煤矿地下毫米波雷达点云成像与环境地图导航研究进展.pdf

第 45 卷第 6 期煤 炭 学 报Vol. 45 No. 6 2020 年6 月JOURNAL OF CHINA COAL SOCIETYJun. 2020 移动阅读 陈先中,刘荣杰,张森,等. 煤矿地下毫米波雷达点云成像与环境地图导航研究进展[J]. 煤炭学报,2020,45 62182-2192. doi10. 13225/ j. cnki. jccs. ZN20. 0316 CHEN Xianzhong,LIU Rongjie,ZHANG Sen,et al. Development of millimeter wave radar imaging and SLAM in under- ground coal mine environment[J]. Journal of China Coal Society,2020,4562182-2192. doi10. 13225/ j. cnki. jccs. ZN20. 0316 煤矿地下毫米波雷达点云成像与环境地图 导航研究进展 陈先中1,2,刘荣杰1,张 森1,2,曾 慧1,2,杨鑫鹏1,邓 浩1 1. 北京科技大学 自动化学院,北京 100083; 2. 北京科技大学 工业过程知识自动化教育部重点实验室,北京 100083 摘 要环境感知与地下空间导航是煤矿智能化信息领域的重要研究方向,对实现无人化、全自动 化、智能化的煤矿生产作业至关重要。 随着第五代移动通信技术5th generation mobile networks, 5G和毫米波成像雷达软硬件日益紧密结合与成熟,毫米波探测与通讯应用到更多领域。 5G 通讯 技术依托高速率、低延时、高带宽的特点给现有的无线电通讯技术带来巨大的变革;同时,毫米波雷 达相比激光雷达,低成本、抗干扰、三维点云3 dimension point cloud,3D数量相对激光点云数量少 1 2 个数量级的特点,使得其在地下环境 3D 成像及同步定位与地图构建Simultaneous Localiza- tion and Mapping,SLAM领域得到越来越多的关注。 基于5G 通讯的 V2XVehicle to Everything技 术结合毫米波 SLAM 导航,为煤矿机器人的自主导航提供新的解决方案。 系统综述了当下煤矿机 器人自主导航以及实现煤矿智能化所面临的问题;近期国内外毫米波成像最新进展;地下环境毫米 波雷达模块组通讯与信号获取方法;高分辨率成像遇到的稀疏特征提取问题;稀疏点云的处理策略 与算法评估;深度学习在毫米波稀疏点云处理中的研究现状与发展方向;SLAM 算法应用于不同环 境的研究现状及 SLAM 导航算法。 归纳了煤矿地下环境中应用 SLAM 地图构建、路径规划及避障 的困难和挑战,并对未来煤矿复杂环境下毫米波通讯与导航兼容并蓄的新应用提出了展望。 关键词毫米波雷达;地下采矿;3D 成像;同步定位与地图构建;稀疏点云;深度学习 中图分类号TP242;TD67 文献标志码A 文章编号0253-9993202006-2182-11 收稿日期2020-02-28 修回日期2020-03-31 责任编辑郭晓炜 基金项目国家自然科学基金资助项目61671054,61673056;北京市自然科学基金资助项目4182038 作者简介陈先中1966,男,安徽合肥人,教授,博士。 Tel010-62334867,E-mailcxz ustb． edu． cn Development of millimeter wave radar imaging and SLAM in underground coal mine environment CHEN Xianzhong1,2,LIU Rongjie1,ZHANG Sen1,2,ZENG Hui1,2,YANG Xinpeng1,DENG Hao1 1. School of Automation and Electrical Engineering,University of Science and Technology Beijing,Beijing 100083,China; 2. Key Laboratory of Knowledge Automation for Industrial Processes of Ministry of Education,University of Science and Technology Beijing,Beijing 100083,China AbstractEnvironmental detection and underground space navigation is an important research direction in the field of intelligent ination for coal mines,which is very important for the realization of unmanned,fully automatic and intel- ligent coal mine production. With the development of the Fifth Generation Mobile Networks 5Gand mmWave ima- ging technology,the integration of hardware and software design of millimeter wave in the detection and communication has been a considerable growth. The 5G communication technology relies on the characteristics of high speed,low de- lay and high bandwidth,which brings great changes to the existing radio communication technology. Compared with la- 第 6 期陈先中等煤矿地下毫米波雷达点云成像与环境地图导航研究进展 ser,mmWave radar has the characteristics of low cost,anti-jamming,and the point cloud pixels for each frame of image are 1-2 orders less than that of laser,which makes its more popular in the 3D imaging of underground environment and simultaneous localization and mapping SLAM. The V2X Vehicle to Everything technology based on 5G com- munication combined with millimeter wave SLAM navigation provides a new solution for the autonomous navigation of coal mine robots. This paper systematically reviews the problems faced by the autonomous navigation of coal mine ro- bots and the realization of intelligent coal mine,and the research progress of mmWave imaging recently. The sparse feature extraction for high-resolution imaging,and also the schematic diagram of communication and signal ac- quisition for multiple module groups are introduced. The processing strategy and algorithm uation of sparse point cloud and the research status and development direction of deep learning in sparse point cloud processing of mmWave imaging are summarized. Finally,the problems and challenges of SLAM map construction,path planning and obstacle avoidance in the underground mining environment,the research status of SLAM algorithm applied to different environ- ments and SLAM navigation algorithm are categorized and elaborated. In addition,the problems that need to be solved in the further study of millimeter wave communication and navigation and possible future development directions are proposed. Key wordsmillimeter wave radar;underground mining;3D imaging;sparse point cloud;simultaneous localization and mapping;deep learning 煤矿智能化是国家提倡的重点研发方向之一,也 是实现煤矿产业转型和解决煤矿安全问题的关键。 目前,我国的煤矿智能化仍然处于综采自动化与可视 化远程干预相结合的半自动阶段[1],而实现煤矿智 能化需要智能感知、智能决策和自动执行 3 方面技术 支撑[2]。 2019 年,国家煤矿安监局发布的煤矿机器 人重点研发目录提出重点研发掘进、采矿、运输、安 控和救援 5 类、38 种机器人。 煤矿机器人作为实现 煤矿智能化的一个重要方式被提上日程[3]。 对于井下煤矿机器人而言,实现智能化所面临的 主要挑战是开发强大且精确的机器人感知系统、导航 系统及通讯系统。 目前,捷联式惯性导航系统、超宽 带Ultra Wide Band,UWB定位系统已经在煤矿井下 有所应用,但是由于煤矿巷道及工作面的截面空间尺 寸多为米级以下,因此米级精度的定位技术已经难以 满足煤矿井下机器人自主定位导航的需求[4]。 同 时,煤矿井下环境黑暗、复杂,并且动态的开采也会带 来空间的动态变化和产生大量的粉尘,这对煤矿机器 人的鲁棒性、适应性及动态导航能力提出了更高的要 求。 毫米波雷达其鲁棒性好、穿透能力强、高精度、可 全天时、全天候使用的特点,适合作为煤矿机器人主 动式传感器。 当毫米波雷达启动成像模式,可实现目 标检测与识别、路径规划和导航。 另外使用基于毫米 波的 5G 无线通讯技术可以满足煤矿井下对通讯链 路高速率、低延时、高可靠的要求。 笔者提出采用毫米波成像雷达作为传感器的自 主定位导航构想。 比较分析毫米波和激光在煤矿井 下成像特点,提出毫米波成像结合 5G 通讯的解决方 案;分析 SLAM 配合稀疏点云构建地图及导航所面临 的任务与挑战并展望利用毫米波雷达在煤矿地下环 境中自主导航的发展趋势。 1 煤矿地下环境特征 世界上大部分的煤炭储量都在地下,我国 95 以上的煤矿都是井工煤矿,井深平均在 500 m 以 上,其作业环境具有明显的特殊性。 煤矿地下环境 多粉尘和瓦斯,粉尘主要来源于掘进机开采煤岩石 及加工、运输、装料所产生的各种煤尘与岩尘,全尘 质量浓度可达 500 600 mg/ m3[5],伴随着煤炭开采 所产生的瓦斯容易发生引燃和爆炸,高粉尘和瓦斯 的煤矿地下环境要求传感器必须本安防爆并且有 一定的穿透力;煤矿地下环境高温高湿,受地热效 应、人体和机电设备的散热影响,空气温度有时高 达 35 ℃和接近 100 的相对湿度[6];煤矿巷道环境 黑暗、封闭、狭长、多转角,部分巷道壁凹凸不平,给 定位导航带来不便[7];煤矿地下电磁环境复杂,受 巷道形状、地磁干扰以及大型的电气设备多且集中 等问题的影响导致信号更容易遇到屏蔽、干扰、折 射以及传播距离有限等问题[8]。 随着煤矿地下无 人化智能设备增多,高并发和大数据传输及系统对 实时性的要求,都对当下现有的通讯方式提出新的 挑战。 因此在煤矿地下环境中的自主定位导航需要克 服多粉尘、高温、高的空气湿度、强噪音、强振动、强气 流和复杂电磁环境等地上环境所没有的问题,这对传 感和通讯技术提出了更高的要求。 3812 煤 炭 学 报 2020 年第 45 卷 2 毫米波雷达及 5G 融合 2． 1 毫米波雷达 毫米波雷达mmWave radar 的波长介于 1 10 mm,对应频率范围为 30 300 GHz。 毫米波雷达 发射的电磁波信号被其传播路径上的物体阻挡并反 射。 通过捕捉反射信号,雷达可以确定目标的距离、 速度和角度。 由于毫米波波长短,其天线尺寸可以做 到很小;另外波长短意味着高精度,例如工作频率为 76 81 GHz对应波长约为 4 mm的毫米波系统将 能够检测 0． 1 mm 尺度的移动点。 与其他传感器如激光、视觉或惯导相比,毫米 波雷达具有在恶劣天气及不可预测的照明条件下高 可靠与主动测量的特点;此外,毫米波雷达配备长短 程探测单元和环绕车身的分布式天线设计,这使得煤 矿机器人能够模仿地面环境的无人驾驶。 若是遇到 煤矿坍塌、瓦斯爆炸等特殊情况,环境将充满不确定 性。 此时装载毫米波雷达的机器人可以在大量粉尘 弥漫、充满瓦斯等危险气体、缺少照明和外部定位的 环境下开展救援行动。 文献[9-10]中给出毫米波雷 达在重尘云零能见度的采矿环境下所表现的良好 性能。 如图 1 所示,在煤矿地下环境中,可通过车载、 机载的方式实现对井下圆形、矩形巷道或者工作面的 环境感知。 图 1 不同场景下车载、机载和移动式毫米波雷达工作示意 Fig． 1 Working diagram of vehicle borne,airborne and mobile mmWave radar in different scenes 煤矿地下环境多尘、极暗、空气湿度大,激光雷 达Light Detection and Ranging,Lidar 相比毫米波 雷达虽然其分辨率高,但在恶劣环境下探测范围、 精度严重下降[11],相反毫米波雷达穿透力强、鲁棒 性好,全天候的感知能力,尤其是成像雷达的引入 克服了现有毫米波雷达的低分辨率的重大缺点,对 大视场长距离范围具体对象的识别更加全面,更适 合在煤矿地下使用。 表 1 是激光雷达和毫米波雷 达的技术经济性比较。 表 1 激光雷达和毫米波雷达的比较 Table 1 Comparison between Lidar and millimeter wave radar 指标激光雷达毫米波雷达 测距范围/ m0． 1 1000． 2 200 测距精度/ mm1 510 100 穿透性差好 价格高低 随着技术的发展和迭代,单芯片集成化毫米波雷 达MMIC和虚拟孔径 4D 成像雷达成为前沿技术。 目前,美国 TITexas Instruments公司推出首款集成 了射频前端、DSP 和 MCU 的 RFCMOS 单芯片毫米波 传感器,在减小尺寸的同时检测空间和速度分辨率提 高了 3 倍,多个芯片级联有效增强了雷达的分辨 率[12]。 目前,基于方位角、仰角、距离和多普勒等四 维数据立方体的 4D 成像雷达[13],支持 2 000 多个虚 拟通道,实现方位 1、高程 2分辨率,每秒 3． 6 万点 云输出。 此外,英飞凌、NXP、ADI、安森美、瑞萨等国 际半导体公司也在推出毫米波雷达芯片,集成化毫米 波芯片的出现大大降低了智能化设备开发难度和成 本,预计未来有更多毫米波产业的落地。 国内毫米波 雷达芯片已经起步,但还需不断地积累核心技术。 图 2 4D 成像雷达 Fig． 2 4D imaging radar 2． 2 5G 通讯融合 5G 作为第五代移动通信技术,具备高宽带、超高 数据速率、低功耗及超低延时的特点[14-17]。 5G 的频 率范围分为毫米波和 Sub-6。 毫米波相对于 Sub-6 速度更快,但是受限于绕射能力及覆盖范围。 未来 5G 三个应用场景将涵盖煤矿智能化的关键部分。 eMBBEnhance Mobile Broadband支持煤矿作业超高 清视频等数据传输的大流量移动宽带,mMTCmas- 4812 第 6 期陈先中等煤矿地下毫米波雷达点云成像与环境地图导航研究进展 sive Machine Type of Communication支持井下多传感 器物联网,URLLC Ultra - reliable and Low Latency Communications支持低时延高可靠连接的无人驾驶、 工业自动化、V2X 技术[18-19]。 随着技术不断成熟以及成本不断降低,探测与通 讯软硬件一体化设计成为趋势。 国际最新 IEEE 802． 11ad 高速无线通讯标准,其帧数据具有良好相 关性的重复序列,适合于雷达测距[20-21]。 在未来采 用共口径天线技术结合分时复用的硬件,可以同时实 现探测与高速无线通讯两种功能集成。 如图 3 所 示,MCU 控制雷达的分时复用,77G 射频及 V2X 射频 分别通过共口径天线收发 77G 的探测毫米波和基于 5G 通讯的 V2X 毫米波。 图 3 毫米波融合 5G 通讯框 Fig． 3 Diagram of mmWave and 5G communication interaction 下一代无人驾驶不仅需要依赖机器人所配备的 毫米波传感器进行环境感知,还需要与其他机器人、 路边基础的网络设施基站、终端进行 5G 通讯。 单 个机器人自身的环境感知与智能车联网 V2X 的结合 可实现无人化、全自动化的大规模机器人的集群作 业。 如图 4 所示,在巷道转角处的运输车 3 对于其他 运输车来说是盲区。 传统“沿墙壁”反应式导航,在 弯道必须减速;SLAM 导航重复进入相同环境时,可 利用先验离线地图信息,提前动作应对弯道等路况; 如果弯道处有车辆 3 的存在,那么前 2 种方法均会失 效,只有通过 V2X 获取车辆 3 的速度、位置信息和动 作方向,才可以更好的规划路径,保证行驶安全。 毫米波雷达和基于 5G 通讯的 V2X 结合可大幅 提高效率、减少机器人之间的碰撞、实现信息共享。 这是汽车界正在追求的统一车辆通讯和雷达传感的 愿景,也是下一代车联网和自动驾驶技术的一个重大 转变。 文献[22]提出基于毫米波成像和通信的协同 作用以实现高精度 SLAM 的方案。 2． 3 天线设计 毫米波波段提供了前所未有的容量,但也对天线 技术带来了新的挑战。 目前车载雷达系统采用的是 微带天线。 贴片天线通常是矩形,当改变贴片天线的 形状时,微带天线的工作频率、增益、方向性等都会随 图 4 煤矿巷道中毫米波的感知和通讯融合应用 Fig． 4 Perception and communication synergy of millimeter wave in coal mine roadway 之而发生改变[23]。 此外超小型便携的自适应波束成 形、切换和跟踪的天线模组,智能闭环算法射频模组 已经开始用于手机等面向微型、模块化、更快、更可靠 的移动通信服务[24]。 根据煤矿巷道和工作面狭长的特点,低功耗、抗 电磁干扰,抗恶劣物理环境的灵活型分布式微型天线 是未来煤矿环境感知的关键因素。 图 5a为本文根 据煤矿地下设计的工作频率为 75 81 GHz,增益为 12 dB,半功率波束宽度22． 5,副瓣电平-17． 6 dB,驻 波比Voltage Standing Wave Ratio,VSWR小于 1． 8 的天线,其方向图如图 5b所示。 图 5 煤矿机器人毫米波天线设计 Fig． 5 Design of millimeter wave antenna for coal mine robot 煤矿机器人四周装配毫米波雷达,其前后侧的毫 米波雷达负责距离探测、5G 通讯的复用和高分辨率 成像,另外 3 个侧天线负责环境协同探测。 如图 6 所 示,中央控制器 CPU 接收 5 个毫米波雷达天线信号 从而获取稀疏点云信息。 之后通过 3D 点云处理、深 度学习、SLAM 和运动控制,实现煤矿地下环境中的 5812 煤 炭 学 报 2020 年第 45 卷 自主导航。 图 6 毫米波雷达稀疏点云获取示意 Fig． 6 Sketch map of sparse point cloud acquisition for mmWave radar 3 毫米波探测的深度学习技术 近年来随着三维数据获取装置的发展,三维点云 已在自动驾驶[25]、运动机器人[26]、高炉料位[27]等实 际任务中得到广泛应用。 毫米波点云是基于毫米波 雷达调频连续波原理[28],通过测量周围点的距离和 雷达回波强度得到点云数据。 点云数据包含多种目 标信息,但是由于毫米波雷达较激光雷达点云稀疏, 故对特征提取、匹配、识别带来新的挑战,因此可借助 机器学习方法,尤其是深度学习方法分析和理解目标 场景的丰富信息[29-33]。 深度学习对 3D 点云数据端到端处理是三维计 算机视觉领域的研究热点之一。 Daniel Brodeski 等 提出基于深度学习的深度雷达检测方法Deep Radar Detection,DRD 处理毫米波点云, 其实时运行速 度50FPS远优于传统单元平均恒虚警信号处理方 法2 Dimension-Cell Average-Constant False Alarm Rate,2D-CA-CFAR [34],不需要雷达校准并且具有 更高的精度[35]。 由于点云数据结构的稀疏性、不规 则性和无序性,在点云上直接应用卷积是一个挑战。 已有的大多数工作都将 3D 点云通过多视图投影转 换为图像[36]或通过量化转换为体积网格[37],再进行 卷积网络处理;也有研究者提出直接对 3D 点云进行 卷积的网络,例如 PointNet[38],InterpConv[39]等,未来 获取煤矿井下相对粗粒度的点云图像,并配合机器学 习完成场景理解是复杂环境感知研究的重要方向。 3． 1 点云降噪 井下 3D 传感器采集的点云难免会受到噪声污 染,使数据中包含异常值或伪影。 因此需对原始点云 实施滤波、降噪等优化处理。 相比于稠密点云,在稀 疏点云中离群点、噪点对整体点云的影响更大,选择 降噪的关键指标是降低 均 方 误 差 Mean Square Error,MSE。 3D 点云降噪算法分为 3 类基于网格 的降噪、基于图的降噪、基于投影的降噪。 表 2 列出 各个算法在相同数据集 ModelNet10 下的 MSE。 表 2 点云降噪算法对比 Table 2 Comparison of point cloud denoising algorithms 文献方法分类MSE/10 -4 ELMOATAZ Abderrahim[41]2008PDE网格2． 324 SCHOENENBERGER Yann[42]2015GBD图2． 552 DIGNE Julie[43]2017BF网格1． 654 DUAN Chaojing[44]2018MWP投影1． 636 DUAN Chaojing[40]2019NPD投影1． 569 神 经 投 影 降 噪 Neural Projection Denoising, NPD [40]算法相比于其他算法 MSE 最低,其使用神 经网络估计噪声点云中的参考平面,通过精确的参考 平面只需一次投影就可以实现高性能降噪。 通过前 期神经网络的训练,提高在现场实时的运行速度和精 度,这正是煤矿地下 3D 稀疏点云降噪所需要借鉴的 方法。 3． 2 点云配准 点云配准代表将一个点云与另一个点云对齐的 刚性变换,其方法分为局部配准[45]、全局配准[46]、深 度学习[47-48]。 煤矿地下坑洼多且存在大量几何相似 区域因此要求准确的配准算法。 旋转 R 和平移 T 两 个方向上的均方根误差Root Mean Square Error, RMSE是点云配准算法的评价指标。 表 3 列出在相 同数据集 ModelNet40 下不同配准方法的 RMSER 和 RMSET。 表 3 点云配准算法对比 Table 3 Comparison of point cloud registration algorithms 文献方法RMSERRMSET BESL Paul J[45]1992ICP45． 801 60． 283 69 AKIYOSHI Kurobe[47]2020DirectNet22． 002 40． 017 12 AOKI Yasuhiro[48]2019PointNetLK21． 086 60． 035 25 AKIYOSHI Kurobe[47]2020CorsNet16． 792 70． 013 98 ICP 是经典局部配准方法,但是其配准精度在很 大程度上取决于初始扰动[45]。 由于局部和全局配准 方法的根本缺陷,基于深度学习的 PointNetLK,Di- rectNet,CorsNet 等算法被提出。 基于深度学习的方 法克服了计算速度和陷入局部极小的问题,实现快速 而准确配准。 借鉴上述成果,开发基于深度学习快 速、准确的井下环境配准算法对 SLAM 地图构建至关 重要。 6812 第 6 期陈先中等煤矿地下毫米波雷达点云成像与环境地图导航研究进展 3． 3 目标检测 深度学习在 3D 点云的目标检测上已有较多研 究成果。 目前 3D 目标检测方法大体分为基于区域 注意力方法和单阶段网络的方法,前者生成包含目标 的可能区域Regions of Interest,ROI,再提取区域特 征确定类别;后者直接预测类的概率并返回对象的 3D 边界。 表 4 列出目前在 KITTI 数据集上目标检测 算法的最新进展[49]。 表 4 点云目标检测的研究进展 Table 4 Research progress of point cloud target detection technology 文献方法 准确率/ 汽车行人 WANG Zhixin[50]2019Frustum ConvNet87． 3652． 16 LIU Zhe[51]2019TANet84． 3953． 72 CHEN Qi[52]2019HotSpotNet86． 4051． 29 YANG Zetong[53]2019STD87． 9553． 29 SHI Shaoshuai[54]2019PV-RCNN90． 2552． 17 在方法选择上,单阶段网络的方法更适合煤矿地 下环境的目标识别,该方法运行速度快,适合实时运 行。 在网络选择上,基于体素的方法对噪点的鲁棒性 更强,且程序运行速度较快,更适合地下环境的使用。 值得一提的是,地下环境相比于地上环境场景简单, 遮挡物和易混淆物品都会减少。 例如在地上行人检 测中,环境中的灌木,电线杆等易与人混淆,但在地下 环境行人-车辆-障碍物的识别相对单一,这对地下 环境目标检测是有利的。 3． 4 语义分割 环境的语义分割对于实现自动驾驶极为有利。 必须准确识别煤矿机器人、车辆周围的物体并将其分 配适当等级才能保证行驶安全。 现有毫米波点云语 义分割算法分为静态目标停放的汽车、电线杆或建 筑物等 和动态目标 行人、 汽车等 两类。 JA- KOB Lombacher 等提出类 DNN 算法实现对静态目标 的分类[55];之后,OLE Schumann 等采用基于密度的 聚类算法Density-Based Spatial Clustering of Applica- tions with Noise, DBSCAN 结 合 长 短 期 记 忆 网 络 Long Short-Term Memory,LSTM实现对动态目标的 分类[56];PointNet变体算法是对动态目标分类的改 进[57];OLE Schumann 等又提出毫米波点云语义分割 的完整框架[58],实现动态目标和静态目标结合的语 义分割,在相同数据集下动态目标的循环实例分割方 法比文献[57]的方法精度高 4． 14。 深度学习在提高点云处理精度的同时弥补了传 统算法鲁棒性不足及处理速度缓慢等缺点,其端到端 的思路使得 3D 点云处理相比传统算法更加简单。 考虑到煤矿巷道、采掘工作面上的人、车和物较地面 更稀疏且环境相对固定不变,借助深度学习的方法对 稀疏点云进行降噪、配准、目标检测和语义分割等处 理[59],提升煤矿机器人对地下环境采运掘的感知和 分析能力,同时也为 SLAM 建图导航提供支持。 尽管现在使用深度学习处理毫米波图像稀疏点 云的研究还不完全成熟,但借鉴深度学习在二维及三 维图像处理上已取得的进展,其在稀疏点云的应用上 有很大潜力尚待挖掘。 4 SLAM 建图与导航 4． 1 SLAM SLAM 是机器人或某系统搭载视觉传感器、激光 雷达、毫米波雷达等传感器在未知环境中进行地图构 建并实现自身定位的过程。 SLAM 是机器人能够实 现自主导航的重要前提。 相比于现在地下环境导航中所提出的捷联惯导 方案[60]、 反 应 式 导 航[61]、 超 宽 带 定 位 导 航 方 案[62],SLAM 作为一种主动测量的方案具有较高的 环境适应性并且可以构建未知环境高精度的地图,是 真正意义上的自主导航。 SLAM 的主要优势在于消 除了对人工基础设施或环境先验拓扑知识的需求,在 无法获得绝对位置或精确地图信息的一系列应用中 具有不可估量的价值。 SLAM 以传感器数据为输入,前端部分进行位姿 估计与局部建图,后端算法进行全局建图及优化。 同 时通过回环检测消除累计误差。 图 7 为 SLAM 算法 框架及煤矿巷道建图效果[63]。 图 7 SLAM 算法框架 Fig． 7 SLAM algorithm flow SLAM 前端数据处理算法与传感器的选择有关, 激光和毫米波 SLAM 着眼于前端的扫描匹配[64],而 视觉 SLAM 又分为特征法[65]与直接法[66]。 当煤矿 机器人处于地表工作时,可以采用激光扫描仪、摄像 头等多种传感器,但对于地下矿山,尤其煤矿环境,其 地面崎岖不平、巷道环境差、可用照明条件差、活动极 受限、巷道无纹理并且煤矿机器人无法获得全球导航 卫星系统GNSS信号,因此基于视觉、激光 SLAM 方 案并不能满足煤矿机器人工作需求。 另外,当前无论 7812 煤 炭 学 报 2020 年第 45 卷 激光还是视觉 SLAM 通常需要大量计算,这在有限的 计算资源下无法实现实时操作。 而毫米波雷达 3D 点云稀疏的特点大大降低了计算量,且穿透力强,使 得实时性与稳定性得到保障。 后端算法可实现全局状态估计,为 SLAM 算法核 心所在。 最早 SLAM 被视为概率问题,其后端算法以 滤波法为主,往往关注于邻近帧间的数据处理,故随 时间推移系统会产生误差累积。 比如,基于马尔可夫 模型的扩展卡尔曼滤波 Extended Kalman Filter, EKF算法[67]、SEKF-SLAM[68]、基于蒙特卡罗算法的 粒子滤波法[69]等。 之后,优化法[70]被提出,其可利 用所有时刻数据进行全状态估计,从局部优化传递至 全局优化,保证准确性同时兼顾效率,因此优化法成 为 SLAM 主流的后端算法,也是煤矿地下 SLAM 算法 的最佳选择。 但是煤矿地下相比地表具有环境单一、 墙壁纹理信息不明显、少有闭环等特点,这对基于优 化法的 SLAM 算法在煤矿环境下的应用提出了挑战。 表 5 列出了国内外关于煤矿地下等复杂环境下 SLAM 的研究现状。 表 5 国内外 SLAM 研究现状 Table 5 Research status of SLAM at home and abroad 文献方法场景特点 A Hernandez- Gutierrez[71]2011 粒子滤波室外 成像效果佳、鲁 棒性好 ZLOT Robert[72]2014优化法煤矿环境 成像规模大、效 果好 LI Menggang[73]2018优化法煤矿环境 降低计算复杂 度和漂移 杨林[74]2019粒子滤波煤矿环境 鲁棒性好、精度 高 李帅鑫[75]2020优化法室外 降低误差、漂移 改善 在地下环境工作中,搭载多传感器的煤矿机器人 可将声音、图像、温度、气体浓度及其他数据传送到控 制中心,同时也要面对工作面及巷道的实时变化。 当 面对煤矿灾难等突发情况时,煤矿机器人的定位导航 变得极为困难。 因为灾后煤矿巷道环境更加复杂,且 具有不可预测的场景;煤矿灾害导致先验路标和地图 不再可靠;在灾后断电的情况下,也无法使用依赖于 基站的其他无线定位方法[73];受粗糙地形上的累积 误差影响,基于航位推算的姿态估计方法无法提供精 确的长期估计;对于无可用光源及高粉尘浓度的区 域,基于视觉传感器和激光雷达的 SLAM 将难以正常 工作。 而毫米波 SLAM 作为一种有效的方法,可克服 恶劣环境的影响,提供机器人姿态估计并同时构建巷 道空间模型。 文献[76]采用基于 76GHz 毫米波雷达 的自定位方法,通过误差传播对毫米波雷达的不确定 性进行建模来实行构建地图和定位,其处于暴雪环境 下定位精度仍达厘米级。 综合目前各种复杂环境下 SLAM 的研究成果,可 以预见毫米波全天时全天候工作,结合深度学习强大 计算能力,会成为未来精确定位与数据高效连续传 输、快速掘进、复杂条件综采、连续化辅助运输的一种 优选方案。 4． 2 导 航 SLAM 导航相比于其他导航有着可自主路径规 划,定位精度高,可大规模使用等优点。 全局路径规 划和局部自主避障是 SLAM 定位建图之后机器人能 够实现导航的关键。 常用的导航算法有遗传算法, 该算法应用较为广泛,但容易出现局部最优解、运算 耗时长等问题[77];粒子群算法,其可实现快速收敛, 但极可能陷入停滞[78];人工势场法具有计算简单,但 有可能无法抵达目标点的特点[79];蚁群算法,其在规 划性能及速度均相对较好[80]。 目前大部分的路径规划及避障算法都依靠全局 或