国内外露天矿山无人驾驶研究现状分析与发展前景*

陈善有 郭 洋 田 斌 李 涛 刘 宾 郭 顺 江 松，4

（1.西安建筑科技大学资源工程学院；2.西藏中凯矿业股份有限公司；3.西安建筑科技大学信息控制与工程学院；4.西安市智慧工业感知、计算与决策重点实验室）

随着开采深度增大，露天矿山行业运输成本高、运输安全事故频发、车辆调度困难等问题日益凸显。国内外专家学者在智能矿山建设方面进行了大量探索与研究，以降低开采矿山的难度，确保一线工作人员的生命健康。在保障矿区生产指标的基础上，实现低人工、高智能化的环境友好型生产体系［1］。因此，矿山运输无人驾驶技术将成为未来智能环保型矿山生产体系的重要基石［2］。

无人驾驶技术的应用可以大大提高露天矿山运输的效率和安全性，从而使得整个生产过程更加智能化、自动化［3］。相比传统的露天矿山开采过程，无人驾驶技术应用的重要性不言而喻。在这个过程中，无人驾驶技术能够显著降低运营成本，提高运输效率，并且减少了人员伤亡事故的发生。同时，由于无人驾驶技术可以不受环境限制，可以在夜间等特殊时间进行作业，从而使得整个开采过程更加灵活多变。

本文在充分梳理国内外文献的基础上，对露天矿无人技术的发展现状和核心技术及其算法等方面进行分析，探讨无人驾驶技术在露天矿的广阔发展前景，以及核心技术的改进方向和未来发展趋势，旨在为我国露天矿无人驾驶技术的发展和应用提供借鉴和参考。

1 露天矿无人驾驶技术的发展与现状

20 世纪80 年代，美国卡特彼勒公司开始研究矿用无人卡车，并于21 世纪推出“mine star”系统，该系统极大推动了露天矿无人驾驶技术的发展。日本小松公司于2008年开始与矿业公司力拓合作并试验其自动运输系统（AHS），目前该技术已在智利和澳大利亚皮尔巴拉地区成功应用，并且其总运量达10亿t［4］。2016 年9 月，小松公司在拉斯维加斯的Minexpo International 上推出了创新的自动运输卡车，取消了卡车机舱，更好地将重量平均分配给4 个车轮，并且该卡车使用四轮驱动和四轮转向，以获得更好的抓地力和机动性，实现了该车辆在前进和反向行驶方向上的高性能穿梭，大大提高矿山的生产率［5］。到目前为止国外无人驾驶技术其产业链上下游已经出现头部企业，并在逐渐走向成熟，如表1所示。

1992 年研制的红旗系列驾驶汽车成为国内首辆真正意义上的无人驾驶汽车，并于2011 年7 月完成了长沙至武汉全程274 km 的无人驾驶试验。近年来国内各大型矿山企业均在向智能采矿方向转型，根据表2可知，目前国内许多矿山企业已经与相应的无人驾驶企业进行合作，并取得了一定的进展。

2 露天矿无人驾驶核心技术

随着露天矿无人驾驶技术的不断完善，不仅降低了矿区运营管理成本，还进一步促进了矿区向着绿色、经济、安全、高效等方向不断发展。通过对矿区无人驾驶技术应用实例［6-10］的梳理总结发现，目前露天矿无人驾驶系统在感知、规划、控制3 个层面主要有环境感知、导航定位、路径规划、运动控制等核心技术，相关层级逐步递进，其技术架构如图1所示。

2.1 环境感知与导航定位

环境感知系统是露天矿卡无人驾驶的必要条件，主要利用各种传感器对卡车周围环境进行特征信息采集，实现卡车周围环境模型的建立、车辆位置信息的确定，为规划和决策层提供数据支持。环境感知系统主要分为外部环境感知技术和导航定位技术。

2.1.1 环境感知技术

露天矿区的外部环境感知系统主要有地面分割、障碍检测等主要任务。环境感知系统主要是通过激光雷达实现地面分割。基于激光雷达的地面分割方法主要有栅格单元法、射线特征法、平面拟合法3 类。栅格单元法主要是将点云映射到栅格中，以栅格的特征判断点云的属性和特征，但，在使用局部点云信息的同时未考虑全局路面的连续性，易遭受外部环境的影响。摄线特征法虽在一定程度上考虑了全局路面的连续性，但其采用线性工作原理只能解决简单的区域地面分割问题，不适用于多坑洼、多障碍物的道路环境。平面拟合法是一种高精度、高鲁棒性的地面分割法，可以在复杂多变的环境中准确获取地面信息。而此方法更是引起了许多学者的关注和研究。ZERMAS 等［11］针对提取地面算法不稳定等特性，提出了多区域点云的路面算法，提高了地面提取的稳定性。管郡智等［12］针对地面提取算法不稳定、精度较低等特性，提出了多区域稳定点云的路面算法，大大提高了地面提取的精度和稳定性。

障碍检测是环境感知的重要任务，是实现无人卡车在矿区安全行驶的重要保障。MEI 等［13］采用基于机器视觉的障碍检测技术，通过高清摄像机对道路障碍物的对称性、纹理等特征进行检测，但其数据采集距离较小、不能很好地满足露天矿区环境感知的需求。王荣本等［14］提出了双目立体视觉的感知技术，有效地解决了非结构化道路环境光照多变、场景复杂等问题，但其采集精度较差，单一使用时仍不能满足露天矿区高精度的感知要求。阮顺领等［15］提出了基于双向特征融合的露天矿区道路障碍检测方法，高度融合高清相机和雷达所采集到的数据，从而得到更加准确的障碍物位置信息，对复杂多变的露天矿区具有更强的实用性。

虽然单一传感器在环境感知方面取得了一定的进展，但受工作原理和算法的影响，无法满足露天矿区道路环境复杂多变以及多恶劣天气等特点。因此可以利用基于多传感器数据融合的技术手段，提高矿用卡车对矿区环境感知的性能。露天矿无人驾驶卡车多环境感知设备布置如图2所示。

2.1.2 导航定位技术

导航定位技术是实现矿用卡车自动驾驶的重要技术保障。常用的导航定位技术主要有GNSS 全球定位技术、磁导航定位技术、惯性导航定位技术、SLAM 技术等。GNSS 全球定位技术的优点在于精度高、定位时间短、无累计误差、可全球全天连续定位。但是信号穿透能力差，易被遮挡和丢失。惯性导航定位技术具有抗干扰能力强、频率高、独立性好等优点，保证了数据传输的稳定性和连续性。但是惯性导航系统采用积分的工作原理，经过一定的时间会造成一定的累积误差。磁导航定位技术的优点在于检测结果准确稳定，信号不易被遮挡丢失，不受恶劣环境的影响。但成本高、维护难，不便于大规模地使用。SLAM 技术具有环境适应能力强、定位精度高、可融合多种传感器的优点。但是存在实时性差、易遭受外部环境影响等不足。

而组合导航定位技术可以克服单个定位技术的不足，提高定位能力。目前最常用的组合是GNSS 和视觉SLAM 组合定位。利用SLAM 技术可以有效改善GNSS 信号穿透能力差、易丢失等缺点。而GNSS又可以弥补SLAM 累计误差大等不足。因此这种组合定位技术在复杂多变露天矿道路环境具有较大的发展潜力。为了进一步提高该组合定位技术的定位精度，并且在GNSS 信号较弱时仍能进行持续定位，王磊等［16］提出了利用视觉辅助GNSS 的紧耦合定位方法，利用紧耦合定位算法大大提高该组合的定位精度。除此之外，GNSS 和惯性导航组合定位技术也备受许多学者的研究和关注。QIN FENG 等［17］提出了一种基于惯性测量单元的GNSS 和惯性导航组合定位系统，该系统可以对每颗卫星进行捕获和跟踪，从而增强了对车辆定位的实时性。

2.2 路径规划

路径规划是实现露天矿卡无人驾驶的关键环节，其根据导航定位技术与环境感知技术确定的起始点与目标点找到一条连续的运动轨迹后，在避开障碍物的同时尽可能优化路径。常用的路径规划算法可以分为基于图搜索和基于采样2种。

2.2.1 基于图搜索的路径规划

基于图搜索的路径规划有Dijkstra算法和A 算法2 种经典的算法。Dijkstra 算法通过图中的边权重来计算最短路径，适用于静态环境下的路径规划。A算法在Dijkstra 算法的基础上引入了启发式估计函数，能够在大规模图上更高效地搜索路径。由于矿山中存在大量的障碍物和动态环境，在图结构的构建和更新的困难使这些算法在矿山复杂条件下的应用受到限制。为此，研究提出了D*Lite 算法，它通过使用增量搜索和启发式估计函数，实现了高效的路径规划［18］。针对有动态障碍物的环境，研究提出Lifelong Planning A*算法［19］，该算法通过逐步改善路径质量来减少搜索量，并根据环境变化的信息动态更新路径，以提高路径规划的效率和适应性。

2.2.2 基于采样的路径规划

基于采样的路径规划算法通过随机采样和逐步扩展的方式来生成路径。RRT（Rapidly-exploring Random Tree）算法是其中一种常用的方法。该算法通过随机采样和快速扩展树结构的方式，可以有效地应对复杂的矿山环境。除了RRT 算法之外，研究人员提出了PRM（Probabilistic Roadmap）算法，该算法通过在配置空间中随机采样节点，并通过连接和优化节点来构建一个路网图。然后使用图搜索算法在路网图上搜索路径。PRM 算法的优点在于能够在离散化的配置空间上进行路径规划。但是并不适用于动态环境下的实时路径规划。另一个基于采样的路径规划算法是SRT（Sampling-based Roadmap Trees）算法。SRT 算法通过在配置空间中随机采样节点，并逐步扩展树结构来生成路径，在连接树节点时采用了不同的策略。因此SRT 算法在高维和复杂环境中具有较好的效果，能够处理障碍物和动态环境。但其路径质量不如RRT*算法优越，并且对于全局路径规划不够高效。针对路径规划算法的限制，研究人员提出了将基于深度学习的方法用于路径规划，通过训练神经网络模型来实现路径生成和优化。

2.3 运动控制

轨迹跟踪控制技术作为露天矿山实现车辆无人驾驶控制的关键技术，可以精确跟踪规划的路径，控制车辆运行的状态和参数，保证无人驾驶卡车的安全性和稳定性。目前常用的控制方法大致分为经典控制法和模型预测控制法2类。

2.3.1 经典控制法

经典控制法主要有PID（proportional integral derivative）控制、LQR 模糊控制等。PID（proportional integral derivative）控制是传统控制方法中一种适用性广、鲁棒性好的控制方法。无人驾驶领域中常结合PI 来实现车辆的纵向运动控制，结合PD 来实现车辆的横向运动控制。LQR 控制算法针对线性系统进行控制，使用被控制系统状态变量的二次型积分作为评价指标，通过求解Riccati 方程来获得最佳的控制方法。因此可达到闭环控制的目的。张佳奇等［20］提出一种以预瞄理论为基础的模糊自适应PID 控制方法，用于解决控制对象发生改变时控制参数的实时调整；胡杰等［21］使用预瞄PID 方法进行转角补偿，以消除稳态误差并提高跟踪精度。叶明等［22］根据pure pursit算法对局部路径规划层输出的最优路径进行追踪，通过各算法比对得到其跟踪效果收敛性好，控制效果稳定，且优于其他算法。

2.3.2 模型预测法

模型预测控制法利用受控系统的模型，按照模型预测、反馈校正、滚动优化的步骤完成自动化控制。李骏等［23］提出基于MPC 算法构建车辆运动学模型，通过引入前轮转角和车速的约束条件，并设定基于位置偏差和控制增量的目标函数来得到最佳的行驶速度和前轮转角，以实现更精确的行驶轨迹跟踪。谢辉等［24］提出了一种基于模型预测控制算法的横纵向综合控制策略。该策略能够有效地实现车辆在纵向速度和横向位置上的精确跟踪。WANG 等［25］改进了MPC 算法的适应性，可更好地实现人机交互，能兼容车辆不同传感器和轮胎的特征，使横向、纵向控制的稳定性较好，能提高车辆转向和移位的精度。

针对以上算法存在的问题，许多学者提出将神经网络应用于无人驾驶卡车运动控制器中，运用其自适应学习的能力，提高鲁棒性和容错性，优化算法参数，提高算法精度，对无人驾驶车辆实现稳定及精确的控制。

综上可知，环境感知、导航定位、路径规划、运动控制算法等新一代信息技术的快速发展，解决了无人驾驶系统架构和数据互通决策及高级计算的问题，然而距离全面感知、动态预测的全流程无人驾驶矿山仍有差距，下一步应集成调度系统、监视系统、高精地图管理系统、运行仿真及测试系统、大数据存储分析系统等模块，实现矿区自动驾驶车辆的高效运输和安全运行。

3 结论

在对露天矿无人驾驶技术国内外发展现状综述的基础上，分析了露天矿无人驾驶技术具有运输场所相对封闭、矿区分布相对集中、发展逐渐规模化等基础条件，并且在降低成本、提高效率、保障安全等方面具有明显的优势，阐明了露天矿无人驾驶技术在未来有着广阔的发展前景。通过对无人驾驶技术在露天矿具体的应用情况，总结得出现阶段露天矿无人驾驶技术主要有环境感知、导航定位、路径规划、运动控制4项关键技术。并在对各项技术及其算法具体分析的基础上，预测未来露天矿无人驾驶技术的发展趋势主要以下几点：

（1）利用多传感器融合，提高环境感知能力。多传感器数据融合的环境感知技术可以提高无人矿用卡车环境感知性能和鲁棒性，减少外界环境对感知系统的影响。未来多传感器数据融合感知技术，将会是露天矿无人驾驶环境感知技术的发展方向。

（2）采用组合导航定位，确定矿卡精准位置。使用组合导航定位技术，可以弥补单一导航定位技术的不足，从而增加无人矿卡定位系统的精度。组合导航定位技术也将会成为无人矿卡的主流定位技术。

（3）融合深度学习技术，优化路径生成。不同的路径规划算法都存在着相应的缺点，对露天矿无人驾驶卡车的路径规划精度存在一定的影响，将深度学习技术应用于路径规划，通过训练神经网络模型来优化路径的生成。

（4）应用神经网络模型，实现车辆精确控制。将神经网络模型应用至露天矿无驾驶卡车的运动控制技术中，可以利用其自适应学习能力，优化其他算法参数，使其可以在道路环境复杂多变的露天矿区，对无人驾驶卡车实现精准控制，保证卡车的运行效率和行驶安全。