CN106836364B - 智能挖掘机的自动控制系统及最优轨迹规划方法 - Google Patents

Abstract

本发明公开了一种智能挖掘机的自动控制系统及最优轨迹规划方法，所述的系统包括数据采集与执行模块、网络、处理器和存储装置，所述的数据采集与执行模块包括3D扫描仪、功率传感器、接近传感器、位移传感器、角度传感器、扭矩传感器、信息装置、控制器、处理器、存储装置和无线收发器。由于本发明采用了3D扫描仪确定待挖掘物料表面的轮廓，并通过处理器得到轮廓的坐标矩阵，从而对料堆进行了精确地建模，实现了对挖掘复杂料堆表面载荷的精确预测。由于本发明通过信息装置及处理器对挖掘机挖掘过程中的控制参数进行了优化，实现了挖掘载荷最小，挖掘能耗最低的目的。本发明改进了载荷预测算法的准确性，实现了对挖掘载荷的精确预测。

Description

智能挖掘机的自动控制系统及最优轨迹规划方法

技术领域

本发明涉及挖掘机的控制技术，特别是一种智能挖掘机的最优轨迹规划方法。

背景技术

操作诸如大型矿用挖掘机的大型机器较为复杂，并且不同操作人员的操作技术与操作习惯具有差异而导致操作不能达到统一标准化，所以人工操作大型矿用挖掘机效率低且不稳定。

另外，目前对料堆的确定普遍是将扫描后的料堆拟合成一个固定堆积角的斜面，并没有考虑到料堆不同位置的起伏与其复杂性，这就可能导致包括挖掘不能满斗、挖掘阻力过大、挖掘能耗过高和对铲斗及斗齿磨损过快等情况的发生。

另外，挖掘载荷预测方面一直以来都缺少一个相对完善的数学解析式。由于物料的复杂性，不同的工况的物料参数(如内摩擦角、外摩擦角、粘度、物料破坏面与表面夹角等)有着较大的差异并且难以测量，这对预测的准确性造成了很大的影响。

发明内容

为解决现有技术存在的上述问题，本发明要设计一种无需人员操作、能确定当前工况下最优挖掘轨迹并且能根据实际挖掘过程不断改善载荷预测算法的智能挖掘机的自动控制系统及最优轨迹规划方法。

为了实现上述目的，本发明的技术方案如下：智能挖掘机的自动控制系统，包括数据采集与执行模块、网络、处理器和存储装置，所述的数据采集与执行模块、网络、处理器和存储装置通过数据线双向串联；所述的数据采集与执行模块安装在挖掘机上，所述的处理器和存储装置设置在挖掘机外的控制室内；

所述的数据采集与执行模块包括3D扫描仪、功率传感器、接近传感器、位移传感器、角度传感器、扭矩传感器、信息装置、控制器和无线收发器，所述的3D扫描仪、功率传感器、接近传感器和位移传感器分别与信息装置连接，所述的信息装置分别与控制器和无线收发器连接，所述的无线收发器与网络连接；

所述的3D扫描仪用于确定待挖掘物料表面的轮廓，形成待挖掘的物料表面轮廓数据；

功率传感器用于测量各工作电机在挖掘过程中的所消耗的功和功率；

接近传感器用于获得铲斗及挖掘机机架的相对位置；

位移传感器和角度传感器分别用于测量斗杆的伸缩位移及其转角，从而确定出铲斗的空间坐标；

扭矩传感器用于测量各工作电机挖掘过程中输出的扭矩；

所述的处理器处理接收到的信息，并根据所接收到的信息对挖掘轨迹及载荷预测模型进行优化，并将优化后的挖掘程序通过网络发送到信息装置中，将新建的载荷预测模型信息存储在存储装置中。

进一步地，所述的网络包括无连接网络、虚拟网络、无线电路网络、电话网络、PTOS网络、专用网络、非PTOS网络、PSTN网络、非PSTN网络、电缆网络、人造卫星网络、微波网络、双绞线网络、IEEEE 802.03网络、以太网络、蜂窝式网络、令牌环网络、局域网络、广域网络、DSL网络、IP网络、因特网、内联网、无线网络、超宽带网络、公共网络、Wi-Fi网络、蓝牙网络、机场网络、电路交换网络、分组交换网络、IEEE 802.11网络、IEEE 802.11b网络、IEEE802.11g网络、X-10网络或电源网络。

智能挖掘机的最优轨迹规划方法，包括以下步骤：

A、启动智能挖掘机上的数据采集与执行模块；

B、数据采集与执行模块接收处理器发送来的挖掘计划，挖掘计划包括挖掘料堆位置和需要挖掘的物料体积；

C、3D扫描仪开始扫描料堆，读取采掘坐标、采掘地形、采掘表面的数字图像；

D、根据由智能挖掘机所接受的挖掘计划重新定位挖掘机；并通过处理器将采集的3D轮廓数据点进行细分，在铲斗挖掘宽度范围内等分成多个数组，将多个数组形成多个料堆经度的轮廓线，自动处理计算得到多个挖掘轨迹，并使其满足铲斗满斗率约束、斗杆最大伸长量约束、出料高度约束、最大挖掘高度约束和无啃底约束，确定出该工况下的最优挖掘轨迹。处理器将最优挖掘轨迹编译成挖掘程序，并发送给信息装置；

E、信息装置获取接近传感器、位移传感器和角度传感器的信息，并与所接收到的挖掘程序进行对比，从而判断当前铲斗是否在适当的位置，若不在适当位置，则转到步骤F；若在适当位置，则转到步骤G；

F、控制器使铲斗调整到合适的位置；

G、控制器执行挖掘机的例行挖掘程序；

H、在挖掘机的实际挖掘过程中，功率传感器、接近传感器和位移传感器将实际挖掘过程中所得到的信息反馈给处理器；

I、重新改进挖掘的载荷预测与优化方法；比较执行最优挖掘程序的结果和实际挖掘的结果；如果最优挖掘程序的结果与实际挖掘的结果相差较大，则修正所存储的载荷预测方法，并通过优化的方法重新对料堆的物理参数进行标定。

J、处理器根据扭矩传感器得到的平衡位置时的扭矩计算出已挖掘的物料质量，根据物料容重得到已挖掘物料体积，从而判断是否完成挖掘计划。若没有完成，转步骤C。若已完成，则结束此次挖掘并等待接收新的挖掘计划。

进一步地，步骤D所述的最优挖掘轨迹的确定方法包括以下步骤：

D1、由3D扫描仪得到料堆所有对应节点的坐标p的矩阵如下：

p_mn＝p_mn(x,y)

式中，i为扫描矩阵的最大行数，j为扫描矩阵的最大列数，m,n分别为矩阵的行和列范围内的任意数值，x,y为该点所对应的二维坐标；

D2、处理器通过改变预计控制参数得到预计挖掘轨迹s对应的坐标矩阵；

[s₁ s₂…s_j]

s_n＝s_n(x,y)

D3、根据以上两个矩阵得到不同料堆扫描经度剖面位置处铲斗挖掘的阴影面积：

D4、根据不同料堆扫描经度剖面位置处铲斗挖掘的阴影面积得到其总的挖掘体积：

其中：V为总挖掘体积，B为铲斗宽度。

切向挖掘阻力F_τ和法向挖掘阻力F_n通过经验公式进行初步的预测：

其中：σ_m为挖掘比阻力，φ为内摩擦角，δ为外摩擦角，c为粘度，ρ为料堆破坏面与料堆表面夹角，λ为料堆堆积密度，C为挖掘深度，ζ为比例系数。

D5、根据步骤D1-D4的计算，对挖掘轨迹进行优化，具体优化方法如下：

findx＝[x₁,x₂,x₃]^T＝[v_τ,v_n,L3]^T

s.t.V_min≤V≤V_max

lg≤c1 (lg＝lg0+vc·tc)

θ_p1≥θ₁ [θ_p1(t,v,a2)]

p_1max≤h_c

dl_p≥0 [dl_p(L3,t,v)]

其中：lg为斗杆最大伸长量约束，θ_p1为出料高度约束，p_1max为最大挖掘高度约束，dl_p为无啃底约束。设计变量为挖掘机的控制参数，分别为切向速度v_τ和法向速度v_n，通过改变这两个速度来改变挖掘轨迹。优化目标为单位有效挖掘质量所需能耗其中m为铲斗内物料的质量。

对上式进行优化计算，确定最优挖掘轨迹。

进一步地，步骤I所述的载荷预测方法的修正方法如下：在经过实际挖掘过程后，安装在挖掘机上的功率传感器、位移传感器、角度传感器和扭矩传感器得到实测挖掘载荷F_prac，此时处理器对比实测挖掘载荷F_prac与预测挖掘载荷F，若误差大于临界值，则对挖掘载荷预测方法进行修正，具体方法如下：

find x＝[x₁,x₂,x₃,x₄,x₅,x₆]＝[φ,δ,c,ρ,ζ,λ]

Min ΔF＝|F_prac-F|

上式为根据实际挖掘载荷对预测挖掘载荷中的参数进行优化，参数分别为内摩擦角φ、外摩擦角δ、粘度c、料堆破坏面与料堆表面夹角ρ和料堆堆积密度λ，ζ为比例系数；优化目标为实际挖掘载荷与预测挖掘载荷之差的绝对值，使其最小，则得到的物料参数与实际越贴近；约束为料堆物理参数的下界，为料堆物理参数的上界；之后再将优化所得到的结果发送到存储装置当中，作为下次挖掘时载荷预测的参数。

进一步地，步骤D5所述的优化计算的方法为单纯形法、梯度下降法、遗传算法、蚁群法、退火法、禁忌搜索法、粒子群算法、梯度投影法或罚函数法。

与现有技术相比，本发明具有以下有益效果：

1、由于本发明采用了3D扫描仪确定待挖掘物料表面的轮廓，并通过处理器得到轮廓的坐标矩阵，从而对料堆进行了精确地建模，实现了对挖掘复杂料堆表面载荷的精确预测。

2、由于本发明通过信息装置及处理器对挖掘机挖掘过程中的控制参数进行了优化，实现了挖掘载荷最小，挖掘能耗最低的目的。

3、由于本发明通过挖掘过程中功率传感器、位移传感器、角度传感器和扭矩传感器对信息装置的反馈，处理器进一步的对原有的载荷预测算法进行优化及定义，从而改进载荷预测算法的准确性，进一步的实现了对挖掘载荷的精确预测。也使得智能挖掘机可以自适应地学习并可以自适应地改善性能和准确性。

附图说明

图1是本发明的方法流程图；

图2是本发明的扫描料堆矩阵示意图；

图3是本发明的挖掘体积计算剖面示意图；

图4是本发明的组成示意图。

图中：1、3D扫描仪，2、功率传感器，3、接近传感器，4、位移传感器，5、角度传感器，6、扭矩传感器，7、信息装置，8、控制器，9、无线收发器，10、网络，11、处理器，12、存储装置。

具体实施方式

下面结合附图对本发明进行进一步地描述。如图1-4所示，智能挖掘机的自动控制系统，包括数据采集与执行模块、网络10、处理器11和存储装置12，所述的数据采集与执行模块、网络10、处理器11和存储装置12通过数据线双向串联；所述的数据采集与执行模块安装在挖掘机上，所述的处理器11和存储装置12设置在挖掘机外的控制室内；

所述的数据采集与执行模块包括3D扫描仪1、功率传感器2、接近传感器3、位移传感器4、角度传感器5、扭矩传感器6、信息装置7、控制器8和无线收发器9，所述的3D扫描仪1、功率传感器2、接近传感器3和位移传感器4分别与信息装置7连接，所述的信息装置7分别与控制器8和无线收发器9连接，所述的无线收发器9与网络10连接；

所述的3D扫描仪1用于确定待挖掘物料表面的轮廓，形成待挖掘的物料表面轮廓数据；

功率传感器2用于测量各工作电机在挖掘过程中的所消耗的功和功率；

接近传感器3用于获得铲斗及挖掘机机架的相对位置；

位移传感器4和角度传感器5分别用于测量斗杆的伸缩位移及其转角，从而确定出铲斗的空间坐标；

扭矩传感器6用于测量各工作电机挖掘过程中输出的扭矩；

所述的处理器11处理接收到的信息，并根据所接收到的信息对挖掘轨迹及载荷预测模型进行优化，并将优化后的挖掘程序通过网络10发送到信息装置7中，将新建的载荷预测模型信息存储在存储装置12中。

进一步地，所述的网络10包括无连接网络、虚拟网络、无线电路网络、电话网络、PTOS网络、专用网络、非PTOS网络、PSTN网络、非PSTN网络、电缆网络、人造卫星网络、微波网络、双绞线网络、IEEEE 802.03网络、以太网络、蜂窝式网络、令牌环网络、局域网络、广域网络、DSL网络、IP网络、因特网、内联网、无线网络、超宽带网络、公共网络、Wi-Fi网络、蓝牙网络、机场网络、电路交换网络、分组交换网络、IEEE 802.11网络、IEEE 802.11b网络、IEEE802.11g网络、X-10网络或电源网络。

智能挖掘机的最优轨迹规划方法，包括以下步骤：

A、启动智能挖掘机上的数据采集与执行模块；

B、数据采集与执行模块接收处理器11发送来的挖掘计划，挖掘计划包括挖掘料堆位置和需要挖掘的物料体积；

C、3D扫描仪1开始扫描料堆，读取采掘坐标、采掘地形、采掘表面的数字图像；

D、根据由智能挖掘机所接受的挖掘计划重新定位挖掘机；并通过处理器11将采集的3D轮廓数据点进行细分，在铲斗挖掘宽度范围内等分成多个数组，将多个数组形成多个料堆经度的轮廓线，自动处理计算得到多个挖掘轨迹，并使其满足铲斗满斗率约束、斗杆最大伸长量约束、出料高度约束、最大挖掘高度约束和无啃底约束，确定出该工况下的最优挖掘轨迹。处理器11将最优挖掘轨迹编译成挖掘程序，并发送给信息装置7；

E、信息装置7获取接近传感器3、位移传感器4和角度传感器5的信息，并与所接收到的挖掘程序进行对比，从而判断当前铲斗是否在适当的位置，若不在适当位置，则转到步骤F；若在适当位置，则转到步骤G；

F、控制器8使铲斗调整到合适的位置；

G、控制器8执行挖掘机的例行挖掘程序；

H、在挖掘机的实际挖掘过程中，功率传感器2、接近传感器3和位移传感器4将实际挖掘过程中所得到的信息反馈给处理器11；

I、重新改进挖掘的载荷预测与优化方法；比较执行最优挖掘程序的结果和实际挖掘的结果；如果最优挖掘程序的结果与实际挖掘的结果相差较大，则修正所存储的载荷预测方法，并通过优化的方法重新对料堆的物理参数进行标定。

J、处理器11根据扭矩传感器6得到的平衡位置时的扭矩计算出已挖掘的物料质量，根据物料容重得到已挖掘物料体积，从而判断是否完成挖掘计划。若没有完成，转步骤C。若已完成，则结束此次挖掘并等待接收新的挖掘计划。

图2-3是基于3D扫描料堆的轨迹优化的示意图，该示意图包括扫描料堆3D坐标图及在斗宽范围内，不同位置的挖掘面积示意图。步骤D所述的最优挖掘轨迹的确定方法包括以下步骤：

D1、由3D扫描仪1得到料堆所有对应节点的坐标p的矩阵如下：

p_mn＝p_mn(x,y)

式中，i为扫描矩阵的最大行数，j为扫描矩阵的最大列数，m,n分别为矩阵的行和列范围内的任意数值，x,y为该点所对应的二维坐标；

D2、处理器11通过改变预计控制参数得到预计挖掘轨迹s对应的坐标矩阵；

[s₁ s₂…s_j]

s_n＝s_n(x,y)

D3、根据以上两个矩阵得到图3所示不同料堆扫描经度剖面位置处铲斗挖掘的阴影面积：

D4、根据不同料堆扫描经度剖面位置处铲斗挖掘的阴影面积得到其总的挖掘体积：

其中：V为总挖掘体积，B为铲斗宽度。

切向挖掘阻力F_τ和法向挖掘阻力F_n通过经验公式进行初步的预测：

其中：σ_m为挖掘比阻力，φ为内摩擦角，δ为外摩擦角，c为粘度，ρ为料堆破坏面与料堆表面夹角，λ为料堆堆积密度，C为挖掘深度，ζ为比例系数。

D5、根据步骤D1-D4的计算，对挖掘轨迹进行优化，具体优化方法如下：

findx＝[x₁,x₂,x₃]^T＝[v_τ,v_n,L3]^T

s.t.V_min≤V≤V_max

lg≤c1 (lg＝lg0+vc·tc)

θ_p1≥θ₁ [θ_p1(t,v,a2)]

p_1max≤h_c

dl_p≥0 [dl_p(L3,t,v)]

其中：V为满斗率约束，lg为斗杆最大伸长量约束，θ_p1为出料高度约束，p_1max为最大挖掘高度约束，dl_p为无啃底约束。设计变量为挖掘机的控制参数，分别为切向速度v_τ和法向速度v_n，通过改变这两个速度来改变挖掘轨迹。优化目标为单位有效挖掘质量所需能耗其中m为铲斗内物料的质量。

对上式进行优化计算，确定最优挖掘轨迹。

进一步地，步骤I所述的载荷预测方法的修正方法如下：在经过实际挖掘过程后，安装在挖掘机上的功率传感器2、位移传感器4、角度传感器5和扭矩传感器6得到实测挖掘载荷F_prac，此时处理器11对比实测挖掘载荷F_prac与预测挖掘载荷F，若误差大于临界值，则对挖掘载荷预测方法进行修正，具体方法如下：

findx＝[x₁,x₂,x₃,x₄,x₅,x₆]＝[φ,δ,c,ρ,ζ,λ]

Min ΔF＝|F_prac-F|

上式为根据实际挖掘载荷对预测挖掘载荷中的参数进行优化，参数分别为内摩擦角φ、外摩擦角δ、粘度c、料堆破坏面与料堆表面夹角ρ和料堆堆积密度λ，ζ为比例系数；优化目标为实际挖掘载荷与预测挖掘载荷之差的绝对值，使其最小，则得到的物料参数与实际越贴近；约束为料堆物理参数的下界，为料堆物理参数的上界；之后再将优化所得到的结果发送到存储装置12当中，作为下次挖掘时载荷预测的参数。

进一步地，步骤D5所述的优化计算的方法为单纯形法、梯度下降法、遗传算法、蚁群法、退火法、禁忌搜索法、粒子群算法、梯度投影法或罚函数法。

本发明不局限于本实施例，任何在本发明披露的技术范围内的等同构思或者改变，均列为本发明的保护范围。

Claims (2)

1.智能挖掘机的最优轨迹规划方法，所述的智能挖掘机的自动控制系统包括数据采集与执行模块、网络(10)、处理器(11)和存储装置(12)，所述的数据采集与执行模块、网络(10)、处理器(11)和存储装置(12)通过数据线双向串联；所述的数据采集与执行模块安装在挖掘机上，所述的处理器(11)和存储装置(12)设置在挖掘机外的控制室内；

所述的数据采集与执行模块包括3D扫描仪(1)、功率传感器(2)、接近传感器(3)、位移传感器(4)、角度传感器(5)、扭矩传感器(6)、信息装置(7)、控制器(8)和无线收发器(9)，所述的3D扫描仪(1)、功率传感器(2)、接近传感器(3)和位移传感器(4)分别与信息装置(7)连接，所述的信息装置(7)分别与控制器(8)和无线收发器(9)连接，所述的无线收发器(9)与网络(10)连接；

所述的3D扫描仪(1)用于确定待挖掘物料表面的轮廓，形成待挖掘的物料表面轮廓数据；

功率传感器(2)用于测量各工作电机在挖掘过程中的所消耗的功和功率；

接近传感器(3)用于获得铲斗及挖掘机机架的相对位置；

位移传感器(4)和角度传感器(5)分别用于测量斗杆的伸缩位移及其转角，从而确定出铲斗的空间坐标；

扭矩传感器(6)用于测量各工作电机挖掘过程中输出的扭矩；

所述的处理器(11)处理接收到的信息，并根据所接收到的信息对挖掘轨迹及载荷预测模型进行优化，并将优化后的挖掘程序通过网络(10)发送到信息装置(7)中，将新建的载荷预测模型信息存储在存储装置(12)中；

其特征在于：最优轨迹规划方法包括以下步骤：

A、启动智能挖掘机上的数据采集与执行模块；

B、数据采集与执行模块接收处理器(11)发送来的挖掘计划，挖掘计划包括挖掘料堆位置和需要挖掘的物料体积；

C、3D扫描仪(1)开始扫描料堆，读取采掘坐标、采掘地形、采掘表面的数字图像；

D、根据由智能挖掘机所接受的挖掘计划重新定位挖掘机；并通过处理器(11)将采集的3D轮廓数据点进行细分，在铲斗挖掘宽度范围内等分成多个数组，将多个数组形成多个料堆经度的轮廓线，自动处理计算得到多个挖掘轨迹，并使其满足铲斗满斗率约束、斗杆最大伸长量约束、出料高度约束、最大挖掘高度约束和无啃底约束，确定出该工况下的最优挖掘轨迹；处理器(11)将最优挖掘轨迹编译成挖掘程序，并发送给信息装置(7)；

所述的最优挖掘轨迹的确定方法包括以下步骤：

D1、由3D扫描仪(1)得到料堆所有对应节点的坐标p的矩阵如下：

p_mn＝p_mn(x,y)

式中，i为扫描矩阵的最大行数，j为扫描矩阵的最大列数，m,n分别为矩阵的行和列范围内的任意数值，x,y为该点所对应的二维坐标；

D2、处理器(11)通过改变预计控制参数得到预计挖掘轨迹s对应的坐标矩阵；

[s₁ s₂ … s_j]

s_n＝s_n(x,y)

D3、根据以上两个矩阵得到不同料堆扫描经度剖面位置处铲斗挖掘的阴影面积：

D4、根据不同料堆扫描经度剖面位置处铲斗挖掘的阴影面积得到其总的挖掘体积：

其中：V为总挖掘体积，B为铲斗宽度；

切向挖掘阻力F_τ和法向挖掘阻力F_n通过经验公式进行初步的预测：

其中：σ_m为挖掘比阻力，φ为内摩擦角，δ为外摩擦角，c为粘度，ρ为料堆破坏面与料堆表面夹角，λ为料堆堆积密度，C为挖掘深度，ζ为比例系数；

D5、根据步骤D1-D4的计算，对挖掘轨迹进行优化，具体优化方法如下：

findx＝[x₁,x₂,x₃]^T＝[v_τ,v_n,L3]^T

s.t.V_min≤V≤V_max

lg≤c1 (lg＝lg0+vc·tc)

θ_p1≥θ₁ [θ_p1(t,v,a2)]

p_1max≤h_c

dl_p≥0 [dl_p(L3,t,v)]

其中：lg为斗杆最大伸长量约束，θ_p1为出料高度约束，p_1max为最大挖掘高度约束，dl_p为无啃底约束；设计变量为挖掘机的控制参数，分别为切向速度v_τ和法向速度v_n，通过改变这两个速度来改变挖掘轨迹；优化目标为单位有效挖掘质量所需能耗其中m为铲斗内物料的质量；

对上式进行优化计算，确定最优挖掘轨迹；

E、信息装置(7)获取接近传感器(3)、位移传感器(4)和角度传感器(5)的信息，并与所接收到的挖掘程序进行对比，从而判断当前铲斗是否在适当的位置，若不在适当位置，则转到步骤F；若在适当位置，则转到步骤G；

F、控制器(8)使铲斗调整到合适的位置；

G、控制器(8)执行挖掘机的例行挖掘程序；

H、在挖掘机的实际挖掘过程中，功率传感器(2)、接近传感器(3)和位移传感器(4)将实际挖掘过程中所得到的信息反馈给处理器(11)；

I、重新改进挖掘的载荷预测与优化方法；比较执行最优挖掘程序的结果和实际挖掘的结果；如果最优挖掘程序的结果与实际挖掘的结果相差较大，则修正所存储的载荷预测方法，并通过优化的方法重新对料堆的物理参数进行标定；

所述的载荷预测方法的修正方法如下：在经过实际挖掘过程后，安装在挖掘机上的功率传感器(2)、位移传感器(4)、角度传感器(5)和扭矩传感器(6)得到实测挖掘载荷F_prac，此时处理器(11)对比实测挖掘载荷F_prac与预测挖掘载荷F，若误差大于临界值，则对挖掘载荷预测方法进行修正，具体方法如下：

find x＝[x₁,x₂,x₃,x₄,x₅,x₆]＝[φ,δ,c,ρ,ζ,λ]

MinΔF＝|F_prac-F|

上式为根据实际挖掘载荷对预测挖掘载荷中的参数进行优化，参数分别为内摩擦角φ、外摩擦角δ、粘度c、料堆破坏面与料堆表面夹角ρ和料堆堆积密度λ，ζ为比例系数；优化目标为实际挖掘载荷与预测挖掘载荷之差的绝对值，使其最小，则得到的物料参数与实际越贴近；约束为料堆物理参数的下界，为料堆物理参数的上界；之后再将优化所得到的结果发送到存储装置(12)当中，作为下次挖掘时载荷预测的参数；

J、处理器(11)根据扭矩传感器(6)得到的平衡位置时的扭矩计算出已挖掘的物料质量，根据物料容重得到已挖掘物料体积，从而判断是否完成挖掘计划；若没有完成，转步骤C；若已完成，则结束此次挖掘并等待接收新的挖掘计划。

2.根据权利要求1所述的智能挖掘机的最优轨迹规划方法，其特征在于：步骤D5所述的优化计算的方法为单纯形法、梯度下降法、遗传算法、蚁群法、退火法、禁忌搜索法、粒子群算法、梯度投影法或罚函数法。