CN114954525A - 一种适用于磷矿开采巷道的无人驾驶运输车系统及运行方法 - Google Patents
一种适用于磷矿开采巷道的无人驾驶运输车系统及运行方法 Download PDFInfo
- Publication number
- CN114954525A CN114954525A CN202210575456.5A CN202210575456A CN114954525A CN 114954525 A CN114954525 A CN 114954525A CN 202210575456 A CN202210575456 A CN 202210575456A CN 114954525 A CN114954525 A CN 114954525A
- Authority
- CN
- China
- Prior art keywords
- transport vehicle
- unmanned transport
- roadway
- unmanned
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005065 mining Methods 0.000 title claims abstract description 116
- 239000002367 phosphate rock Substances 0.000 title claims abstract description 85
- OJMIONKXNSYLSR-UHFFFAOYSA-N phosphorous acid Chemical compound OP(O)O OJMIONKXNSYLSR-UHFFFAOYSA-N 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000007613 environmental effect Effects 0.000 claims abstract description 31
- 230000001133 acceleration Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 43
- 239000002893 slag Substances 0.000 claims description 36
- 238000005286 illumination Methods 0.000 claims description 32
- 238000001914 filtration Methods 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 11
- 239000008262 pumice Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005553 drilling Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 239000011435 rock Substances 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000003706 image smoothing Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出一种适用于磷矿开采巷道的无人驾驶运输车系统及运行方法，包括执行系统，所述执行系统用于搭载整个运输车系统，执行系统包括无人运输车；感知系统，所述感知系统依靠传感器为执行系统的无人运输车提供环境信息，辅助无人运输车完成导航和定位；控制系统，所述控制系统包含决策模块和规划模块两个模块，使用来自感知系统的环境信息，获得无人运输车的控制信号；所述执行系统接收控制系统下发的控制信号，向无人运输车发送方向、速度、加速度、航向角和行驶轨迹类执行信息，使无人运输车能够避让局部的障碍物，并跟踪全局路径，进而在磷矿开采巷道完成无人驾驶任务。
Description
技术领域
本发明属于磷矿开采设备技术领域，具体涉及一种适用于磷矿开采巷道的无人驾驶运输车系统。
背景技术
磷矿开采巷道是用于磷矿的开采和运输的通道，可供矿用运输车通行。巷道中光线昏暗，工作环境多粉尘，在这种环境下长时间工作，容易对工作人员身体健康产生影响。因此，使用无人化的采矿、运输装备，可以减少矿下工作人员的数量，有利于提高工作效率以及开采和运输的安全性。当前，随着机器人技术的发展，基于场景建模、场景识别和路径规划技术的移动机器人在室内外环境中得到了较多地应用。但在磷矿开采巷道这种昏暗、狭窄的环境下，依赖机器人技术和自主导航技术等，完成运输车在巷道内的自主驾驶，使其能行驶到指定工作面并和其它采矿设备配合的相关技术，仍处于研究阶段，未得到实际良好的应用。
发明内容
本发明的主要目的在于提供一种基于多传感器数据融合，适用于磷矿开采巷道的无人驾驶运输车系统及应用方法。运输车的无人驾驶系统由感知系统、控制系统和执行系统组成，通过各系统的配合，无人运输车能够完成自主导航任务。
为了实现上述的技术特征，本发明的目的是这样实现的：一种适用于磷矿开采巷道的无人驾驶运输车系统，包括：
执行系统，所述执行系统用于搭载整个运输车系统，执行系统包括无人运输车；
感知系统，所述感知系统依靠传感器为执行系统的无人运输车提供环境信息，辅助无人运输车完成导航和定位；
控制系统，所述控制系统包含决策模块和规划模块两个模块，使用来自感知系统的环境信息，获得无人运输车的控制信号；
所述执行系统接收控制系统下发的控制信号，向无人运输车发送方向、速度、加速度、航向角和行驶轨迹类执行信息，使无人运输车能够避让局部的障碍物，并跟踪全局路径，进而在磷矿开采巷道完成无人驾驶任务。
所述感知系统包括搭载在无人运输车上的LED照明源，所述LED照明源对磷矿开采巷道进行有限范围的照明，然后，通过搭载在无人运输车上的深度相机借助LED光源，拍摄磷矿开采巷道的环境图片，从环境图片中获得深度信息，再对环境图片进行形态学、聚类和二值化操作，计算环境图片的质心，以质心引导无人运输车向正确方向前进；同时，通过搭载在无人运输车上的3D激光雷达对磷矿开采巷道进行扫描，得到巷道点云，对点云进行滤波、感兴趣区域分割处理后提取路面点云，再使用Alpha Shapes算法提取路面点云的航道边界，以航道边界约束无人运输车在巷道中间行驶；无人运输车在巷道中行驶时，采用激光惯导定位；以松耦合的方式进行数据的收集和处理，3D激光雷达进行状态估计，IMU数据作为观测值，再用卡尔曼滤波器融合数据，完成定位无人运输车位置的任务。
所述决策模块根据环境信息，确定无人运输车行驶速度和方式，在决策限定的范围内，规划模块结合车辆运动学模型、巷道中的障碍物信息、行驶任务以及交通规则求解得到平滑连续的局部行车轨迹，并将速度和轨迹信息下发至执行系统。
适用于磷矿开采巷道的无人驾驶运输车系统的运行方法，包括以下步骤：
步骤1：根据磷矿开采巷道地图，规划无人运输车导航的全局路径；
步骤2：通过无人运输车搭载的LED照明源，提供有限范围的光照；
步骤3：深度相机拍摄磷矿开采巷道环境的环境图片，对环境图片进行相应处理；
步骤4：环境图片的信息经过进一步处理，进而获得开放区域质心，引导无人运输车向正确方向前进；
步骤5：无人运输车搭载的3D激光雷达进行环境扫描，获得环境点云数据；
步骤6：点云数据处理，获取地面点云；
步骤7：地面点云处理，通过Alpha Shapes算法获取巷道边界；
步骤8：无人运输车的实时定位；
步骤9：传感器实时检测障碍物；
步骤10：局部路径规划，躲避障碍物；
步骤11：无人运输车完成自主导航任务，行驶到指定工作面；
步骤12：无人运输车与扒渣机配合，装运矿渣。
所述步骤1的具体过程为：无人运输车根据已有的磷矿开采巷道环境地图，结合需要到达的工作面位置，利用全局路径规划算法，获得由起点到工作面的最佳路径，无人运输车跟踪既定路径，规划行驶速度，开始导航运动；
所述步骤2的具体过程为：无人运输车搭载的LED照明源提供有限范围的光源，该照明源均匀照亮以无人运输车为原点的磷矿开采巷道，但在更远距离的巷道中，照明将会减弱，使远处的巷道依旧位于未照亮的黑暗开放区域中；
所述步骤3的具体过程为：无人运输车搭载的深度相机拍摄照明范围内的巷道图片，其内容是照亮的巷道和光源尽头的黑暗未照明巷道；首先通过对图片的处理，获得深度距离，进行形态学的加工，图像平滑和聚类操作，再将图片二值化，获得处理后的图片；
所述步骤4的具体过程为：无人运输车车载计算机使用步骤3中获得的二值化图片，对二值结果中的开放区域进行矩计算，提取质心，以质心为导航的航向点，深度信息为目标距离，下发给无人运输车的执行器，进行方向控制，使得无人运输车跟踪既定路径并按照正确方向行驶。
所述步骤5的具体过程为：无人运输车搭载的3D激光雷达进行磷矿开采巷道的扫描，得到3D激光雷达感知范围内巷道的点云数据；
所述步骤6的具体过程为：对步骤5中获得的点云数据进行处理，先对点云数据进行感兴趣区域分割，降低计算内存的损失，提高处理速度；接着将感兴趣区域内点云数据进行地面和地面上的磷矿开采巷道壁点云的分离，并保留地面点云数据；
所述步骤7的具体过程为：车载计算机处理步骤6获得的地面点云，通过AlphaShapes算法获取磷矿开采巷道的边界信息，并计算巷道的居中位置，再将信息下发给无人运输车控制器，限制无人运输车在巷道中间行驶，避免接触或者碰撞巷道壁，以上步骤的处理，使得无人运输车在磷矿开采巷道中按照全局规划路径自主安全地行驶。
所述步骤8的具体过程为：无人运输车在磷矿开采巷道中行驶，需要实时定位自己在巷道中的位置，结合3D激光雷达和IMU进行无人运输车定位，采用松耦合形式，以3D激光雷达作无人运输车的状态估计，IMU作观测数据，并使用扩展卡尔曼滤波融合数据，进行准确、鲁棒、无飘移的长期姿态估计，定位无人运输车位置；由于线速度估计不准确，使用质心点提供的航向信息，作为一个方向过滤器，准确估计行驶速度；
所述步骤9的具体过程为：磷矿开采巷道中存在工作人员、其它车辆和矿石块类动静态障碍物，用不同的传感器对这些障碍物进行实时的感知；3D激光雷达感知范围比较远，在磷矿开采巷道中使用3D激光雷达检测较远距离的运输车，通过相邻帧间的比较，得到对向运输车速度和距离信息，为无人运输车留足够的规划时间进行规划；深度相机受自身结构影响，检测距离有限，所以使用深度相机实时拍摄近处的巷道环境信息，再利用深度学习算法对环境中存在的物体进行识别和跟踪，并估计动态物体的运动速度和轨迹；
所述步骤10的具体过程为：磷矿开采巷道作为单车道的通道，当遇到其它车辆时，会车比较麻烦，所以在巷道中每隔一定距离建有躲避硐，用于相向的两辆车进行会车；无人运输车导航前进的途中，遇到障碍物时，需要根据障碍物的类型并结合巷道中的交通规则，规划局部路径进行避让；首先，根据步骤8中的定位方式，确定自身在巷道中的位置，并结合巷道地图，确定躲避硐的位置，同时，车载计算机融合图片信息，建立带有语义信息的局部三维场景地图；然后，当无人运输车搭载的激光雷达按照步骤9中的方法检测到对向来车时，将以上信息传给无人运输车的决策模块，其根据对向车辆的速度和位置、“轻车让重车”及“便于避让”的巷道交通规则，决定自身行驶速度，并利用语义地图判断躲避硐的大小，确定无人运输车以半进入或全进入方式进入躲避硐避让；当深度相机按照步骤9中方法检测到工作人员时，决策模块根据行人速度和轨迹，结合语义地图判断此时巷道的宽度，决定减速或停车，避让工作人员；最后，在决策模块做出决策后，联合规划模块做出局部路径规划，再下发执行系统。
所述步骤11的具体过程为：通过步骤1-10，无人运输车完成全局导航任务，并依靠局部路径规划进行避障，安全的行驶到指定目标点；
所述步骤12的具体过程为：无人运输车搭载的深度相机再次采集环境图片，传入前期训练好的神经网络，通过检测工作面的环境特征或者扒渣机装备，判断无人运输车是否到达开采作业面；当到达工作面时，结合环境图片的深度信息，调整无人运输车和扒渣机的距离，使两者配合，再开启扒渣机，装运矿渣。
所述无人运输车完成自主导航的具体过程包括以下步骤：
S1为开始；
S2为启动无人运输车，使得无人运输车整个系统开始工作；
S3为无人运输车跟踪全局路径规划进行导航：
步骤A1：车载计算机根据已有的磷矿开采巷道地图，设置起点和终点，使用相关的全局路径规划算法，获得由起点到工作面的全局最优路径；
步骤A2: 无人运输车跟踪全局路径，在磷矿开采巷道中导航行驶；
S4为深度相机和3D激光雷达感知环境数据：
步骤B1：无人运输车在巷道中移动，利用深度相机和3D激光雷达感知巷道环境，安装在无人运输车上的照明源提供照明，深度相机借助光源实时拍摄巷道环境的环境图片；
步骤B2：无人运输车行进过程中，3D激光雷达实时扫描巷道环境，获得巷道点云信息；
S5为3D激光雷达和IMU感知无人运输车的状态：
步骤C1：无人运输车行进过程中，两模块作为独立实体，分别记录无人运输车的状态；3D激光雷达对无人运输车系统实时地进行状态估计，获取无人运输车系统内部的状态；IMU记录无人运输车的加速度、速度和航向角信息；
S6为深度相机和3D激光雷达数据处理：
步骤D1：利用步骤B1获得的环境图片，先获取图片的深度信息，接着对图片进行降噪、灰度化、二值化、聚类系列操作，再通过矩计算获得图片中开放区域的质心；
步骤D2：利用B2获得的巷道点云数据，先进行点云滤波，降低点云数量，通过点云分割获取感兴趣区域的点云，再过滤感兴趣区域巷道壁和壁顶的点云，保留路面点云，使用Alpha Shapes算法提取道路边界；
步骤D3：使用D1获得的质心点，D2中道路的边界信息，无人运输车获得安全地导航方向；
S7为3D激光雷达和IMU数据处理：
步骤E1：将步骤C1无人运输车状态估计信息和IMU的观测信息，使用扩展卡尔曼滤波，获得无人运输车在巷道中的实时状态，定位无人运输车在巷道中的位置；
S8为导航和定位信息：
步骤F1：导航和定位信息通过数据传输，下发给决策规划器；
S9为决策规划器：
步骤G1：步骤F1传来导航和定位信息，结合环境信息，决策模块负责确定无人运输车的运动方式，正常行驶、减速慢行或者进入躲避硐停车避让；在决策模块限定的范围内，规划模块结合车辆运动学模型、环境中的障碍信息、行驶任务等求解得到平滑连续的局部行车轨迹；
S10为无人运输车未到达指定位置：
步骤H1：通过对工作面路面特征、巷道壁和巷顶危险浮石的检测识别判断无人车未到达指定位置；
S11为无人运输车继续前进：
步骤I1：无人运输车未到达指定位置，跟踪全局路径继续前进，直到到达指定工作面；
S12为无人运输车到达指定位置：
步骤J1：通过对工作面路面、扒渣机、巷道壁和巷顶危险浮石特征的检测识别判断无人车到达指定位置，结束导航任务；
S13为无人运输车与其它工作装置配合完成作业：
步骤K1：通过深度相机拍摄的图片，识别扒渣机，并获得到扒渣机的距离，再调整无人车位置，同扒渣机配合，装运矿渣。
采用无人驾驶运输车系统搭载系列矿山装备完成相关无人作业的过程，包括以下步骤：
S1.1为开始；
S1.2为利用本发明整套方案，在实现矿用车的无人驾驶基础上，利用无人运输车搭载的不同采矿装备完成不同的工作；
S1.3为搭载采矿装备的无人运输车，按照全局规划的路径行驶，并通过对工作面特殊标志物或特殊场景的识别，判断无人运输车到达指定位置；
S1.4为搭载采矿装备的无人运输车到达指定位置后，通过车载传感器采集工作面的工况信息；
S1.5为对S1.4采集的巷道工作面环境信息进行处理，如利用激光雷达扫描环境得到的点云，确定危险浮石的位置、高度、大小和方向角；使用深度相机拍摄的图片，再融合点云，重建待钻孔岩壁的三维场景模型，利用其确定岩面钻孔位置和密度信息；
S1.6为坐标变换：
步骤A1.1：利用S1.5中的环境处理数据，与无人运输车以及车载矿用装备进行坐标变化，获得待处理工作面与矿用装备的相对位置关系，再调整装备的位置，对指定工作位置进行处理，完成相关作业；
S1.7为无人作业：
步骤B1.1：根据步骤A1.1获得工作面与车载装备的位置关系，利用矿用装备精确完成无人作业，提高工作效率的同时，减少操作失误；
S1.8为判断未完成相关无人作业；
步骤C1.1：判断当前工作面的无人作业还未结束，继续返回数据处理部分，对工作面下一个位置的数据进行重复S1.5至S1.7的处理，继续无人作业；
S1.9为判断完成相关无人作业：
步骤D1.1：完成当前的无人作业，搭载相关采矿装备的无人运输车退出当前工作面；
S1.10为结束。
本发明提出的一种适用于磷矿开采巷道的无人驾驶运输车系统及运行方法，采用上述技术方案可以取得如下技术成果：
1、本发明可以在磷矿开采巷道昏暗的环境中，依靠运输车车载传感器实现在巷道中的自主驾驶，并安全导航到指定位置。
2、本发明借助外部照明距离有限的光源，采用深度相机拍摄环境图片，得到环境图片的深度信息，并提取磷矿开采巷道开放区域质心，以质心为航向点，纠正无人运输车在巷道中的前进方向，并跟随全局规划路径行驶。
3、本发明使用3D激光雷达和IMU实现无人运输车在磷矿开采巷道中的实时定位。采用激光雷达作为状态估计量，IMU作为观测量更新EKF，实现长期稳定的姿态估计。同时，针对无人运输车线速度估计不准确，采用图片质心作为方向过滤器，准确估计无人运输车的行驶速度。
4、本发明使用3D激光雷达和深度相机数据进行融合建图，创建带有语义信息的局部三维场景地图，并通过语义地图判断躲避硐的大小、巷道宽度，以此决定无人运输车避让的方式。
5、本发明使用深度学习算法，识别磷矿工作面的扒渣机，再通过状态和相对位置的判断，完成运输车和扒渣机的精确配合，实现自主的无人矿渣装运。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明无人驾驶系统框架图。
图2为本发明图片质心提取方法图。
图3为本发明巷道边界提取方法图。
图4为本发明无人运输车定位方法图。
图5为本发明局部三维场景重建方法图。
图6为本发明无人运输车会车策略过程图。
图7为本发明无人运输车自主导航实现过程图。
图8为利用本发明方案实现多种无人化采矿装备的无人化作业过程图。
具体实施方式
实施例1：
参见图1-8，本发明的主要目的在于提供一种基于多传感器数据融合，适用于磷矿开采巷道的无人驾驶运输车。运输车的无人驾驶系统由感知系统、控制系统和执行系统组成，通过各系统的配合，无人运输车能够完成自主导航任务。首先，车载计算机根据磷矿开采巷道的地图规划出全局路径，并按照既定路线安全行驶。然后，无人运输车利用车载多传感器的融合数据来感知车辆周围环境，建立精确的环境模型；通过获取本车位置、及其它车辆、人、矿石等动静态障碍物信息，并基于巷道行车规则规划车辆的局部行驶路线。最后，无人运输车按照自主规划的路线行驶，完成导航到目标工作面的任务；再通过传感器的感知和识别，获取同其它采矿装备的配合信息，调整距离，相互配合完成工作。
为了实现上述目的，本发明的技术方案是：1、车载计算机结合无人运输车的起点和需要到达的工作面位置，使用全局路径规划算法在巷道地图上规划出最佳路径，并下发给无人运输车执行系统，使无人运输车按照既定路线行驶。为防止因控制等问题，偏离既定路径。提出一种结合传感器数据，引导无人运输车按正确方向行驶的方法：使用搭载在无人运输车上的深度相机拍摄巷道图片，根据深度图片，提取具有深度信息的巷道开放区域质心，以质心为方向，引导无人运输车在磷矿开采巷道中朝正确方向前进；同时，为了防止无人运输车在按既定路线行驶时，因车体宽大造成转弯时碰壁，提出一种巷道边界检测方法：使用搭载在无人运输车上的3D激光雷达扫描巷道，得到巷道点云数据。再从巷道点云数据中提取道路边界，以道路的边界限制无人运输车在巷道的道路中间并保持正确方向行驶。2、无人运输车在行驶过程中，当传感器检测到矿车、行人或矿石时，需要结合定位确定自身在巷道中的位置，通过采取进入躲避硐避让、停车、减速慢行、正常行驶等方式进行会车或让行。首先，本发明采用3D激光雷达与IMU组合定位的方法，完成磷矿开采巷道实时定位任务；然后，随着无人运输车的行驶，车载激光雷达和深度相机等传感器在巷道中实时的收集环境数据，通过传感器的感知数据，识别障碍物类型，判断运动速度和距离；最后，定位完成后，结合环境信息，融合巷道点云数据和图片信息进行局部的三维场景重建，得到带有语义信息的三维场景地图；无人运输车决策模块根据语义地图，决定无人运输车避障方式；再联合规划模块做局部轨迹规划，下发给运输车执行系统，待避开障碍物后，再恢复原有的行驶状态，继续行驶。3、无人运输车按照既定路线完成导航任务后，通过识别环境特征或扒渣机等装备，判断无人运输车是否行驶到指定的巷道工作面。再调整自身位置，和扒渣机配合，开启扒渣机，装运矿渣。4、本发明通过以上方案实现了运输车在磷矿开采巷道的无人驾驶，并和扒渣机配合完成矿渣的装运。还可以利用整套方案，设计一系列矿山装备的无人驾驶。例如，使用无人驾驶车搭载撬毛装备，组合成无人撬毛车，待其自主行驶到指定工作面，通过传感器识别危险浮石，结合坐标变换，得到撬毛装备和危险浮石的相关位置信息，精确完成无人撬毛作业；使用无人驾驶车搭载钻孔装备，组合成无人钻孔车，待其自主行驶到指定工作面，结合传感器识别岩壁面积，合理安排钻孔数量和位置。
实施例2：
参见图1-6，一种适用于磷矿开采巷道的无人驾驶运输车系统，它包括感知系统101、控制系统102、执行系统103。感知系统101依靠传感器为无人运输车提供环境信息，辅助无人运输车完成导航和定位。首先，搭载在无人运输车上的LED照明源，对磷矿开采巷道进行有限范围的照明；然后，通过搭载在无人运输车上的深度相机104借助LED光源，拍摄磷矿开采巷道的环境图片，从图片中获得深度信息，再对图片进行形态学、聚类和二值化等操作，计算图片的质心，以质心引导无人运输车向正确方向前进；同时，通过搭载在无人运输车上的3D激光雷达105对磷矿开采巷道进行扫描，得到巷道点云，对点云进行滤波、感兴趣区域分割处理后提取路面点云，再使用Alpha Shapes算法提取路面点云的边界，以边界约束无人运输车在巷道中间行驶；无人运输车在巷道中行驶时，采用激光惯导定位。以松耦合的方式进行数据的收集和处理，激光雷达105进行状态估计，IMU106数据作为观测值，再用卡尔曼滤波器融合数据，完成定位无人运输车位置的任务。控制系统102包含决策模块107和模块规划108两个模块，使用来自感知系统的环境信息，获得无人运输车的控制信号。首先，决策模块107根据环境信息，确定无人运输车行驶速度和方式。在决策限定的范围内，规划模块108结合车辆运动学模型、巷道中的障碍物信息、行驶任务以及交通规则等求解得到平滑连续的局部行车路径，并将速度和轨迹信息下发至执行系统103。执行系统103接收控制系统下发的控制信号，向无人运输车发送速度、加速度和行驶轨迹执行信息，使无人运输车避让局部的障碍物，并跟踪全局路径，完成导航任务。
实施例3：
适用于磷矿开采巷道的无人驾驶运输车系统的运行方法，包括以下步骤：
步骤1：根据磷矿开采巷道地图，规划无人运输车导航的全局路径；无人运输车根据已有的磷矿开采巷道环境地图，结合需要到达的工作面位置，利用全局路径规划算法，获得由起点到工作面的最佳路径，无人运输车跟踪既定路径，规划行驶速度，开始导航运动；
步骤2：通过无人运输车搭载的LED照明源，提供有限范围的光照；无人运输车搭载的LED照明源提供有限范围的光源，该照明源均匀照亮以无人运输车为原点的磷矿开采巷道，但在更远距离的巷道中，照明将会减弱，使远处的巷道依旧位于未照亮的黑暗开放区域中；
步骤3：深度相机104拍摄磷矿开采巷道环境的环境图片，对环境图片进行相应处理；无人运输车搭载的深度相机104拍摄照明范围内的巷道图片，其内容是照亮的巷道和光源尽头的黑暗未照明巷道；首先通过对图片的处理，获得深度距离，进行形态学的加工，图像平滑和聚类操作，再将图片二值化，获得处理后的图片；
步骤4：环境图片的信息经过进一步处理，进而获得开放区域质心，引导无人运输车向正确方向前进；无人运输车车载计算机使用步骤3中获得的二值化图片，对二值结果中的开放区域进行矩计算，提取质心，以质心为导航的航向点，深度信息为目标距离，下发给无人运输车的执行器，进行方向控制，使得无人运输车跟踪既定路径并按照正确方向行驶。
步骤5：无人运输车搭载的3D激光雷达105进行环境扫描，获得环境点云数据；无人运输车搭载的3D激光雷达105进行磷矿开采巷道的扫描，得到3D激光雷达感知范围内巷道的点云数据；
步骤6：点云数据处理，获取地面点云；对步骤5中获得的点云数据进行处理，先对点云数据进行感兴趣区域分割，降低计算内存的损失，提高处理速度；接着将感兴趣区域内点云数据进行地面和地面上的磷矿开采巷道壁点云的分离，并保留地面点云数据；
步骤7：地面点云处理，通过Alpha Shapes算法获取巷道边界；车载计算机处理步骤6获得的地面点云，通过Alpha Shapes算法获取磷矿开采巷道的边界信息，并计算巷道的居中位置，再将信息下发给无人运输车控制器，限制无人运输车在巷道中间行驶，避免接触或者碰撞巷道壁，以上步骤的处理，使得无人运输车在磷矿开采巷道中按照全局规划路径自主安全地行驶。
步骤8：无人运输车的实时定位；无人运输车在磷矿开采巷道中行驶，需要实时定位自己在巷道中的位置，结合3D激光雷达105和IMU106进行无人运输车定位，采用松耦合形式，以3D激光雷达105作无人运输车的状态估计，IMU106作观测数据，并使用扩展卡尔曼滤波融合数据，进行准确、鲁棒、无飘移的长期姿态估计，定位无人运输车位置；由于线速度估计不准确，使用质心点提供的航向信息，作为一个方向过滤器，准确估计行驶速度；此处IMU106为惯性测量单元。
步骤9：传感器实时检测障碍物；磷矿开采巷道中存在工作人员、其它车辆和矿石块类动静态障碍物，用不同的传感器对这些障碍物进行实时的感知；3D激光雷达105感知范围比较远，在磷矿开采巷道中使用3D激光雷达105检测较远距离的运输车，通过相邻帧间的比较，得到对向运输车速度和距离信息，为无人运输车留足够的规划时间进行规划；深度相机104受自身结构影响，检测距离有限，所以使用深度相机实时拍摄近处的巷道环境信息，再利用深度学习算法对环境中存在的物体进行识别和跟踪，并估计动态物体的运动速度和轨迹；
步骤10：局部路径规划，躲避障碍物；磷矿开采巷道作为单车道的通道，当遇到其它车辆时，会车比较麻烦，所以在巷道中每隔一定距离建有躲避硐，用于相向的两辆车进行会车；无人运输车导航前进的途中，遇到障碍物时，需要根据障碍物的类型并结合巷道中的交通规则，规划局部路径进行避让；首先，根据步骤8中的定位方式，确定自身在巷道中的位置，并结合巷道地图，确定躲避硐的位置，同时，车载计算机融合图片信息，建立带有语义信息的局部三维场景地图；然后，当无人运输车搭载的激光雷达按照步骤9中的方法检测到对向来车时，将以上信息传给无人运输车的决策模块107，其根据对向车辆的速度和位置、“轻车让重车”及“便于避让”的巷道交通规则，决定自身行驶速度，并利用语义地图判断躲避硐的大小，确定无人运输车以半进入或全进入方式进入躲避硐避让；当深度相机104按照步骤9中方法检测到工作人员时，决策模块107根据行人速度和轨迹，结合语义地图判断此时巷道的宽度，决定减速或停车，避让工作人员；最后，在决策模块107做出决策后，联合规划模块108做出局部路径规划，再下发执行系统103。
步骤11：无人运输车完成自主导航任务，行驶到指定工作面；通过步骤1-10，无人运输车完成全局导航任务，并依靠局部路径规划进行避障，安全的行驶到指定目标点；
步骤12：无人运输车与扒渣机配合，装运矿渣。无人运输车搭载的深度相机104再次采集环境图片，传入前期训练好的神经网络，通过检测工作面的环境特征或者扒渣机装备，判断无人运输车是否到达开采作业面；当到达工作面时，结合环境图片的深度信息，调整无人运输车和扒渣机的距离，使两者配合，再开启扒渣机，装运矿渣。
实施例4：
参见图7，所述无人运输车完成自主导航的具体过程包括以下步骤：
S1为开始；
S2为启动无人运输车，使得无人运输车整个系统开始工作；
S3为无人运输车跟踪全局路径规划进行导航：
步骤A1：车载计算机根据已有的磷矿开采巷道地图，设置起点和终点，使用相关的全局路径规划算法，获得由起点到工作面的全局最优路径；
步骤A2: 无人运输车跟踪全局路径，在磷矿开采巷道中导航行驶；
S4为深度相机和3D激光雷达感知环境数据：
步骤B1：无人运输车在巷道中移动，利用深度相机和3D激光雷达感知巷道环境，安装在无人运输车上的照明源提供照明，深度相机借助光源实时拍摄巷道环境的环境图片；
步骤B2：无人运输车行进过程中，3D激光雷达实时扫描巷道环境，获得巷道点云信息；
S5为3D激光雷达和IMU感知无人运输车的状态：
步骤C1：无人运输车行进过程中，两模块作为独立实体，分别记录无人运输车的状态；3D激光雷达对无人运输车系统实时地进行状态估计，获取无人运输车系统内部的状态；IMU记录无人运输车的加速度、速度和航向角信息；
S6为深度相机和3D激光雷达数据处理：
步骤D1：利用步骤B1获得的环境图片，先获取图片的深度信息，接着对图片进行降噪、灰度化、二值化、聚类系列操作，再通过矩计算获得图片中开放区域的质心；
步骤D2：利用B2获得的巷道点云数据，先进行点云滤波，降低点云数量，通过点云分割获取感兴趣区域的点云，再过滤感兴趣区域巷道壁和壁顶的点云，保留路面点云，使用Alpha Shapes算法提取道路边界；
步骤D3：使用D1获得的质心点，D2中道路的边界信息，无人运输车获得安全地导航方向；
S7为3D激光雷达和IMU数据处理：
步骤E1：将步骤C1无人运输车状态估计信息和IMU的观测信息，使用扩展卡尔曼滤波，获得无人运输车在巷道中的实时状态，定位无人运输车在巷道中的位置；
S8为导航和定位信息：
步骤F1：导航和定位信息通过数据传输，下发给决策规划器；
S9为决策规划器：
步骤G1：步骤F1传来导航和定位信息，结合环境信息，决策模块负责确定无人运输车的运动方式，正常行驶、减速慢行或者进入躲避硐停车避让；在决策模块限定的范围内，规划模块结合车辆运动学模型、环境中的障碍信息、行驶任务等求解得到平滑连续的局部行车轨迹；
S10为无人运输车未到达指定位置：
步骤H1：通过对工作面路面特征、巷道壁和巷顶危险浮石的检测识别判断无人车未到达指定位置；
S11为无人运输车继续前进：
步骤I1：无人运输车未到达指定位置，跟踪全局路径继续前进，直到到达指定工作面；
S12为无人运输车到达指定位置：
步骤J1：通过对工作面路面、扒渣机、巷道壁和巷顶危险浮石特征的检测识别判断无人车到达指定位置，结束导航任务；
S13为无人运输车与其它工作装置配合完成作业：
步骤K1：通过深度相机拍摄的图片，识别扒渣机，并获得到扒渣机的距离，再调整无人车位置，同扒渣机配合，装运矿渣。
实施例5：
参见图8，采用无人驾驶运输车系统搭载系列矿山装备完成相关无人作业的过程，包括以下步骤：
S1.1为开始；
S1.2为利用本发明整套方案，在实现矿用车的无人驾驶基础上，利用无人运输车搭载的不同采矿装备完成不同的工作；
S1.3为搭载采矿装备的无人运输车，按照全局规划的路径行驶，并通过对工作面特殊标志物或特殊场景的识别，判断无人运输车到达指定位置；
S1.4为搭载采矿装备的无人运输车到达指定位置后，通过车载传感器采集工作面的工况信息；
S1.5为对S1.4采集的巷道工作面环境信息进行处理，如利用激光雷达扫描环境得到的点云，确定危险浮石的位置、高度、大小和方向角；使用深度相机拍摄的图片，再融合点云，重建待钻孔岩壁的三维场景模型，利用其确定岩面钻孔位置和密度信息；
S1.6为坐标变换：
步骤A1.1：利用S1.5中的环境处理数据，与无人运输车以及车载矿用装备进行坐标变化，获得待处理工作面与矿用装备的相对位置关系，再调整装备的位置，对指定工作位置进行处理，完成相关作业；
S1.7为无人作业：
步骤B1.1：根据步骤A1.1获得工作面与车载装备的位置关系，利用矿用装备精确完成无人作业，提高工作效率的同时，减少操作失误；
S1.8为判断未完成相关无人作业；
步骤C1.1：判断当前工作面的无人作业还未结束，继续返回数据处理部分，对工作面下一个位置的数据进行重复S1.5至S1.7的处理，继续无人作业；
S1.9为判断完成相关无人作业：
步骤D1.1：完成当前的无人作业，搭载相关采矿装备的无人运输车退出当前工作面；
S1.10为结束。
Claims (10)
1.一种适用于磷矿开采巷道的无人驾驶运输车系统，其特征在于，包括：
执行系统（103），所述执行系统（103）用于搭载整个运输车系统，执行系统（103）包括无人运输车；
感知系统（101），所述感知系统（101）依靠传感器为执行系统（103）的无人运输车提供环境信息，辅助无人运输车完成导航和定位；
控制系统（102），所述控制系统（102）包含决策模块（107）和规划模块（108）两个模块，使用来自感知系统（101）的环境信息，获得无人运输车的控制信号；
所述执行系统（103）接收控制系统（102）下发的控制信号，向无人运输车发送方向、速度、加速度、航向角和行驶轨迹类执行信息，使无人运输车能够避让局部的障碍物，并跟踪全局路径，进而在磷矿开采巷道完成无人驾驶任务。
2.根据权利要求1所述一种适用于磷矿开采巷道的无人驾驶运输车系统，其特征在于：所述感知系统（101）包括搭载在无人运输车上的LED照明源，所述LED照明源对磷矿开采巷道进行有限范围的照明，然后，通过搭载在无人运输车上的深度相机（104）借助LED光源，拍摄磷矿开采巷道的环境图片，从环境图片中获得深度信息，再对环境图片进行形态学、聚类和二值化操作，计算环境图片的质心，以质心引导无人运输车向正确方向前进；同时，通过搭载在无人运输车上的3D激光雷达（105）对磷矿开采巷道进行扫描，得到巷道点云，对点云进行滤波、感兴趣区域分割处理后提取路面点云，再使用Alpha Shapes算法提取路面点云的航道边界，以航道边界约束无人运输车在巷道中间行驶；无人运输车在巷道中行驶时，采用激光惯导定位；以松耦合的方式进行数据的收集和处理，3D激光雷达（105）进行状态估计，IMU（106）数据作为观测值，再用卡尔曼滤波器融合数据，完成定位无人运输车位置的任务。
3.根据权利要求1所述一种适用于磷矿开采巷道的无人驾驶运输车系统，其特征在于：所述决策模块（107）根据环境信息，确定无人运输车行驶速度和方式，在决策限定的范围内，规划模块（108）结合车辆运动学模型、巷道中的障碍物信息、行驶任务以及交通规则求解得到平滑连续的局部行车轨迹，并将速度和轨迹信息下发至执行系统（103）。
4.权利要求1-3任意一项所述适用于磷矿开采巷道的无人驾驶运输车系统的运行方法，其特征在于，包括以下步骤：
步骤1：根据磷矿开采巷道地图，规划无人运输车导航的全局路径；
步骤2：通过无人运输车搭载的LED照明源，提供有限范围的光照；
步骤3：深度相机（104）拍摄磷矿开采巷道环境的环境图片，对环境图片进行相应处理；
步骤4：环境图片的信息经过进一步处理，进而获得开放区域质心，引导无人运输车向正确方向前进；
步骤5：无人运输车搭载的3D激光雷达（105）进行环境扫描，获得环境点云数据；
步骤6：点云数据处理，获取地面点云；
步骤7：地面点云处理，通过Alpha Shapes算法获取巷道边界；
步骤8：无人运输车的实时定位；
步骤9：传感器实时检测障碍物；
步骤10：局部路径规划，躲避障碍物；
步骤11：无人运输车完成自主导航任务，行驶到指定工作面；
步骤12：无人运输车与扒渣机配合，装运矿渣。
5.根据权利要求4所述适用于磷矿开采巷道的无人驾驶运输车系统的运行方法，其特征在于，所述步骤1的具体过程为：无人运输车根据已有的磷矿开采巷道环境地图，结合需要到达的工作面位置，利用全局路径规划算法，获得由起点到工作面的最佳路径，无人运输车跟踪既定路径，规划行驶速度，开始导航运动；
所述步骤2的具体过程为：无人运输车搭载的LED照明源提供有限范围的光源，该照明源均匀照亮以无人运输车为原点的磷矿开采巷道，但在更远距离的巷道中，照明将会减弱，使远处的巷道依旧位于未照亮的黑暗开放区域中；
所述步骤3的具体过程为：无人运输车搭载的深度相机（104）拍摄照明范围内的巷道图片，其内容是照亮的巷道和光源尽头的黑暗未照明巷道；首先通过对图片的处理，获得深度距离，进行形态学的加工，图像平滑和聚类操作，再将图片二值化，获得处理后的图片；
所述步骤4的具体过程为：无人运输车车载计算机使用步骤3中获得的二值化图片，对二值结果中的开放区域进行矩计算，提取质心，以质心为导航的航向点，深度信息为目标距离，下发给无人运输车的执行器，进行方向控制，使得无人运输车跟踪既定路径并按照正确方向行驶。
6.根据权利要求4所述适用于磷矿开采巷道的无人驾驶运输车系统的运行方法，其特征在于，所述步骤5的具体过程为：无人运输车搭载的3D激光雷达（105）进行磷矿开采巷道的扫描，得到3D激光雷达感知范围内巷道的点云数据；
所述步骤6的具体过程为：对步骤5中获得的点云数据进行处理，先对点云数据进行感兴趣区域分割，降低计算内存的损失，提高处理速度；接着将感兴趣区域内点云数据进行地面和地面上的磷矿开采巷道壁点云的分离，并保留地面点云数据；
所述步骤7的具体过程为：车载计算机处理步骤6获得的地面点云，通过Alpha Shapes算法获取磷矿开采巷道的边界信息，并计算巷道的居中位置，再将信息下发给无人运输车控制器，限制无人运输车在巷道中间行驶，避免接触或者碰撞巷道壁，以上步骤的处理，使得无人运输车在磷矿开采巷道中按照全局规划路径自主安全地行驶。
7.根据权利要求4所述适用于磷矿开采巷道的无人驾驶运输车系统的运行方法，其特征在于，所述步骤8的具体过程为：无人运输车在磷矿开采巷道中行驶，需要实时定位自己在巷道中的位置，结合3D激光雷达（105）和IMU（106）进行无人运输车定位，采用松耦合形式，以3D激光雷达（105）作无人运输车的状态估计，IMU（106）作观测数据，并使用扩展卡尔曼滤波融合数据，进行准确、鲁棒、无飘移的长期姿态估计，定位无人运输车位置；由于线速度估计不准确，使用质心点提供的航向信息，作为一个方向过滤器，准确估计行驶速度；
所述步骤9的具体过程为：磷矿开采巷道中存在工作人员、其它车辆和矿石块类动静态障碍物，用不同的传感器对这些障碍物进行实时的感知；3D激光雷达（105）感知范围比较远，在磷矿开采巷道中使用3D激光雷达（105）检测较远距离的运输车，通过相邻帧间的比较，得到对向运输车速度和距离信息，为无人运输车留足够的规划时间进行规划；深度相机（104）受自身结构影响，检测距离有限，所以使用深度相机实时拍摄近处的巷道环境信息，再利用深度学习算法对环境中存在的物体进行识别和跟踪，并估计动态物体的运动速度和轨迹；
所述步骤10的具体过程为：磷矿开采巷道作为单车道的通道，当遇到其它车辆时，会车比较麻烦，所以在巷道中每隔一定距离建有躲避硐，用于相向的两辆车进行会车；无人运输车导航前进的途中，遇到障碍物时，需要根据障碍物的类型并结合巷道中的交通规则，规划局部路径进行避让；首先，根据步骤8中的定位方式，确定自身在巷道中的位置，并结合巷道地图，确定躲避硐的位置，同时，车载计算机融合图片信息，建立带有语义信息的局部三维场景地图；然后，当无人运输车搭载的激光雷达按照步骤9中的方法检测到对向来车时，将以上信息传给无人运输车的决策模块（107），其根据对向车辆的速度和位置、“轻车让重车”及“便于避让”的巷道交通规则，决定自身行驶速度，并利用语义地图判断躲避硐的大小，确定无人运输车以半进入或全进入方式进入躲避硐避让；当深度相机（104）按照步骤9中方法检测到工作人员时，决策模块（107）根据行人速度和轨迹，结合语义地图判断此时巷道的宽度，决定减速或停车，避让工作人员；最后，在决策模块（107）做出决策后，联合规划模块（108）做出局部路径规划，再下发执行系统（103）。
8.根据权利要求4所述适用于磷矿开采巷道的无人驾驶运输车系统的运行方法，其特征在于，所述步骤11的具体过程为：通过步骤1-10，无人运输车完成全局导航任务，并依靠局部路径规划进行避障，安全的行驶到指定目标点；
所述步骤12的具体过程为：无人运输车搭载的深度相机（104）再次采集环境图片，传入前期训练好的神经网络，通过检测工作面的环境特征或者扒渣机装备，判断无人运输车是否到达开采作业面；当到达工作面时，结合环境图片的深度信息，调整无人运输车和扒渣机的距离，使两者配合，再开启扒渣机，装运矿渣。
9.根据权利要求4所述适用于磷矿开采巷道的无人驾驶运输车系统的运行方法，其特征在于，所述无人运输车完成自主导航的具体过程包括以下步骤：
S1为开始；
S2为启动无人运输车，使得无人运输车整个系统开始工作；
S3为无人运输车跟踪全局路径规划进行导航：
步骤A1：车载计算机根据已有的磷矿开采巷道地图，设置起点和终点，使用相关的全局路径规划算法，获得由起点到工作面的全局最优路径；
步骤A2: 无人运输车跟踪全局路径，在磷矿开采巷道中导航行驶；
S4为深度相机和3D激光雷达感知环境数据：
步骤B1：无人运输车在巷道中移动，利用深度相机和3D激光雷达感知巷道环境，安装在无人运输车上的照明源提供照明，深度相机借助光源实时拍摄巷道环境的环境图片；
步骤B2：无人运输车行进过程中，3D激光雷达实时扫描巷道环境，获得巷道点云信息；
S5为3D激光雷达和IMU感知无人运输车的状态：
步骤C1：无人运输车行进过程中，两模块作为独立实体，分别记录无人运输车的状态；3D激光雷达对无人运输车系统实时地进行状态估计，获取无人运输车系统内部的状态；IMU记录无人运输车的加速度、速度和航向角信息；
S6为深度相机和3D激光雷达数据处理：
步骤D1：利用步骤B1获得的环境图片，先获取图片的深度信息，接着对图片进行降噪、灰度化、二值化、聚类系列操作，再通过矩计算获得图片中开放区域的质心；
步骤D2：利用B2获得的巷道点云数据，先进行点云滤波，降低点云数量，通过点云分割获取感兴趣区域的点云，再过滤感兴趣区域巷道壁和壁顶的点云，保留路面点云，使用Alpha Shapes算法提取道路边界；
步骤D3：使用D1获得的质心点，D2中道路的边界信息，无人运输车获得安全地导航方向；
S7为3D激光雷达和IMU数据处理：
步骤E1：将步骤C1无人运输车状态估计信息和IMU的观测信息，使用扩展卡尔曼滤波，获得无人运输车在巷道中的实时状态，定位无人运输车在巷道中的位置；
S8为导航和定位信息：
步骤F1：导航和定位信息通过数据传输，下发给决策规划器；
S9为决策规划器：
步骤G1：步骤F1传来导航和定位信息，结合环境信息，决策模块负责确定无人运输车的运动方式，正常行驶、减速慢行或者进入躲避硐停车避让；在决策模块限定的范围内，规划模块结合车辆运动学模型、环境中的障碍信息、行驶任务等求解得到平滑连续的局部行车轨迹；
S10为无人运输车未到达指定位置：
步骤H1：通过对工作面路面特征、巷道壁和巷顶危险浮石的检测识别判断无人车未到达指定位置；
S11为无人运输车继续前进：
步骤I1：无人运输车未到达指定位置，跟踪全局路径继续前进，直到到达指定工作面；
S12为无人运输车到达指定位置：
步骤J1：通过对工作面路面、扒渣机、巷道壁和巷顶危险浮石特征的检测识别判断无人车到达指定位置，结束导航任务；
S13为无人运输车与其它工作装置配合完成作业：
步骤K1：通过深度相机拍摄的图片，识别扒渣机，并获得到扒渣机的距离，再调整无人车位置，同扒渣机配合，装运矿渣。
10.根据权利要求4所述适用于磷矿开采巷道的无人驾驶运输车系统的运行方法，其特征在于，采用无人驾驶运输车系统搭载系列矿山装备完成相关无人作业的过程，包括以下步骤：
S1.1为开始；
S1.2为利用本发明整套方案，在实现矿用车的无人驾驶基础上，利用无人运输车搭载的不同采矿装备完成不同的工作；
S1.3为搭载采矿装备的无人运输车，按照全局规划的路径行驶，并通过对工作面特殊标志物或特殊场景的识别，判断无人运输车到达指定位置；
S1.4为搭载采矿装备的无人运输车到达指定位置后，通过车载传感器采集工作面的工况信息；
S1.5为对S1.4采集的巷道工作面环境信息进行处理，如利用激光雷达扫描环境得到的点云，确定危险浮石的位置、高度、大小和方向角；使用深度相机拍摄的图片，再融合点云，重建待钻孔岩壁的三维场景模型，利用其确定岩面钻孔位置和密度信息；
S1.6为坐标变换：
步骤A1.1：利用S1.5中的环境处理数据，与无人运输车以及车载矿用装备进行坐标变化，获得待处理工作面与矿用装备的相对位置关系，再调整装备的位置，对指定工作位置进行处理，完成相关作业；
S1.7为无人作业：
步骤B1.1：根据步骤A1.1获得工作面与车载装备的位置关系，利用矿用装备精确完成无人作业，提高工作效率的同时，减少操作失误；
S1.8为判断未完成相关无人作业；
步骤C1.1：判断当前工作面的无人作业还未结束，继续返回数据处理部分，对工作面下一个位置的数据进行重复S1.5至S1.7的处理，继续无人作业；
S1.9为判断完成相关无人作业：
步骤D1.1：完成当前的无人作业，搭载相关采矿装备的无人运输车退出当前工作面；
S1.10为结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210575456.5A CN114954525A (zh) | 2022-05-25 | 2022-05-25 | 一种适用于磷矿开采巷道的无人驾驶运输车系统及运行方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210575456.5A CN114954525A (zh) | 2022-05-25 | 2022-05-25 | 一种适用于磷矿开采巷道的无人驾驶运输车系统及运行方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114954525A true CN114954525A (zh) | 2022-08-30 |
Family
ID=82956437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210575456.5A Pending CN114954525A (zh) | 2022-05-25 | 2022-05-25 | 一种适用于磷矿开采巷道的无人驾驶运输车系统及运行方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114954525A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115719364A (zh) * | 2022-11-14 | 2023-02-28 | 重庆数字城市科技有限公司 | 一种基于移动测量点云数据进行行人跟踪的方法和系统 |
| CN116437437A (zh) * | 2023-02-17 | 2023-07-14 | 内蒙古智盛达能源有限公司 | 一种基于5g网络的煤矿无人化采掘自动定位系统 |
| CN118310507A (zh) * | 2024-04-15 | 2024-07-09 | 理工雷科智途(北京)科技有限公司 | 一种基于井工矿场景巷道内环境感知的高精度地图更新方法 |
-
2022
- 2022-05-25 CN CN202210575456.5A patent/CN114954525A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115719364A (zh) * | 2022-11-14 | 2023-02-28 | 重庆数字城市科技有限公司 | 一种基于移动测量点云数据进行行人跟踪的方法和系统 |
| CN115719364B (zh) * | 2022-11-14 | 2023-09-08 | 重庆数字城市科技有限公司 | 一种基于移动测量点云数据进行行人跟踪的方法和系统 |
| CN116437437A (zh) * | 2023-02-17 | 2023-07-14 | 内蒙古智盛达能源有限公司 | 一种基于5g网络的煤矿无人化采掘自动定位系统 |
| CN118310507A (zh) * | 2024-04-15 | 2024-07-09 | 理工雷科智途(北京)科技有限公司 | 一种基于井工矿场景巷道内环境感知的高精度地图更新方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106774335B (zh) | 基于多目视觉和惯导的导引装置、地标布局及导引方法 | |
| CN114954525A (zh) | 一种适用于磷矿开采巷道的无人驾驶运输车系统及运行方法 | |
| CN112101128B (zh) | 一种基于多传感器信息融合的无人方程式赛车感知规划方法 | |
| Roberts et al. | Autonomous control of underground mining vehicles using reactive navigation | |
| CN102789233B (zh) | 基于视觉的组合导航机器人及导航方法 | |
| CN110502010B (zh) | 一种基于贝塞尔曲线的移动机器人室内自主导航控制方法 | |
| CN110262518A (zh) | 基于轨迹拓扑地图和避障的车辆导航方法、系统及介质 | |
| CN110296713A (zh) | 路侧自动驾驶车辆定位导航系统及单个、多个车辆定位导航方法 | |
| CN112477533B (zh) | 设施农业路轨两用运输机器人 | |
| CN114326732B (zh) | 一种机器人自主跟随系统及自主跟随控制方法 | |
| CN116576857A (zh) | 一种基于单线激光雷达的多障碍物预测导航避障方法 | |
| CN113885495B (zh) | 一种基于机器视觉的室外自动工作控制系统、方法及设备 | |
| CN114003035B (zh) | 一种机器人自主导航的方法、装置、设备及介质 | |
| CN112462762B (zh) | 一种基于路侧二维码单元的机器人室外自主移动系统及其方法 | |
| WO2022226479A1 (en) | Methods and systems for inferring unpainted stop lines for autonomous vehicles | |
| Tardioli et al. | A robotized dumper for debris removal in tunnels under construction | |
| CN116880484A (zh) | 一种煤矿井下无轨胶轮车运动规划控制方法与系统 | |
| Mäkelä | Outdoor navigation of mobile robots | |
| US20220196410A1 (en) | Vehicle navigation | |
| CN206862369U (zh) | 一种基于bim的机器人区域导航系统 | |
| Dragt et al. | An overview of the automation of load-haul-dump vehicles in an underground mining environment | |
| CN212828324U (zh) | 一种基于深度学习的无人驾驶汽车障碍物识别检测系统 | |
| Chang et al. | Real-Time Visual-Servo Navigation for Map-Free Self-Driving in Unstructured Outdoor Environments | |
| Ebert et al. | Robust long-range teach-and-repeat in non-urban environments | |
| Madhavan et al. | Issues in autonomous navigation of underground vehicles |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |