基于CNN算法的井下无人驾驶无轨胶轮车避障方法.pdf

Series No.568October 2023 金 属 矿 山METAL MINE 总 第568 期2023 年第 10 期收稿日期 2023-06-15基金项目 江苏高校自然科学基金面上项目(编号:21KJD510009);江苏高校哲学社会科学研究项目(编号:2021SJA1463)。作者简介 宋秦中(1980),男,副教授,高级工程师,硕士。机电与自动化基于 CNN 算法的井下无人驾驶无轨胶轮车避障方法宋秦中1 胡华亮2(1.苏州市职业大学机电工程学院,江苏 苏州 215104;2.苏州汉特士视觉科技有限公司,江苏 苏州 215127)摘 要 为了避免无人驾驶无轨胶轮车在井下有限空间内发生碰撞,提出了一种基于卷积神经网络(CNN 算法)的无人驾驶无轨胶轮车运动避障控制方法。采用改进卷积神经网络的光栅地图,显示特定时间内无人驾驶无轨胶轮车周围环境状况,获取车辆位置、障碍物位置信息。通过信号传输途径和通道损失对数正态分配模式,构建无人驾驶无轨胶轮车运动学方程,通过分析各分立点的位置信息、车辆尺寸信息和巷道边界情况,实现无人驾驶无轨胶轮车运动避障。由实验结果可知,该方法在弯道、直行和路口 3 种模拟场景下,设计的运动避障控制系统能够预测这 3 种类型碰撞点,使无人驾驶无轨胶轮车沿着重新规划后的轨迹行驶,对比实验也显示所研究方法与理想轨迹贴近,避障控制效果较好。关键词 井下 无人驾驶无轨胶轮车 卷积神经网络 运动避障控制器 中图分类号TD672 文献标志码A 文章编号1001-1250(2023)-10-168-07DOI 10.19614/ki.jsks.202310024Obstacle Avoidance Method for Underground Unmanned Trackless Rubber-tyred Vehicle Based on CNN AlgorithmSONG Qinzhong1 HU Hualiang2(1.School of Mechano-electranic Engineering,Suzhou Vocational University,Suzhou 215104,China;2.Suzhou Hunter Vision Technology Co.,Ltd.,Suzhou 215127,China)Abstract In order to avoid the collision of driverless electric rubber-tyred vehicle in the limited underground space,a method of obstacle avoidance control of driverless electric rubber-tyred vehicle based on convolution neural network(CNN algo-rithm)is proposed.The raster map based on improved convolution neural network is used to display the surrounding environ-ment of the trackless rubber-tyred vehicle in a specific time,and obtain the vehicle position and obstacle position information.Through signal transmission path and log-normal distribution mode of channel loss,the kinematics equation of driverless electric rubber-tyred vehicle is constructed,and the obstacle avoidance of driverless rubber-tyred vehicle is realized by analyzing the position information,vehicle size information and roadway boundary of each discrete point.The experimental results show that the designed motion obstacle avoidance control system can predict the three types of collision points under three simulation sce-narios of curve,straight and intersection,so that the trackless rubber-tyred vehicle can travel along the replanned trajectory.The comparative experiment also shows that the studied method is close to the ideal trajectory and has a good obstacle avoidance control effect.Keywordsunderground,unmanned trackless rubber-tyred vehicle,convolution neural network,motion obstacle avoid-ance controller 在煤矿智能化建设的过程中,作为煤矿井下重要辅助运输装备无轨胶轮车正朝着无人驾驶方向发展。然而,煤矿井下作业环境恶劣,运输任务重和巷道工况可能不断发生变化,在无轨胶轮车无人驾驶过程中,必须具有从目前位置到目标之间不发生碰撞的路径规划,避障控制系统起到了关键作用。另外,由于井下弯道、路口的盲区较多,场景单一、照度低等因素会导致定位困难,井下网络信号强度、矿区的行业标准和安全生产指标限制等也是避障控制器设计和开发必须考虑的问题1-5。因此,为了保证无人驾驶过程中避障控制的有效性和可靠性,避障控制方法的先进性和准确性显得尤为重要。861避障控制的实质是局部路径规划问题,即部分甚至全部环境信息未知情况下的障碍物规避。局部路径规划中常用的有自适应预瞄路径和风险评估方法。基于自适应预瞄路径的避障控制方法采用多项式拟合法,根据障碍物跟踪指标,结合粒子群优化算法进行参数寻优,实现跟踪时预瞄路径自适应调节3;基于风险评估的避障控制方法则通过对各种障碍特征的分析,建立风险评估的数学模型,并将其纳入无人驾驶无轨胶轮车动态特征的最优控制策略4。然而,上述两种方法对井下有限空间影响的考虑不够,实际运行中会导致无人驾驶无轨胶轮车频繁转向,不利于车辆安全稳定的运行。为了解决该问题,提出了基于卷积神经网络的煤矿井下环境无人驾驶无轨胶轮车运动避障控制方法。联合卷积神经网络和摄像头来处理车辆外界的复杂环境信息,相较于传统的方法,能够避免使用冗余的硬件设备,并且具有更好地适应复杂环境的能力,是一种新的可行方法5-7。1 数据分析处理模型对于井下环境障碍物测距,利用改进的卷积神经网络绘制出了一张光栅地图,能够在一定时间内将车辆的位置和障碍物位置信息显示出来。根据栅格图形进行障碍识别,通过对矿井整体查询与监控,识别障碍物定位结构。使用对数正态分配方法,建立一个未知障碍物信号强度表达模型,得到障碍物与无人驾驶无轨胶轮车之间距离。1.1 障碍物辨识在辨识障碍方面,单纯依靠无人驾驶车辆上的传感器在一定的时间内采集到的原始图像难以反映其动态特征,因此要对其进行精确定位,除了要对各种情况下的图像数据进行全面研究外,对图像辨识的实时性非常高。基于改进的卷积神经网络是一种实时有效的方法,能够对障碍物进行识别和分类5-7。通过改进卷积神经网络的光栅地图,能够精确地显示出特定时间内的周围环境状况,例如车辆的位置、障碍物的位置等。在避障体系中,可以将网格图形作为最基本的环境模型,以网格图形为依据,实现无人驾驶无轨胶轮车智能决策和路径规划。一般情况下,对于不可移动的障碍物,采用传统的二维栅格图效果更好,但是由于车辆在移动过程中主要是移动障碍,使用该方法无法精准识别障碍物。为此,提出了基于移动的栅格法表示车辆在不同时间点与障碍物之间的位置关系,选用三维障碍物栅格图作为建模方法,构建无人驾驶无轨胶轮车周围的三维空间模型,将其在某一时期内的空间分布情况用时间轴表示出来,从而能够不断地反映出运动特点,为下一步的操作和线路规划提供依据6-7。栅格法的基本思想是将所要辨识的周围环境划分为若干个同样尺寸的小方块,再将若干个小方块组合后形成一个栅格,如图 1 所示。图 1 栅格法示意Fig.1 Schematic of grid method由图 1 可知,在地图上栅格是用等级分割的。如果将一个栅格用 M 表示,那么就可以把所有的数据都储存在某一块地图上,这样就可以构建出一张完整的地图,由此获取所有需要记录的数据。当栅格数值为 1 时,表示该栅格存在障碍物;当栅格数值为 0 时,表示该栅格不存在障碍物,由此能够形成一幅能反映整体环境的网格图。在一定的地域内,由无人驾驶无轨胶轮车来构建自己的地形图数据库,栅格的大小可以更准确地反映出周围的情况,栅格的数据和特性会在一定时间内显示出无人驾驶无轨胶轮车的移动轨迹。1.2 障碍物距离计算为了获取无人驾驶无轨胶轮车与障碍物之间距离,设计了障碍物定位系统,如图 2 所示。图 2 障碍物定位系统Fig.2 Obstacle location system该系统可以接收由车速传感器和转速仪采集器的无轨胶轮车的运行数据,再通过计算机进行快速计算,计算出车辆的运行状态和速度,从而为障碍物精确定位奠定基础8-12。系统包括一套以无线传感器为基础的有线网络,系统节点包括普通节点、单链路节点和网关节点。其中,普通节点、单链路节点分别961 宋秦中等:基于 CNN 算法的井下无人驾驶无轨胶轮车避障方法 2023 年第 10 期承担了数据的收集与传送功能,而网关节点则完成了有线和无线的转接,以及 CAN 总线连接。在此基础上,采用多跳转接的方法将监控信息传递给 Sink 节点。无线传感基站网最后与光缆主干网连接,将采集到的环境、定位等数据传送到地面监测调度站进行统一控制。地面监测系统由数据库和中心计算机组成,其功能是实时存储、查询、预警和决策,并对其进行实时监测和管理。在煤矿井下环境中,信号传输途径和通道损失的函数遵循对数正态分配模式,由此构建的模型为SI=-10algll0(),(1)式中,为当初始距离 l0=1 m 时的接收信号强度值;l 为实际距离;a 为衰减因子。随着煤矿井下环境的不同,衰减因子也将发生改变。通过该公式可获取某个未知障碍物的接收信号强度,进而得到该障碍物与无人驾驶无轨胶轮车之间的距离。2 运动避障控制对直线型、弯道型、路口型无人驾驶无轨胶轮车的行驶路线进行分析,并对 3 种不同的碰撞点进行预测。设计运动避障控制器,使无人驾驶无轨胶轮车按照避障规划后的轨迹行驶。建立车辆的运动学方程,实现无人驾驶无轨胶轮车运动避障。2.1 碰撞点预测在井下环境无人驾驶无轨胶轮车运动避障控制过程中,需要对无人驾驶无轨胶轮车与障碍物的撞击位置进行预测。由于静止障碍物不会随时间移动,避障控制相对简单;而移动障碍物则会随时间移动,从而使碰撞点具有非恒定性的,必须要对其运行轨迹进行预测,并通过三维栅格图来确定碰撞点的具体方位13-17。根据井下环境无人驾驶无轨胶轮车运动路径划分,将碰撞点预测划分成直线型、弯道型、路口型3 种类型。(1)直线型。直线型轨迹预测是将运动障碍物的移动方向,按照当前状态将直线型轨迹看成一个线性方程。基于此,建立的直线型线性方程如下:x-xa-vatcos=12aat2cosy-ya-vatsin=12aat2sin.(2)通过式(2)可获取直线型轨迹。(2)弯道型。弯道型预测是指在无人驾驶无轨胶轮车转弯过程中,假设无人驾驶无轨胶轮车转弯时车速不会改变,且与转弯时的车行道线相匹配18。基于此,建立的弯道型代数方程如下:x-xa()2+y-ya()2=vatx-xa()cos+y-ya()sin 0,(3)式中,x,y()为待求取障碍物坐标;xa,ya()为障碍物位置坐标;va为运动速度;aa为加速度;t 为时间;为障碍物与 x 轴方向夹角。通过式(3)可获取弯道型轨迹。(3)路口型。路口型轨迹预测是指在交叉口通过路径预测,对将要行进的路口进行筛选,通过无人驾驶无轨胶轮车当前运动方向与该路段之间角度,确定路口障碍物位置。基于此,建立的路口型代数方程如下:x-xa()2+y-ya()2=vatt-1+aax-xay-ya()x-xa()2+y-ya()2va=0.(4)通过式(4)可获取路口型轨迹。在这 3 种车道碰撞点预测过程中,需要对曲线拟合,以防止车辆侧向偏离随着时间的变化而增加。因此,在整个跟踪预测时域内,为了确保无人驾驶无轨胶轮车的运动、避障规划曲线的平滑,必须在与障碍物保持一定的距离后立即执行避障指令,并对预测时域的权重进行再设计。2.2 避障控制器设计在无人车自主行驶避障时,传感器根据数据处理分析模型获得障碍物相关信息,经数据分析模型处理后得到障碍物与无人驾驶无轨胶轮车之间距离,依据此输出结果控制无人车安全避障。为了实现无人驾驶无轨胶轮车的避障性能,设计的运动避障控制器系统框图如图 3 所示。图 3 避障控制器结构框图Fig.3 Block diagram of obstacle avoidance controller structure071总第 568 期 金 属 矿 山 2023 年第 10 期 由图 3 可知,无人车避障的本质就是通过对车辆与障碍物的距离、位置进行判定,并通过计算得出障碍物与无人驾驶车辆的距离,对障碍物的运动轨迹进行预测,实现自动控制车辆的车速和方向,以达到安全避障的目的。在此过程中,通过 GPS 系统采集无人车的位置信息,并依据地图进行路径定位,再由雷达来获得无人驾驶车辆附近的障碍物,由摄像机采集车辆周边的影像,由红外传感器进行障碍物属性识别18-20。由无人驾驶无轨胶轮车的空间运动模型,以 x 轴方向为例,推导出无人驾驶无轨胶轮车运动学方程为va=ra-ex()a,(5)式中,ra为参考轨迹曲线半径;ex为无人驾驶无轨胶轮车航向角;a为与 x 轴方向偏差距离。由车辆运动学方程,求解沿参考轨迹行驶的车辆速度为v=rara-exvacosea.(6)以 表示参考轨迹航向角,横向位置偏差为ea=-a.(7)则横向航向偏差时间导数可表示为ex=vsinea.(8)通常采用曲面坐标系统时,必须保证基准轨迹光滑。假设无人驾驶无轨胶轮车在 t 时刻规划的避障轨迹预测时域为 St,对该部分时域内车辆行驶情况进行分析,并将无人驾驶无轨胶轮车的姿态、静态障碍物的位置信息转化为曲线坐标。沿参考路径的 x 轴方向,使用 x 将 x 轴等距离离散化。通过分析各分立点的位置信息、车辆尺寸信息和巷道边界情况,得出各分立点的侧向偏移区间。假定在一定时间区间,障碍的侧向误差可以保持不变。由此,可以得到一个能够避免障碍物的无人驾驶无轨胶轮车可通行安全界限。另外,在有效的安全间距中,应预留足够的安全距离,以防止井下撞击。3 模型验证与实验分析为了验证井下环境无人驾驶无轨胶轮车运动避障控制方法避障性能,选择防爆无人驾驶无轨胶轮车为实验车辆原型,进行了仿真分析和实验验证,任务目标是验证本研究方法是否能够使车辆避开静态或动态障碍物。以一款防爆无轨胶轮车为研究对象,建立车辆与井下巷道模型,利用 CarSim 与 Matlab/Sim-ulink 结合车辆行驶状态进行联合仿真,验证所设计的避障控制方法的可行性与有效性。搭建了仿真实验平台:设置井下环境,忽略路面不平对车辆造成的影响,设置路面滑动摩擦因数为0.8;在双移线道路上进行实验研究,设定实验工况车辆的正常行驶速度为 4 m/s;采用闭环换挡控制,仿真时长设置为 100 s,仿真步长设置为 0.001;其中静态障碍物主要为井下作业工具和凸起的大块矿石,动态障碍物主要为作业人员。3.1 模型训练卷积神经网络训练过程如图 4 所示,具体步骤如下:通过对障碍物的精确识别,建立了障碍物的图像库;对 VGG-16 网络进行了简单的优化,从而获得了适用于障碍物的卷积神经网络;采用 33 卷积校验训练样本进行卷积运算,再将所获得的特征图按 22 域进行池化运算;再进行学习,获得网络模型参数,最终获得最优的网络模型。图 4 卷积神经网络训练过程Fig.4 Training process of convolutional neural network通过生成式自监督学习方式,从所关心数据中训练得到通用卷积神经网络,并对同一数据上的不同任务进行微调。3.2 模型验证与分析设置运行车道前方有两个障碍物,将该障碍物分为静态和动态 2 种情况,为了避免与障碍物发生碰撞,车辆行驶应采取相应控制操作。为了验证设计方法的有效性,在给定理想轨迹的情况下,将设计方法与基于自适应预瞄路径的避障控制方法和基于风险评估的避障控制方法进行对比分析。(1)弯道车道前方障碍物。对于静态障碍物,避障控制轨迹如图 5 所示。由图 5 可知,使用基于自适应预瞄路径、风险评估的避障控制方法与理想轨迹没有重合,使用本研究方法与理想轨迹部分重合。对于动态障碍物,避障控制轨迹如图 6 所示。由图 6 可知,弯道行驶时需要经过 1 个必经点,3 种方法均与理想轨迹不重合,其中基于自适应预瞄路径的避障控制方法控制轨迹长度最长,使用基于风险评估的避障控制方法容易与障碍物发生刮碰,使用本研究方法避障效果最好。(2)直行车道前方障碍物。车辆直线前进,对于静态障碍物,使用基于自适应预瞄路径、风险评估的避障控制方法与理想轨迹没有重合,且这 2 种方法控制轨迹长度略长;而使用本研究方法与理想轨迹部分171 宋秦中等:基于 CNN 算法的井下无人驾驶无轨胶轮车避障方法 2023 年第 10 期图 5 弯道车道避开静态障碍物轨迹控制Fig.5 Control of static obstacle avoidance trajectory in curved lanes图 6 弯道车道避开动态障碍物轨迹控制Fig.6 Control of dynamic obstacle avoidance trajectory in curved lanes完全重合,控制轨迹长度较短,在直行车道避开静态障碍物轨迹控制能够达到理想控制目的。对于动态障碍物,如图 7 所示,在明确同一终点情况下,3 种方法均与理想轨迹不重合,其中采取基于自适应预瞄路径的避障控制方法路径大幅度弯曲且距离最长,使用基于风险评估的避障控制方法相比于基于自适应预瞄路径的避障控制方法路径距离要短,但轨迹弯曲程度也相对较大,使用本研究方法与理想轨迹动态跟随效果占优。(3)路口前方障碍物。对于静态障碍物,使用基于自适应预瞄路径避障控制方法,虽然运动路径最短,但容易与障碍物发生刮碰;使用基于风险评估的避障控制方法与理想轨迹没有重合,且运动路径最长;使用本研究方法与理想轨迹基本一致,且运动路径相对较短。对于动态障碍物,如图 8 所示,3 种方法均与理想轨迹未重合,其中基于自适应预瞄路径的避障控制方法出现与障碍物碰撞的现象,本研究方法图 7 直行车道避开动态障碍物轨迹控制Fig.7 Control of dynamic obstacle avoidance trajectories in straight lanes图 8 路口避开动态障碍物的轨迹控制Fig.8 Control of dynamic obstacle avoidance trajectory at intersections运动趋势基本一致,最为贴近。4 结 论(1)受到井下有限空间的影响,无人驾驶无轨胶轮车避障控制器采用传统方法时存在频繁转向、避障控制效果不佳的问题,为此提出了基于卷积神经网络(CNN)的运动避障控制方法,设计了运动避障控制器,对直线型、弯道型、路口型的行驶路线进行分析和碰撞点预测,根据数据处理分析模型获取障碍物相关信息及距离,采用设计的控制方法进行避障控制,使无人驾驶无轨胶轮车按照避障规划后的轨迹行驶。(2)针对传统的卷积神经网络存在训练的参数数量多、参数不易学习到最优值、容易出现过拟合等问题,设计中对卷积神经网络进行了改进,并结合光栅地图,以网格图形为依据,减少分析过程出现的过多参数,能够实现无人驾驶无轨胶轮车行进过程中的对静态或动态障碍物的有效预判,避免重复转向。271总第 568 期 金 属 矿 山 2023 年第 10 期(3)基于仿真平台的对比验证实验显示:采用设计的避障控制方法能够为无人驾驶无轨胶轮车提供可靠的神经网络结构,使无人驾驶无轨胶轮车能够避开静态或动态障碍物,实现井下无人驾驶车辆的有效避障,进而提高整个无人驾驶车辆导航系统的性能,保证了无人驾驶车辆安全、平稳运行。(4)在实际应用过程中,考虑到外界动态环境影响,还需要从控制轨迹重新规划角度出发,建立轨迹重新规划层,结合避障控制器设计绕开障碍物的行驶轨迹。参 考 文 献1 周李兵.煤矿井下无轨胶轮车无人驾驶系统研究J.工矿自动化,2022,48(6):36-48.ZHOU Libing.Research on unmanned driving system of underground trackless rubber-tyred vehicle in coal mineJ.Industry and Mine Automation,2022,48(6):36-48.2 鲍久圣,张牧野,葛世荣,等.基于改进 A和人工势场算法的无轨胶轮车井下无人驾驶路径规划J.煤炭学报,2022,47(3):1347-1360.BAO Jiusheng,ZHANG Muye,GE Shirong,et al.Underground driv-erless path planning of trackless rubber tyred vehicle based on im-proved A and artificial potential field algorithmJ.Journal of Chi-na Coal Society,2022,47(3):1347-1360.3 余世明,舒晓翔,陈伟轩,等.基于风险评估的自主车辆主动避障预测控制J.浙江工业大学学报,2022,50(1):1-8.YU Shiming,SHU Xiaoxiang,CHEN Weixuan,et al.Predictive con-trol of active obstacle avoidance for autonomous vehicles based on risk assessmentJ.Journal of Zhejiang University of Technology,2022,50(1):1-8.4 邓天民,冒国韬,周臻浩,等.基于密集连接卷积神经网络的道路车辆检测与识别算法J.计算机应用,2022,42(3):883-889.DENG Tianmin,MAO Guotao,ZHOU Zhenhao,et al.Road vehicle detection and recognition algorithm based on densely connected con-volutional neural networkJ.Journal of Computer Applications,2022,42(3):883-889.5 李维刚,谌竟成,谢璐,等.基于自组织增量-图卷积神经网络的金相图半监督学习J.电子与信息学报,2021,43(11):3301-3308.LI Weigang,SHEN Jingcheng,XIE Lu,et al.Semi supervised learn-ing of metallographic data based on self-organizing incremental and graph convolution neural networkJ.Journal of Electronics&Infor-mation Technology,2021,43(11):3301-3308.6 耿特,严军鹏.基于卷积神经网络(CNN)的无人车避障方法J.工业控制计算机,2019,32(2):61-64.GENG Te,YAN Junpeng.Unmanned vehicle obstacle avoidance method based on convolutional neural networkJ.Industrial Control Computer,2019,32(2):61-64.7 张丹,王栋辉,郝尚清,等.无人驾驶采煤机滚筒调高模型与避障策略J.煤矿机械,2021,42(7):53-56.ZHANG Dan,WANG Donghui,HAO Shangqing,et al.Drum height adjustment model and obstacle avoidance strategy of unmanned driv-ing shearerJ.Coal Mine Machinery,2021,42(7):53-56.8 程越,李川,李鑫,等.无人驾驶拖拉机实时避障路径规划算法J.重庆大学学报(自然科学版),2022,45(8):66-77.CHENG Yue,LI Chuan,LI Xin,et al.Real-time obstacle avoidance path planning algorithm for unmanned tractors J.Journal of Chongqing University(Natural Science Edition),2022,45(8):66-77.9 伍锡如,薛其威.基于激光雷达的无人驾驶系统三维车辆检测J.光学精密工程,2022,30(4):489-497.WU Xiru,XUE Qiwei.3D vehicle detection for unmanned driving systerm based on lidarJ.Optics and Precision Engineering,2022,30(4):489-497.10 徐飞.基于改进人工势场法的机器人避障及路径规划研究J.计算机科学,2016,43(12):293-296.XU Fei.Research on robot obstacle avoidance and path planning based on improved artificial potential field methodJ.Computer Science,2016,43(12):293-296.11 田子建,高学浩,张梦霞.基于改进人工势场的矿井导航装置路径规划J.煤炭学报,2016,41(S2):589-597.TIAN Zijian,GAO Xuehao,ZHANG Mengxia.Path planning of mine navigation device based on improved artificial potential fieldJ.Journal of China Coal Society,2016,41(S2):589-597.12 刘琴.无人驾驶无轨胶轮车路径规划与路径跟踪技术研究D.徐州:中国矿业大学,2020.LIU Qin.Research on Path Planning and Path Tracking Technology of Driverless Trackless Rubber Tyred VehicleD.Xuzhou:China University of Mining and Technology,2020.13 杜星星.复杂环境下无人车局部路径规划问题研究D.长沙:国防科学技术大学,2016.DU Xingxing.Research on Local Path Planning of Unmanned Vehi-cle in Complex EnvironmentD.Changsha:National University of Defense Technology,2016.14 郭润兰,史方青,范雅琼,等.基于卷积神经网络的壁面清洗机器人障碍物检测识别算法J.兰州理工大学学报,2022,48(4):83-89.GUO Runlan,SHI Fangqing,FAN Yaqiong,et al.Investigation on obstacle detection and recognition of facade-cleaning robot based on convolutional neural networkJ.Journal of Lanzhou University of Technology,2022,48(4):83-89.15 曾明如,杨向文,祝琴.基于卷积神经网络的横向转角预测方法J.现代电子技术,2020,43(6):140-143.ZENG Mingru,YANG Xiangwen,ZHU Qin.Method of lateral lurn-ing angle prediction based on CNNJ.Modern Electronics Tech-nique,2020,43(6):140-143.16 孙凯,何明祥,张红,等.基于改进卷积神经网络的动态障碍物检测方法J.计算机应用与软件,2019,36(2):235-239,263.SUN Kai,HE Mingxiang,ZHANG Hong,et al.Dynamic obstacle detection based on improved convolution neural networkJ.Com-puter Applications and Software,2019,36(2):235-239,263.17 金彦亮,朱容廷.机器人端到端视觉避障方法研究J.工业控制计算机,2019,32(9):77-79.JIN Yanliang,ZHU Rongting.Research on robot end-to-end visual obstacle avoidance methodJ.Industrial Control Computer,2019,371 宋秦中等:基于 CNN 算法的井下无人驾驶无轨胶轮车避障方法 2023 年第 10 期32(9):77-79.18 崔迎涛,康健健.无人驾驶汽车主动避让控制问题的研究J.汽车与新动力,2022,5(2):42-44.CUI Yingtao,KANG Jianjian.Research on active avoidance control of autonomous vehiclesJ.Automobile and New Powertrain,2022,5(2):42-44.19 孙晓峰,宫金良,张彦斐.改进光流法的避障与辅助导航算法J.激光杂志,2019,40(10):16-20.SUN Xiaofeng,GONG Jinliang,ZHANG Yanfei.Improved obstacle avoidance of optical flow method and aided navigation algorithm.J.Laser Journal,2019,40(10):16-20.20 杨朝阳,陈恳,彭丽.基于模型预测控制无人驾驶车辆避障轨迹跟踪器设计J.湖北汽车工业学院学报,2020,34(1):11-15,20.YANG Zhaoyang,CHEN Ken,PENG Li.Design of obstacle avoid-ance tracker for unmanned vehicle based on model predictive con-trolJ.Journal of Hubei University of Automotive Technology,2020,34(1):11-15,20.471总第 568 期 金 属 矿 山 2023 年第 10 期