0 引言
随着我国煤炭产业综采自动化技术、综掘系列装备等接连实现重大突破，建设全生产过程智能化、信息化、机器人化的智慧矿井已成为煤炭产业的发展方向[1-2]。辅助运输系统是整个煤炭生产体系中的关键环节，其技术水平和作业效率直接关系到煤矿生产减人增效目标的达成。实现井下物料标准化装载、智能化配送、自动化转运和无人化运输的连续型辅助运输工艺是智慧矿井建设的必要条件和技术支撑[3-6]。而当前现有的煤矿辅助运输系统难以适应智能综采工作面、无人掘进工作面等的发展需求，亟需发展结合清洁动力、物联网和自动驾驶等技术的智能辅助运输系统，弥补智慧矿山建设的辅运短板。
煤矿辅助运输机器人是矿井智能辅助运输系统的配套装备。在煤矿井下深部受限空间内，通过机器视觉、无线通信、惯性导航、人工智能等技术，实现可靠的环境感知、精确的定位导航和快速的路径规划是研究辅助运输机器人的关键。杨林等[7]将即时定位与地图构建(Simultaneous Localization and Mapping，SLAM)技术应用到煤矿巡检机器人中，利用多线激光雷达和双目相机实现了小型履带式移动机器人在井下的自主感知定位。杜雨馨等[8]将机器视觉技术应用到掘进机位姿检测系统中，实现了掘进机机身位姿自动实时检测。李森[9]将惯性导航装置捷联于采煤机，实现了采煤机行走三维空间轨迹的实时测量。谭玉新等[10]将人工智能算法应用于煤矿井下搜救机器人的路径规划中，实现了移动机器人在井下局部复杂空间内的平稳行进。同时，物联网技术在煤矿井下的应用为建立覆盖辅助运输巷道的大范围、高可靠的无线通信网络提供了技术支撑：① 以超宽带(Ultra Wide Band，UWB)为代表的高精度定位技术已用于煤矿井下人员和设备定位，定位误差可控制在30 cm以内[11]。② 以远距离无线电(Long Range Radio，LoRa)为代表的低功耗广域网技术已在井下无线通信领域应用，在矿井复杂环境下的有效通信距离超过2 000 m，最高传输速率达37.5 kbit/s[12]。③ 5G和WiFi6等低延迟、高带宽的无线通信技术开始在煤矿井下投入使用[13]，可满足自动驾驶实时数据传输需求。
上述研究为煤矿辅助运输机器人提供了可借鉴的技术基础。但是与掘进机、采煤机和巡检机器人等设备移动速度较低、运行环境单一、路线相对固定的使用工况不同，辅助运输机器人需要在长达十几千米甚至几十千米的巷道内自主完成运输任务，移动速度较快、行驶路线多变、路面情况复杂，对设备的安全性、可靠性、智能化水平要求较高。针对辅助运输系统的特殊工况，本文首先构建了煤矿辅助运输机器人的技术架构，然后针对机器人的环境感知、定位导航和路径规划三大功能，分别提出了相应的解决方案。
1 煤矿辅助运输机器人技术架构
1.1 煤矿辅助运输机器人的结构形式
与防爆无轨胶轮车传统的布置形式不同，煤矿辅助运输机器人采用无驾驶室的结构设计，如图1所示。煤矿辅助运输机器人以自动驾驶系统为控制中枢，以轮式防爆线控动力底盘为移动平台，通过可更换的多种上装载具，实现不同物料在井下运输的无人化。
图1 煤矿辅助运输机器人结构
Fig.1 Structure of coal mine auxiliary transportation robot
为满足井下运输作业需求，适应不同的巷道条件，机器人最大载质量为5 000 kg，最大整机宽度为2 000 mm，最大长度为5 000 mm，最大高度为1 500 mm，最高井下作业车速为20 km/h。轮式动力底盘的行走、转向和制动等动作采用防爆线控技术，以实现自动驾驶系统对底盘运动的精确控制；同时，为解决防爆电驱平台长期存在的续航问题，该底盘具备动力电池快换功能，使机器人拥有连续作业能力。
1.2 煤矿辅助运输机器人的技术框架
煤矿辅助运输机器人总体技术框架如图2所示，分为4个层级，除顶层的云端服务及监控平台外，其余3层均属于机器人本体。
图2 煤矿辅助运输机器人技术框架
Fig.2 Technology configuration of coal mine auxiliary transportation robot
云端服务及监控平台属于智慧矿山建设的重要环节，可为物料运输机器人提供大数据平台支持，完成云端唤醒、实时监控功能，并可实现远程接管。
底层的防爆电驱动力底盘是辅助运输机器人的移动平台，为满足自动驾驶控制精度和响应速度要求，采用防爆线控技术实现运动功能。线控转向和线控加速由以防爆电动机为动力的牵引、转向系统实现，线控制动则通过防爆电液比例控制技术实现。
自动驾驶硬件平台主要由激光雷达、深度相机和测距雷达等传感设备，惯性测量单元(Inertial Measurement Unit，IMU)、GPS模块、UWB标签等定位模块和负责数据分析处理工作的计算单元组成。硬件平台选型需综合考虑设备的探测精度与价格成本，在满足井下自动驾驶功能需求的同时，尽量控制成本，以便于推广应用。此外，对于自动驾驶硬件设备的防爆设计，应避免激光雷达、深度相机等光学元件在增加防爆结构后造成探测精度的损失。
自动驾驶软件平台是整个机器人系统的核心，分为3个层级：实时操作系统层、软件运行框架层和功能模块层。为保证对传感器采集的数据及时进行计算分析，并执行相应操作，自动驾驶需要基于实时操作系统(Real-Time Operating System,RTOS)运行。软件运行框架层提供各功能模块的开发和运行环境，机器人操作系统(Robot Operating System, ROS)具备完整的开发工具包、灵活的计算调度模型及丰富的调试工具，能够统一提供配置管理、部署运行、底层通信等功能。功能模块层包括环境感知、定位导航、规划决策和运动控制等单元，是辅助运输机器人实现环境感知、定位导航和路径规划等主要功能的应用程序。
2 矿井低照度环境下视觉增强及感知融合技术
环境感知功能是移动机器人系统运行的基础。当前地面自动驾驶车辆主要采用以三维高精度激光雷达探测手段为主、其他探测方式为辅的环境感知解决方案[14]。然而该方案的成本过高，限制了自动驾驶技术的推广使用。与地面行驶环境相比，矿井交通环境相对单一，具有封闭的使用环境、较直的井下巷道、较低的行驶速度、最大双车道等利于自动驾驶技术落地的运行条件，但同时又存在路面起伏多、环境照度低、具有直角弯道、设备有防爆要求等特殊工况。
煤矿辅助运输机器人的环境感知功能采用激光和视觉融合的SLAM技术实现，其中激光SLAM传感器采用如图3(a)所示的单线激光雷达，视觉SLAM传感器采用如图3(c)所示的深度相机。该方案以相对较低的设备成本满足井下自动驾驶运行需求。
(a) 单线激光雷达
(b) 点云图像
(c) 深度相机
(d) 深度图像
图3 煤矿辅助运输机器人采用的环境感知传感器
Fig.3 Environment perception sensors adopted in coal mine auxiliary transportation robot
煤矿辅助运输机器人环境感知功能框架如图4所示。在机器人移动过程中，通过车载的激光雷达、深度相机和测距探头采集矿井环境信息，利用数据融合算法将实时采集的图像信息、深度信息和点云信息进行融合分析，建立巷道环境的精确数字地图，实现机器人在井下封闭空间内的感知定位。
图4 煤矿辅助运输机器人环境感知功能框架
Fig.4 Environment perception function framework of coal mine auxiliary transportation robot
为满足煤矿防爆要求，机器人采用若干隔爆型感知模块设计，将传感设备布置于各隔爆模块中，并结合底盘外形特点进行合理布置，实现对机器人周围环境的360°无盲区探测，以保证运输作业安全。机器人环境感知探测如图5所示，使用多个深度相机，组成环绕车身的视觉感知群，在行驶过程中利用红外成像技术，实现矿井低照度条件下对巷道三维环境的图像特征和深度信息提取；将2个单线激光雷达分别布置在底盘前后两端，利用其视野范围广、可靠性高的特点，实时采集运行环境的二维平面点云信息；再结合布置在车身周围的多个激光测距探头，利用其探测距离远、简单可靠的优势，共同组成机器人的远、中、近3层环境感知网络。
3 煤矿井下受限空间内的无线通信及定位技术
受限于地下作业环境，运输装备在煤矿井下难以接收GPS信号，地面常用的GPS+IMU的惯性导航技术无法使用。煤矿辅助运输机器人采用基于物联网的无线通信定位和基于SLAM的自主感知定位相结合的组合定位技术，实现煤矿井下受限空间内的精确定位。
图5 煤矿辅助运输机器人环境感知探测
Fig.5 Environment perception detection of coal mine auxiliary transportation robot
3.1 基于物联网的无线通信定位
利用物联网技术建立可覆盖机器人运行范围的无线通信网络，实现远程数据传输和运行状态实时监控，同时利用无线通信定位功能，实现机器人在巷道内的精确定位。当前主要无线通信技术参数对比见表1。煤矿辅助运输机器人采用低延迟WiFi+LoRa+UWB的无线通信解决方案：低延迟WiFi模块可提供1 Gbit/s以上的数据传输速率，满足机器人实时视频等数据的传输需求；LoRa模块提供远距离通信功能，有效通信距离超过2 km，可避免出现通信盲区；UWB模块提供高精度线性定位功能，定位精度可控制在30 cm以内。
表1 主要无线通信技术参数对比
Table 1 Comparison of parameters of main wireless communication technologies
网络类型技术名称工作频段最高传输速率通信距离/m主要应用无线广域网4G2～3 GHz100 Mbit/s远距离手机5G3～5 GHz20 Gbit/s远距离手机、物联网无线局域网NFC(近场通信)13.56 MHz424 kbit/s0.2门禁、近场通信RFID多频段1 kbit/s1物流、仓储WiFi2.4/5 GHz9.6 Gbit/s100无线上网ZigBee2.4 GHz200 kbit/s30传感器蓝牙2.4 GHz1 Mbit/s10多媒体UWB3.1～10.6 GHz1 Gbit/s10人员定位低功耗广域网LoRa<1 GHz(免费频段)100 kbit/s远距离物联网NB-IoT(窄带物联网)<1 GHz(授权频段)100 kbit/s远距离物联网
在井下部署相应的隔爆兼本质安全型通信基站，利用基站上安装的双侧定向天线实现基站布置间隔最大化(可达800～1 000 m)，通过较少的基站实现全矿井范围内的精确定位和无线通信覆盖，为机器人提供准确的定位坐标、及时的路径规划信息和稳定的数据通信功能。隔爆兼本质安全型通信基站具有建设成本低、通信覆盖范围广、兼容性强的特点，与4G或5G基站相比更加适合煤矿辅助运输系统使用。
3.2 基于SLAM的自主感知定位
煤矿辅助运输机器人在移动过程中通过自身环境感知模块采集数据信息，利用SLAM技术逐步构建运行巷道环境的高精度数字地图，同时利用地图信息实现对自身位置的准确估算[15-17]。煤矿辅助运输机器人自主定位技术如图6所示。
机器人进行作业任务时，首先,利用无线通信网络，通过自身携带的GPS模块(地面)或UWB标签(井下)，并结合IMU采集的数据对当前所处位置作出初步判断；然后，利用感知模块采集的环境点云图像和深度图像，与数据库中的高精度地图(可通过矿井大数据平台获取或利用车载感知模块通过深度学习算法构建)进行比对，并放在一个坐标系内做配准；最后,利用配对成功后数据确定自身准确位置，实现自主定位。实际测试结果表明，在准确建图的基础上，该定位方式的误差小于10 cm，可满足井下辅助运输机器人的导航定位需求。
图6 煤矿辅助运输机器人自主定位技术
Fig.6 Autonomous positioning technology of coal mine auxiliary transportation robot
4 煤矿巷道环境路径规划和安全避障机制
煤矿辅助运输机器人用于执行煤矿井下长距离运输作业任务，会面临巷道行驶环境多变、有分支和岔路、路面起伏不一、有坑洼或积水、各种障碍物复杂分布等情况。为高效、安全地完成物料运输作业，机器人需具有自主从出发点行进到目的地的能力，即具备路径规划和主动避障功能。从功能上划分，机器人路径规划可分为全局路径规划和局部路径规划[18-19]。机器人的路径规划依靠一系列算法实现，常见的路径规划算法比较见表2。通过分析各种算法的特点及适用性，结合煤矿井下辅运巷道的特殊工况，基于安全优先、提高效率的原则，煤矿辅助运输机器人的全局路径规划主要采用启发式搜索A*算法，而局部路径规划则采用动态窗口(Dynamic Window Approach，DWA)算法。
表2 路径规划算法比较
Table 2 Comparison of path planning algorithms
算法特点劣势适用范围Dijkstra算法广度优先搜索算法,从初始点向外层层扩散,直到目标点,得到两点之间的最短路径效率低,得到大量无用数据,占用内存空间多适用于基于栅格地图的全局路径规划A*算法启发式搜索算法,在广度优先的基础上加入了估价函数,实现了导向性搜索,算法效率高搜索空间较大时,搜索的时间长,空间复杂度较高适用于基于栅格地图的全局路径规划人工势场法将目标和障碍物对机器人运动的影响具体化成人造势场,数学描述简单、美观,生成的路径平滑、安全复杂的势场环境可能在目标点之外产生局部极小点,导致机器人无法到达目标既可用于全局路径规划,也可用于局部路径规划向量场直方图算法人工势场法的改进算法,能解决目标点附近陷阱干扰问题对阈值敏感,未考虑机器人动力学约束,影响运动规划适用于局部路径规划DWA算法将有限的速度和加速度的运动约束考虑到动态窗设计中,得到的路径安全、可靠存在局部最优解问题适用于局部路径规划
4.1 全局路径规划
煤矿辅助运输机器人完成主动定位后，根据作业任务和矿井数字地图确定出发点和目的地信息。采用空间分解算法将运行环境分解成由大小一致的离散节点构成的均匀栅格矩阵，对每个栅格单元内的障碍物占用信息(二进制数)进行编码，并在可通行栅格内利用巷道坡度、路面状况等信息标定出通过代价值(整数值)。采用小的栅格单元能够更为理想地逼近任意路径，但会导致计算负荷较高。因无轨辅运巷道具有相对封闭、狭长、正、直的特点，所以栅格单元可适当增大，但出于安全考虑，栅格尺寸不宜超过机器人与巷道侧壁的最小安全距离。
煤矿辅助运输机器人全局路径规划如图7所示，其中X，Y为巷道坐标信息。障碍物占据区域用1表示(灰色栅格)，禁止通行；通行区域用0表示(白色栅格)，可以通行。
图7 煤矿辅助运输机器人全局路径规划
Fig.7 Global path planning of coal mine auxiliary transportation robot
采用基于环境栅格地图的最短路径搜索算法(A*算法)，根据用时、距离、通过性、安全性等指标，规划出一条最优的行驶路线；以该路线为基础，构建一系列离散型的辅助运输机器人运动状态栅格(图7中虚线方框)；以机器人最小转弯半径为边长，利用模型预测控制算法，以系列点阵的形式对行驶路线进行修正，规划出合理的全局期望路径，以使其符合机器人的运动学约束条件。
4.2 局部路径规划
局部路径规划也称为避障规划，是指机器人在移动过程中为规避意外的突发事件(如没有预知的施工人员、行进路线上临时出现的作业装备或各种障碍物)而规划的未来一段时间内的期望行驶路线。局部路径规划需考虑对全局路径的跟踪能力和安全的避障机制。常用的局部路径规划算法有人工势场法、神经网络算法、向量场直方图算法和DWA算法。
煤矿辅助运输机器人局部路径规划技术框架如图8所示。基于全局路径规划中生成的栅格地图，结合自身几何参数，利用激光雷达、深度相机等感知模块提供的实时环境信息，构建局部代价地图；综合激光里程计和视觉里程计信息，以及IMU提供的机器人实时位姿参数，通过DWA算法，在速度空间(v，ω)(v为行驶速度，ω为转向角速度)中采样多组速度，计算机器人在这些速度下一定时间内的运动轨迹，并对这些轨迹进行评价，从中选取最优轨迹所对应的速度来驱动机器人运动。局部最优路径的主要评价指标如下：生成轨迹与全局规划路径的贴合程度,生成轨迹与目标点的距离,生成轨迹上是否存在障碍物。
图8 煤矿辅助运输机器人局部路径规划技术框架
Fig.8 Local path planning technical framework of coal mine auxiliary transportation robot
煤矿辅助运输机器人局部路径规划如图9所示。机器人沿全局期望路径行驶时，环境感知单元实时探测运行环境，若发现全局路径上出现难以通过的障碍物，则重新规划行驶路径，选择局部最优路径，完成运输作业。
5 结论
(1) 煤矿辅助运输机器人是智能无轨辅助运输系统的关键运载平台，利用自动驾驶技术和物联网技术完成矿井复杂环境下点对点的无人化物料运输作业，可有效突破当前智慧煤矿建设中存在的辅助运输瓶颈，对实现煤矿生产减人增效有重要意义。通过建立煤矿辅助运输机器人的技术框架，明确了机器人各系统层级关系和功能单元组成。
图9 煤矿辅助运输机器人局部路径规划
Fig.9 Local path planning of coal mine auxiliary transportation robot
(2) 针对矿井运行环境，提出了低照度环境下的机器视觉增强及感知融合技术。通过深度相机红外成像技术和平面激光雷达探测技术相融合的方法，以较低的硬件成本实现煤矿辅助运输机器人对运行环境的可靠感知。感知单元的防爆结构采用模块化设计，通过合理规划各防爆感知单元的布设位置，实现机器人对周围环境的无死角探测，保障作业安全。
(3) 利用物联网技术，通过部署防爆基站的方式，实现机器人作业环境范围内无线通信网络的覆盖；同时，结合SLAM技术和UWB无线通信定位技术，实现煤矿辅助运输机器人在煤矿井下受限空间内的精确定位。
(4) 煤矿辅助运输机器人的路径规划采用全局路径规划和局部路径规划相结合的方式实现。全局路径规划通过构建作业范围的栅格地图，利用最短路径搜索算法规划出一条最优的全局期望路径。局部路径规划采用DWA算法，计算模拟出机器人在多种速度条件下的运动轨迹，并从中选取最优轨迹所对应的速度来驱动机器人运动。
[1] 王国法,王虹,任怀伟,等.智慧煤矿2025情景目标和发展路径[J].煤炭学报,2018,43(2):295-305.
WANG Guofa,WANG Hong,REN Huaiwei,et al.2025 scenarios and development path of intelligent coal mine[J].Journal of China Coal Society,2018,43(2):295-305.
[2] 李首滨.智能化开采研究进展与发展趋势[J].煤炭科学技术,2019,47(10):102-110.
LI Shoubin.Progress and development trend of intelligent mining technology[J].Coal Science and Technology,2019,47(10):102-110.
[3] 谭章禄,吴琦.智慧矿山理论与关键技术探析[J].中国煤炭,2019,45(10):30-40.
TAN Zhanglu,WU Qi.Analysis and discussion of smart mine theory and key technologies[J].China Coal,2019,45(10):30-40.
[4] 李梅,杨帅伟,孙振明,等.智慧矿山框架与发展前景研究[J].煤炭科学技术,2017,45(1):121-128.
LI Mei,YANG Shuaiwei,SUN Zhenming,et al.Study on framework and development prospects of intelligent mine[J].Coal Science and Technology,2017,45(1):121-128.
[5] 杨健健,张强,王超,等.煤矿掘进机的机器人化研究现状与发展[J/OL].煤炭学报:1-12[2020-03-17]. http://kns.cnki.net/kcms/detail/11.2190.TD.20200215.0149.003.html.
YANG Jianjian,ZHANG Qiang,WANG Chao,et al.Status quo and development of robotization research of coal mine roadheader[J/OL].Journal of China Coal Society:1-12[2020-03-17].http://kns.cnki.net/kcms/detail/11.2190.TD.20200215.0149.003.html.
[6] 葛世荣.煤矿机器人现状及发展方向[J].中国煤炭,2019,45(7):18-27.
GE Shirong.Present situation and development direction of coal mine robots[J].China Coal,2019,45(7):18-27.
[7] 杨林,马宏伟,王岩,等.煤矿巡检机器人同步定位与地图构建方法研究[J].工矿自动化,2019,45(9):18-24.
YANG Lin,MA Hongwei,WANG Yan,et al.Research on method of simultaneous localization and mapping of coal mine inspection robot[J].Industry and Mine Automation,2019,45(9):18-24.
[8] 杜雨馨,刘停,童敏明,等.基于机器视觉的悬臂式掘进机机身位姿检测系统[J].煤炭学报,2016,41(11):2897-2906.
DU Yuxin,LIU Ting,TONG Minming,et al.Pose measurement system of boom-type roadheader based on machine vision[J].Journal of China Coal Society,2016,41(11):2897-2906.
[9] 李森.基于惯性导航的工作面直线度测控与定位技术[J].煤炭科学技术,2019,47(8):169-174.
LI Sen.Measurement & control and localisation for fully-mechanized working face alignment based on inertial navigation[J].Coal Science and Technology,2019,47(8):169-174.
[10] 谭玉新,杨维,徐子睿.面向煤矿井下局部复杂空间的机器人三维路径规划方法[J].煤炭学报,2017,42(6):1634-1642.
TAN Yuxin,YANG Wei,XU Zirui.Three-dimensional path planning method for robot in underground local complex space[J].Journal of China Coal Society,2017,42(6):1634-1642.
[11] 陈新科,喻川,文智力.UWB定位技术在煤矿井下的应用[J].煤炭科学技术,2018,46(增刊1):187-189.
CHEN Xinke,YU Chuan,WEN Zhili.Application of UWB positioning technology in underground mine[J].Coal Science and Technology,2018,46(S1):187-189.
[12] 张新.矿山井下定位技术应用现状[J].化工矿物与加工,2020,49(5):51-55.
ZHANG Xin. Application status of underground positioning technology in mines[J].Industrial Minerals & Processing,2020,49(5):51-55.
[13] 孙继平,陈晖升.智慧矿山与5G和WiFi6[J].工矿自动化,2019,45(10):1-4.
SUN Jiping,CHEN Huisheng.Smart mine with 5G and WiFi6[J].Industry and Mine Automation,2019,45(10):1-4.
[14] 赵国旗,杨明,王冰,等.基于智能终端的移动机器人室内外无缝定位方法[J].上海交通大学学报,2018,52(1):13-19.
ZHAO Guoqi,YANG Ming,WANG Bing,et al.Mobile robot seamless localization based on smart device in indoor and outdoor environments[J].Journal of Shanghai Jiaotong University,2018,52(1):13-19.
[15] CADENA C,CARLONE L,CARRILLO H,et al.Past,present,and future of simultaneous localization and mapping:toward the robust-perception age[J].IEEE Transactions on Robotics,2016,32(6):1309-1332.
[16] 孙曼晖,杨绍武,易晓东,等.基于GIS和SLAM的机器人大范围环境自主导航[J].仪器仪表学报,2017,38(3):586-592.
SUN Manhui,YANG Shaowu,YI Xiaodong,et al.Autonomous navigation of robot in large-scale environments based on GIS and SLAM[J].Chinese Journal of Scientific Instrument,2017,38(3):586-592.
[17] MUR-ARTAL R,TARDOS J D.ORB-SLAM2:an open-source slam system for monocular,stereo and RGB-D cameras[J].IEEE Transactions on Robotics,2017,33(5):1255-1262.
[18] 朱大奇,颜明重.移动机器人路径规划技术综述[J].控制与决策,2010,25(7):961-967.
ZHU Daqi,YAN Mingzhong.Survey on technology of mobile robot path planning[J].Control and Decision,2010,25(7):961-967.
[19] 马军,宋栓军,韩军政,等.融合蚁群-A*算法的移动机器人路径规划[J].西安工程大学学报,2020,34(1):72-77.
MA Jun,SONG Shuanjun,HAN Junzheng,et al.Mobile robot path planning based on a fusion ant colony-A* algorithm[J].Journal of Xi'an Polytechnic University,2020,34(1):72-77.