试论地下遥控铲运机的行驶智能控制策略

1 行驶智能控制策略的理论概述

1.1 地下环境动态建模与约束条件分析

地下矿山巷道环境的三维空间建模是智能控制策略实施的前提条件。巷道结构呈现非均匀几何特征，其断面形状随地质条件变化存在显著差异，直线段与弯道连接处形成的复合曲面对设备运动轨迹产生空间约束。建模过程中需综合考虑顶板起伏、侧壁凹凸度以及轨道基础沉降等动态因素，通过激光点云数据与巷道设计图纸的配准处理，构建包含高程信息的巷道数字孪生体。

环境约束条件主要体现为设备运动学限制与作业安全边界。巷道有效通行宽度与铲运机本体尺寸的匹配关系决定了转向机构的动作阈值，尤其在交叉路口区域需预留安全裕度防止侧向刮擦。能见度约束源于井下粉尘浓度波动，导致视觉传感器有效探测距离呈现非线性变化，需建立光照衰减模型修正图像识别误差。动态障碍物约束包括矿石散落体随机分布和辅助设备临时占道，要求模型具备实时障碍物体积估算与碰撞风险预测功能。

建模过程中采用分层处理策略，将巷道环境分解为静态结构层与动态事件层。静态层通过 B 样条曲线拟合巷道中心线走向，建立以巷道轴线为基准的极坐标系，量化各断面位置的最大允许偏移量。动态层引入事件驱动机制，利用毫米波雷达扫描数据构建障碍物运动趋势场，结合历史运行数据建立碎石堆积概率分布图。

1.2 智能控制算法在移动装备中的应用原理

智能控制算法在移动装备中的核心作用，在于将复杂环境信息转化为可执行的设备动作指令。这类算法通过模仿人类决策思维，建立输入信号与输出控制量之间的映射关系，特别适合处理地下巷道这类具有不确定性的作业环境。其应用原理可分解为三个关键环节：环境感知数据处理、控制决策生成和执行机构调节。

在环境感知环节，算法需要整合来自激光雷达、惯性测量单元和视觉传感器的多源数据。激光雷达提供精确的距离信息，用于构建设备周边障碍物的三维点云；惯性测量单元实时监测铲运机的姿态变化，补偿因路面颠簸造成的测量误差；视觉传感器则通过图像识别技术捕捉巷道壁面特征。

控制决策生成阶段主要采用模糊逻辑与经典控制理论相结合的方法。针对巷道直线段行驶场景，算法建立基于横向偏差的模糊规则库，将设备中心线与巷道轴线的偏移量划分为"轻微偏离""中度偏离"等语言变量，对应输出不同强度的转向修正指令。在弯道区域，引入预瞄控制机制，根据前方路径曲率提前计算最优转向角度，并通过 PID 参数自整定实现平滑过渡。

执行机构调节环节重点解决控制指令到机械动作的精准转化问题。转向系统采用伺服电机与液压助力相结合的驱动方式，算法将决策层输出的转向角度转化为电机转速脉冲信号，同时监测液压油压变化防止过载。针对紧急制动工况，设计分级响应机制：当检测到障碍物距离低于安全阈值时，优先启用电子制动实现快速减速；在常规停车场景则采用液压制动确保平稳性。

2 多模态融合控制策略设计

2.1 基于 SLAM 的实时路径规划系统架构

实时路径规划系统的核心功能是让铲运机在未知环境中自主确定行进路线。该系统通过同步定位与地图构建技术（SLAM），将设备自身位置识别与环境建模两个过程有机结合。具体实施时，激光雷达与视觉传感器协同工作，前者扫描巷道轮廓生成点云数据，后者捕捉轨道标识等特征信息，共同构建巷道三维数字地图。

系统架构包含四个功能模块：环境感知层负责采集多源数据，采用自适应滤波算法消除粉尘干扰；定位与建图层通过粒子滤波算法实现设备位姿估算，建立包含障碍物坐标的增量式地图；路径决策层根据当前作业任务生成全局路径，并依据实时地图更新局部避障路径；控制执行层将路径坐标转化为转向角度与速度指令。

在动态避障场景中，系统采用双层规划机制。全局路径规划基于巷道拓扑结构选择最优运输路线，采用改进 AI 算法计算初始路径。当毫米波雷达检测到临时障碍时，局部路径规划立即启动，通过动态窗口法评估可行运动轨迹，选择既能避开障碍又符合设备运动学约束的临时路径。规划过程中引入安全走廊概念，确保铲运机轮廓与巷道壁保持合理间距。

针对井下特殊环境，系统设计了路径修正策略。在能见度低于阈值时，自动增强惯性导航数据的权重，通过航位推算维持定位精度。弯道区域采用预瞄控制技术，提前计算转向切入点并优化速度曲线。交叉路口处融合历史运行数据，建立优先通行规则库，通过模糊推理确定最优通过时机。

2.2 模糊 PID 与强化学习的协同控制机制

模糊 PID 与强化学习的协同控制机制通过融合经典控制理论与智能算法优势，有效提升了铲运机在动态环境中的控制品质。该机制以模糊 PID控制器为基础执行层，利用强化学习算法构建策略优化层，形成双闭环控制架构。在实际运行中，两类方法通过数据交互与参数共享实现优势互补，既保证了控制的实时性，又增强了系统的自学习能力。

在控制执行层面，模糊 PID 控制器根据实时采集的路径偏差、转向角度等参数，通过预设的模糊规则库动态调整比例、积分、微分系数。例如当铲运机进入碎石堆积区域时，横向位置误差的增大触发模糊推理模块，自动降低比例系数以防止转向过调，同时增强积分作用消除稳态误差。这种自适应调节特性使设备在路面附着系数突变时仍能保持平稳行驶。

强化学习层通过建立状态-动作价值函数库，对长期控制效果进行策略优化。系统将巷道环境特征抽象为状态空间，包括弯道曲率、障碍物分布、能见度等级等维度；将控制参数调整、速度规划等操作定义为动作空间。在设备运行过程中，Q-learning 算法持续评估不同控制策略的累积奖励值，逐步形成最优控制策略映射表。

两类控制方法的协同通过三个关键接口实现：首先在参数共享方面，强化学习输出的最优控制策略作为模糊 PID 规则库的更新依据；其次在状态感知方面，模糊控制器的实时误差数据为强化学习提供环境反馈；最后在决策融合方面，设计加权仲裁模块对两类控制指令进行综合评判。当设备遭遇未学习过的工况时，优先采用模糊 PID 的即时响应；在熟悉环境中则侧重强化学习的优化策略。

结语

本研究旨在构建适应地下复杂环境的智能行驶控制系统，重点解决三个核心问题：首先，建立多源信息融合机制，整合激光雷达、惯性导航和视觉传感器的实时数据，提升设备在低照度条件下的环境感知能力；其次，开发具有自主决策能力的控制算法，使设备能够根据巷道结构特征自动切换直线循迹、弯道转向等控制模式；最后，优化人机协同机制，在保留必要人工干预通道的同时，通过智能算法降低操作人员的实时操控负荷。

参考文献

[1]赵德俊.大型公共建筑电气智能化设计研究.工程建设,2024

[2]王海东,邱冠周,黄圣生.基于多智能体的水泥生产过程控制系统研究（I）——控制策略与系统结构.2004,13:71-74

[3]沈宇,王晓,韩双双等.代理技术 Agent 在智能车辆与驾驶中的应用现状.2019,5