要由軌跡生成、軌跡預處理、軌跡相似度度量和軌跡匹配組成。軟件模塊處理流程如圖2。

圖2 軟件模塊處理流程Fig.2 Software module processing flow

1）軌跡生成。基站輸出的測距信息屬于相對定位模式，即其“作用域”僅在當前基站范圍內有效，各基站間輸出的測距信息無邏輯關聯。利用三維空間轉換算法，將測距信息轉換為三維坐標，從而形成連續性軌跡。

2）軌跡預處理。受UWB 基站布置位置、多徑效應、非視距誤差等對定位精確的影響，其定位結果具有一定的波動性。利用車輛及司乘人員在行進過程中定位數據應呈現線性關系的物理特征，采用相鄰時刻的位置數據生成行進方向向量，并依此執行軌跡預處理。以保留軌跡整體趨勢，避免因干擾因素造成的誤判，提高方法整體的魯棒性。

3）軌跡相似度度量。受車輛與司乘人員軌跡采樣頻率不同影響，2 種對象的軌跡數據為2 個時間序列，采用動態時間規整（DTW）算法對其進行“拉伸”或“壓縮”后，構建累計距離矩陣，求解最佳路徑，求得相似度度量值。

4）軌跡匹配。構建司機軌跡度量值樣本空間，衡量人員軌跡與樣本空間的匹配程度。當人員的度量值處于標準差范圍內，系統判定為乘車人員，再根據車輛基礎配置信息，判定車輛是否超員。

2 具體實現

2.1 軌跡生成

車輛及人員的定位數據是由當前基站的測距信息確定的，不同基站產生的測距信息之間無任何關聯性。利用以下空間轉換算法，將基站的測距信息轉換為三維坐標，生成面向整個礦井的、連續性的軌跡數據。定位基站測距典型場景如圖3。圖中：D 為定位基站；M 為移動目標；a為定位基站負方向中線點；b為定位基站正方向中線點；L為定位基站至正方向中線點距離；Lc為移動目標至定位基站距離。

圖3 定位基站測距典型場景Fig.3 Typical scene of positioning base station ranging

移動目標在L距離下的比值r可由式（1）計算：

式中：(xd,yd,zd) 為定位基站坐標；(xb,yb,zb)為正方向b點坐標；Lc為定位基站輸出的測距距離。

移動目標坐標由式（2）計算：

式中：(xm,ym,zm)為移動目標坐標。

將移動目標坐標存儲至FIFO 軌跡隊列中，隊列結構為如圖4，隊列元素的數據結構如圖5。

圖4 隊列結構Fig.4 Queue structure

圖5 隊列元素數據結構Fig.5 Queue element data structure

2.2 軌跡預處理

受井下巷道斷面空間限制，車輛及司乘人員軌跡應具有單向性，車輛及司乘人員行進示意圖如圖6，圖中：D 為定位基站；M1、M2、M3為移動目標經過定位基站時的位置。車輛及司乘人員行進軌跡曲線示意圖如圖7。

圖6 車輛及司乘人員行進示意圖Fig.6 Vehicle and driver-passenger moving diagram

圖7 車輛及司乘人員行進軌跡曲線示意圖Fig.7 Vehicle and driver-occupant trajectory curve diagram

由圖6 觀察可得，軌跡曲線應呈現線性關系的物理特征。

由圖7 從軌跡曲線來看：車輛首次進入基站信號覆蓋范圍時，距離值最遠；當車輛及司乘人員接近基站時，距離值趨于0；當駛離基站時，距離值再次變大。受UWB 布置位置、多徑效應、非視距誤差等對定位精確的影響，UWB 定位結果具有一定波動性。車輛行進至紅色處時將產生軌跡調頭現象，但從實際現場情況來看，車輛是難以在短時間內完成調頭動作，因此紅色點可以判定為噪聲點。另外，從曲線的整體趨勢來看，軌跡曲線呈現“V”字形，進一步證實了紅色為噪聲點的判斷。

因此，利用此物理特征，采用相鄰時刻的位置數據生成行進方向向量，并依此執行軌跡數據預處理。

軌跡向量選擇如圖8，圖中：a、b為相鄰時刻軌跡點；c、d、e、···、j為下一時刻軌跡點（潛在點）。

圖8 軌跡向量選擇Fig.8 Trajectory vector selection

相鄰時刻軌跡點ab生成的空間向量為，下一時刻的軌跡點構建的潛在空間向量為。根據圖8 可 得：和向 量與原始向 量方向相反，即潛在軌跡點f點與g點為噪聲點。

式 中：(xba,yba,zba) 為向 量；(xcb,ycb,zcb) 為向量。

根據內積值的正負性，確定兩向量方向。對應關系如下：

根據上述定義，當m＜0時為噪聲點。

2.3 軌跡相似度度量

因車輛與司乘人員軌跡采樣頻率不同，2 類對象的軌跡數據是屬于不同時間序列。故采用動態時間規整（Dynamic Time Warping，DTW）算法對2 類對象的軌跡相似度進行度量。該算法是一種用于比較2 個時間序列相似度的算法，其主要思想是對數據進行“拉伸”或“壓縮”后“對齊”，求解其中的最佳匹配路徑，從而得到相似性度量值。

假設車輛軌跡時間序列為V={V1,V2,···,V6}，司乘人員軌跡時間序列為P={P1,P2,···,P4}，軌跡數據匹配示意圖如圖9，圖中：頭節點為V1→P1；尾節點為V6→P4；中間節點為V2→P2、V3→P2、V4→P2、V5→P3。

圖9 軌跡數據匹配示意圖Fig.9 Trajectory data matching diagram

度量過程分為：①構建累計矩陣；②路徑回溯；③距離度量。

1）構建累計矩陣。結合先前的假設，構建4×6的矩陣D，對矩陣元素賦值。賦值后，形成累計矩陣示意圖，累計矩陣示意圖如圖10。

圖10 累計矩陣示意圖Fig.10 Cumulative matrix diagram

式中：d為兩點間的空間距離值；（xV,yV,zV）為V點坐標；（xP,yP,zP）為P點坐標。

2）路徑回溯。路徑回溯即求解最佳匹配路徑過程。以右上角元素為起始點，與左、左下和下元素值進行比較，取最小值作為下1 次路徑比對值。依此類推，完成整個矩陣從右上角至左下角的最佳匹配路徑。比對方法如圖11，最佳匹配路徑示意圖如圖12。從示意圖來看，最佳匹配路徑為：[（V1 →P1）,（V2 →P2）,（V3 →P2）,（V4 →P2）,（V5 →P3）,（V6 →P4）]。

圖11 比對方法Fig.11 Comparison strategy

圖12 最佳匹配路徑示意圖Fig.12 The best matching path diagram

3）距離度量。采用式（6）計算最佳匹配路徑值distavg：

式中：disti(V,P)為 第i個 匹配對的空間距離；n為最佳匹配路徑數量。

2.4 軌跡匹配

提取司機軌跡度量值作為樣本，形成樣本空間，以1 個標準差為相似度衡量范圍，衡量人員軌跡與樣本空間的相似程度，從而判定人員是否為乘車人員，再進一步根據車輛基礎配置，判定此刻車輛是否超員。

軌跡匹配的工作流程如圖13。

圖13 軌跡匹配工作流程Fig.13 Trajectory matching workflow

1）第1 步。讀取系統基礎配置，包括人員、車輛標識卡號，司機與車輛的關系，車輛限員等配置信息。再根據基站輸出的定位信息計算出人員與車輛的度量值。

2）第2 步。若軌跡為司機時，將度量值存入樣本空間中，并更新樣本空間的標準差。流程結束。若軌跡為其他人員時，進入下一判斷流程。

3）第3 步。提取樣本的標準差，判斷人員軌跡是否在1 個標準差內，若在則判定為乘車人員，進而根據系統基礎配置，判定車輛是否超員，若不在標準差內，則判定為人員為其他人員，流程結束。

以司機軌跡度量值為樣本空間，設樣本期望為 μ，其他人員軌跡度量值為隨機變量X，通過大量數據觀察發現：當X＜μ時，人員為乘車人員概率逐漸增大；當X＞μ時，概率逐漸變小；當X=μ 時，概率最大。故推斷出隨機變量X服從參數為 μ 和 σ2的正態分布。其中：σ2為方差；σ為標準差。根據正態分布特征，隨機變量X取值落在區間（μ-σ,μ+σ）內的概率約為63%，落在區間（μ-2σ,μ+2σ）內的概率約為95.4%；落在區間（μ-3σ,μ+3σ）內的概率約為99.7%。

綜合井下環境復雜，定位信息存在誤差等情況，選取1 個標準差范圍內作為乘車人員的衡量標準。

利用式（7）、式（8）、式（9）計算樣本期望、樣本方差和樣本標準差：

式中：μ為樣本期望；X為樣本隨機變量，N為樣本例數。

3 試驗分析

在某礦進行系統試驗，該礦主巷道部署UWB定位基站61 個，已基本實現重點路段UWB 信號全覆蓋；在冊車輛數104 輛；在冊人數870 人。選取“27-緩坡斜井1 000 m”和“115-輔運大巷800 m”2 個定位基站作為測試基站（以下以D1和D2描述），2 基站為連續分布，選取運人車為測試車輛。測試方法為測試車輛從緩坡斜井處行進至輔運大巷中，試驗過程中記錄定位數據、算法生成的中間數據和最終結果，通過數據比對和人為觀察驗證功能的準確性和算法的運行性能。試驗環境如圖14。

圖14 試驗環境Fig.14 Experimental environment

3.1 軌跡生成

1）單基站試驗。以D1定位基站為測試基站，記錄測試車輛經過基站時獲取的測距信息，與算法轉換后的空間距離（即轉換后空間坐標與定位基站間的距離）做比對。試驗結果表明：樣本轉換過程中產生的數據損耗約為48 mm，轉換過程幾乎無損，可滿足應用要求。

2）跨基站試驗。以D1和D2為測試基站，記錄測試車輛經過2 個基站時的軌跡。跨基站試驗結果如圖15。從圖15 觀察可得：算法生成的運動軌跡點 {V1→V2→···→V7}為連續性軌跡。盡管軌跡點V4為2 基站信號重疊區域，經算法轉換后，仍使得整個運動軌跡具有連續性。

圖15 跨基站試驗結果Fig.15 Experimental result

3.2 軌跡預處理

以D1定位基站為測試基站，對比車輛經過基站的原始軌跡曲線與預處理后的軌跡曲線差異，以驗證功能的準確性。原始軌跡與預處理后軌跡試驗數據如圖16。

圖16 原始軌跡與預處理后軌跡試驗數據Fig.16 Experimental data of original trajectory and preprocessed trajectory

由圖16 可知：預處理軌跡在保留原始軌跡趨勢的前提下，可對凸起的噪聲點進行有效屏蔽（即圖中預處理軌跡缺失的部分），結果符合設計預期。

3.3 軌跡匹配

以D1定位基站為測試基站，測試車輛反復經過測試基站，獲取司機的軌跡度量值曲線。

司機軌跡度量值曲線符合正態分布特征，樣本期望為9.76，樣本方差為2.02。

分別記錄乘車人員和車外人員落在范圍的概率，乘車人員和車外人員落在范圍內的概率情況見表1。表1 中范圍1、范圍2 和其他的區間定義如圖17。

表1 乘車人員和車外人員落在范圍內的概率情況Table 1 The probability of passengers and people outside the vehicle falling within the range

圖17 區間定義Fig.17 Range definition

試驗數據表明：軌跡匹配方法的正確率在95.12%，受環境因素以及車輛行進時速度不穩的影響，存在5%左右的漏判，無誤判。

3.4 性能試驗

以試驗現場為例，在算法函數前后增加性能監聽函數，經過一段時間的運行，累計記錄2 000次性能記錄，其中運行最大耗時為42 ms，最小耗時為20 ms，平均耗時約為30 ms。

試驗結果表明：此方法的運行性能可滿足于現場應用要求。

4 結語

1）為解決乘車人員漏識別，導致車輛超員無法有效管控，存在安全隱患的問題，設計了一種基于精確定位技術的車輛超員報警檢測方法。該方法通過軌跡生成、軌跡預處理、軌跡相似度度量和軌跡匹配4 個步驟實現。

2）在某礦的現場試驗結果表明：方法正確率在95.12%；方法平均邏輯響應時間約為30 ms，可滿足現場應用要求。

3）方法具有2 項優勢：①實用性：方法性能穩定、運行時效性高，可減少礦井安全隱患；②低成本：相比于硬件實現方案來說，軟件成本較低。