无人驾驶地下矿用汽车路径跟踪与速度决策研究

随着我国对地下矿产资源开采量的显著增加,国家大力发展深部采矿,随着开采深度增加,工作环境高温、高湿、噪声振动等对矿山设备操作人员健康造成极大危害,因此无人驾驶系统受到广泛关注。本文以30吨级地下矿用铰接式自卸车为研究对象,针对无人驾驶地下矿用汽车的路径跟踪控制、速度决策算法方面做了相应的研究。旨在实现无人驾驶过程中的路径跟踪和抑制地形引起的整车振动。本文对实车进行电气化改造,并搭建了小比例模型样机,建立了用于硬件在环仿真的实时模型虚拟样机。在实车和小比例样机上加装了相同的信息采集系统、通信系统和主控制器,实现了地下矿用汽车实车及其模型样机的人工操作、遥控操作以及无人驾驶功能。在样机的基础上定义了参考轨迹与实际轨迹的偏差并证明了车速与整车垂向振动响应幅值线性关系。对实车转向与速度控制模型进行系统辨识,发现转向控制模型为纯滞后比例环节,速度控制模型为纯滞后一阶惯性环节。为路径跟踪与速度决策算法设计提供了理论依据。根据反应式导航控制策略,以PID控制算法为基础,设计了基于强化学习的自适应PID路径跟踪方向控制器,该控制器以轨迹偏差为输入,以转角控制量为输出,通过强化学习算法对PID参数进行在线自适应整定。之后根据驾驶员预瞄模型,制定了路径跟踪速度控制策略,并设计了基于监督学习的模糊神经网络路径跟踪速度控制器。利用监督学习算法,以驾驶员行驶数据作为训练样本,对控制器参数进行学习。以垂向振动加速度幅值与车速的线性关系为基础,推导了基于整车垂向振动的理想速

度,并以路径跟踪速度控制器输出、理想速度和纵向加速度作为约束,设计了速度决策算法,参数通过监督学习算法由驾驶员数据训练得出。随后定义了激光雷达点云数据的特征向量和地形粗糙度评分函数,并根据粗糙程度将地形分类二值化以使用自监督学习算法进行学习,学习样本由激光雷达和惯性导航模块数据经滤波后在线自动产生。将地形粗糙度结果用于速度预测从而改进速度决策算法。最后通过仿真验证和道路实车实验分别对路径跟踪和速度决策算法进行测试。路径跟踪实验结果显示自适应PID路径跟踪方向控制器相比传统固定参数PID控制器横向位置偏差、航向角偏差、曲率偏差和转角控制量的幅值、均值、方差均有明显减少,而模糊神经网络路径跟踪速度控制器输出与驾驶员速度控制意图接近；速度决策算法实验结果显示该算法结合速度预测在崎岖路面可以明显降低整车超阈值垂向振动次数与幅值,同时在平坦路面能够提高车速。实验结果证明了路径跟踪方向和速度控制器能够对无人驾驶地下矿用汽车进行有效控制。速度决策算法可以有效抑制由地形引起的整车垂向振动。本文为无人驾驶地下矿用汽车路径跟踪与速度决策研究提供了理论依据。