露天矿区无人驾驶行车风险评估及防控策略仿真研究.pdf

煤矿机电与智能化露天矿区无人驾驶行车风险评估及防控策略仿真研究陈志发1，余贵珍1,2，张传莹1，丁能根1，周彬1,2，李在友3，欧阳东哲3(1.北京航空航天大学特种车辆无人运输技术工业和信息化部重点实验室,北京100191；2.北京航空航天大学合肥创新研究院,安徽合肥230012；3.国能北电胜利能源有限公司,内蒙古锡林浩特026000)摘要：行车风险评估及防控是露天矿区无人运输系统的关键技术之一，为保障无人驾驶车辆在露天矿区安全运行，从露天矿区车路云的运输场景出发，建立了行车安全保障模型。综合车端路侧云平台的多源信息，对无人驾驶车辆进行行车风险等级评估并设计了相应的行车风险防控策略。行车安全保障模型由行车状态感知模块、行车风险评估模块和行车风险防控模块 3 部分组成。在行车风险评估方面，引入车辆前方道路坡度信息对预碰撞时间指标的阈值进行修正，引入车辆前方道路坡度及车辆载重状态信息对最小制动安全距离指标进行修正，结合预碰撞时间指标和最小制动安全距离指标提出了综合行车风险评估策略，可以对露天矿区无人驾驶车辆实时行车碰撞风险进行等级量化。然后，基于有限状态机设计了考虑不同行车风险等级的碰撞风险防控决策系统，针对不同状态制定了满足最小安全距离要求的车辆平稳制动控制策略。最后，基于 PreScan 与Matlab 联合仿真技术，搭建了某露天矿区无人驾驶车辆的数字孪生仿真系统，并进行了水平道路场景、上下坡道场景和满载工况的车辆遇障停车仿真测试。仿真结果表明：行车风险评估模块在下坡道场景可以提前评估风险并及时制动停车，说明引入前方道路坡度信息的综合行车风险评估策略可以提高上下坡道场景车辆的行车安全；同时，通过引入车辆载重信息来修正最小制动安全距离指标，可及时评估满载车辆前方的潜在碰撞风险，提高了露天矿区满载车辆的行车安全；行车风险防控模块的紧急制动控制策略可以在 10m 安全距离前实现平稳制动停车，提高了大载重车辆在遇障停车时的平稳性。关键词：露天矿区；无人驾驶车辆；行车安全保障模型；行车风险；有限状态机；紧急制动中图分类号：TD57文献标志码：A文章编号：02539993(2023)04178216Driving risk assessment and prevention strategies forautonomous vehicle in open-pitsCHENZhifa1,YUGuizhen1,2,ZHANGChuanying1,DINGNenggen1,ZHOUBin1,2,LIZaiyou3,OUYANGDongzhe3(1.Key Laboratory of Autonomous Transportation Technology for Special Vehicles under Ministry of Industry and Information Technology,Beihang Uni-versity,Beijing100191,China;2.Hefei Innovation Research Institute,Beihang University,Hefei230012,China;3.Guoneng Beidian Shengli Energy Co.,Ltd.,Xilinhot026000,China)Abstract:Drivingriskassessmentandprotectionisthecriticaltechnologyofunmannedtransportationsystemsinopen-pits.Inordertowarrantthesafeoperationofunmannedvehiclesinopen-pits,theDrivingSecurityModel(DSM)basedon收稿日期：20220202修回日期：20220412责任编辑：王晓珍DOI：10.13225/ki.jccs.2022.0209基金项目：国家重点研发计划资助项目(2020YFB1600302)作者简介：陈志发(1993)，男，山西大同人，博士研究生。E-mail：通讯作者：周彬(1987)，男，山东青州人，博士。E-mail：引用格式：陈志发，余贵珍，张传莹，等.露天矿区无人驾驶行车风险评估及防控策略仿真研究J.煤炭学报，2023，48(4)：17821797.CHENZhifa，YUGuizhen，ZHANGChuanying，etal.Drivingriskassessmentandpreventionstrategiesforautonomousvehicleinopen-pitsJ.JournalofChinaCoalSociety，2023，48(4)：17821797.第48卷第4期煤炭学报Vol.48No.42023年4月JOURNALOFCHINACOALSOCIETYApr.2023thevehicle-road-cloudtransportationsystemisestablished.Basedonthemulti-sourceinformationfromthevehicle,road-side,andcloudplatform,theDSMcanassessthedrivingrisklevelofdriverlessvehiclesandprovidecorrespondingdriv-ingriskpreventionstrategies.TheDSMcomprisesdrivingstateawareness,drivingriskassessment,anddrivingriskpro-tection.Intermsofdrivingriskassessment,thethresholdofpre-collisiontimeiscorrectedthroughtheroadslopeaheadofthevehicle,andtheminimumbrakingsafetydistanceismodifiedbytheinformationofroadslopeandvehicleloadstate.Inthemeantime,acomprehensivedrivingriskassessmentstrategyisproposed,whichcanquantifythereal-timecollisionriskofautonomousvehiclesinopen-pits.Then,acollisionriskprotectionsystemthatconsidersdifferentdrivingrisksisthendesignedbasedonafinitestatemachine.Asmoothbrakingcontrolstrategyisdevelopedtomeettheminimumsafetydistance.Finally,adigitaltwinsimulationsystemthatcorrespondstotheautonomousvehicleinanopen-pitisbuiltbasedonthePreScanandMatlabco-simulationtechnologyandsomesimulationtestsinthehorizontal,uphill-downhillroadandfullloadscenesarecarriedout.ThesimulationresultsshowthattheDSMscomprehensiveriskassessmentstrategycanevaluatesuitablerisklevelsinadvanceandtimelybrake,whichindicatesthattheintroductionofroadslopeinformationcanimprovethedrivingsafetyofthevehicleupanddownhillscenes.Byintroducingvehicleloadinformation,thede-signedminimumsafebrakingdistanceindexcandetectpotentialcollisionriskintime.TheDSMsemergencybrakingcontrolstrategycansmoothlystopthevehiclebefore10msafedistance,whichimprovesthestabilityofheavy-dutyvehiclesduringemergencybraking.Key words:open-pits；autonomousvehicle；drivingsecuritymodel；drivingrisk；finitestatemachine；emergencybrak-ing无人驾驶技术作为诸多产业发展的重要引擎，应用于露天矿区可以提高矿区生产运输安全、作业效率和车辆利用率，有利于提高矿区开采行业的智能化、精细化管理水平。然而，当前矿区无人驾驶大多处于测试阶段，且露天矿区道路坡度大、弯道多、路况差1，对于突发状况，仍需要人工安全员对车辆进行应急响应。无人驾驶行车安全保障技术作为露天矿区无人运输系统的核心之一，在未来车辆完全无人驾驶场景中扮演着安全员的角色，承担着运输车辆行车安全保障工作。行车安全保障技术的准确性、可靠性直接决定了整个露天矿区无人运输系统能否安全运行。因此，研究无人工安全员场景下的行车安全保障技术具有很重要的理论意义和实际应用价值。无人驾驶车辆行车安全保障技术主要包括行车风险的评估及防控。在行车风险评估方面，采取合适的行车风险评估指标是做出正确决策控制的关键。当前应用于车辆无人驾驶的行车风险评估指标主要包括以下 4 种2：基于时间的指标，如碰撞时间(TimetoColision,TTC)3-4和驾驶员反应时间(TimetoReaction,TTR)5-6。许多汽车制造商已将 TTC 指标应用于高级辅助驾驶的紧急制动系统产品，LI 等7提出一种 TTC 与 TTR 结合的风险评估指标，并基于此设计了碰撞缓解系统(CollisionMitigationBrakingSystems,CMBS)。然而，考虑驾驶员反应时间的 TTR指标一般用于有人驾驶车辆的高级辅助驾驶系统，无法直接应用于露天矿区无人驾驶车辆。而由相对速度和相对距离组成的 TTC 指标在两车相对速度接近0 的情况难以准确评估潜在风险，同时一些考虑加速度的改进计算方法也不适合多坡道露天矿区的高安全性要求。基于运动学的指标，如加速度指标8。BRANNSTROM 等9基于车辆加速度指标及车辆运动学模型，综合预测了驾驶员的转向动作和分心程度，以此为紧急制动系统提供安全保障。基于数据的机器学习模型，如基于数据构建的碰撞概率风险评估模型10-12。HUANG 等13构建了考虑道路结构与车辆运动特征的状态转移方程，基于采集的行车数据构建高斯混合模型来学习驾驶员驾驶模式习惯，从而实现对周围车辆的驾驶意图预测和行驶轨迹预测，实车测试表明在直道和弯道的预测精度分别为 91.7%和90.5%。这种基于机器学习构建预测网络的方法存在模型可解释性差、安全不足的问题，不适用露天矿车的行车风险评估。基于人工势能场(ArtificialPo-tentialFields，APF)的指标，如行车风险场模型14-16。王建强等14从场论思想出发，提出了“行车风险场”的概念，用来表征人车路各要素对车辆行驶安全性造成的风险程度。综合考虑了驾驶人行为特性、交通环境和车辆状态，但是该方法所构建的风险评估模型较为复杂，且目前多处于理论研究阶段。同样，文献 17 基于 APF 建立势能函数，结合车辆动力学模型设计综合代价指标，提出了基于模型预测控制的路径规划控制方案，并在 CarSim 仿真软件中实现了车辆紧急避障功能，而这种基于 APF 与模型预测控制的方法用于解决横向避障问题，不适用于本文的纵向行车风险评估。第4期陈志发等：露天矿区无人驾驶行车风险评估及防控策略仿真研究1783在行车风险防控方面。兰凤崇等18采取分层设计，上层利用 TTC 进行制动决策，下层通过考虑轮胎特性的 PID 算法控制制动压力，并基于追尾事故场景的重建在仿真中验证了控制策略的有效性。马玉喆等19提出了一种集成制动和转向控制的自动紧急控制策略，主要应用于高速行驶、低附着系数的场景，不适用于露天矿车的低速、重载运输工况。DENG 等20基于 APF 方法，将所建立道路电位场及司机对不同障碍物的敏感度引入到模型预测控制的成本函数中，实现了对不同障碍物的紧急避障，其理论成果可以为高级辅助驾驶系统提供开发依据。LI 等21针对高速公路动态场景的安全灵活避障问题，提出了一种语义级机动采样与轨迹规划算法，可实现自动驾驶车辆兼顾舒适和安全的行驶轨迹生成。综上可知，当前普通公路场景行车风险评估及防控相关研究较多，且多集中在车辆驾驶辅助系统(DrivingAssistanceSystems，DAS)，其风险评估指标多考虑驾驶人及车辆特性，较少考虑先验道路信息，或者如基于人工势能场等考虑综合环境信息的方法较为复杂，难以直接在露天矿车上应用。在防控策略方面多为预警、部分制动和全部制动的简单策略。然而，露天矿区环境道路坡度大、车辆载重变化大，同时矿区对无人驾驶车辆有安全运输、平稳制动的功能要求22。目前，露天矿区无人驾驶领域还未对行车风险及防控机制进行针对性的研究。因此，笔者从露天矿区车路云的运输场景出发，提出了行车安全保障模型，综合车端路侧云平台的多源信息对无人驾驶矿车行车风险等级进行量化并做出相应的防控策略。行车安全保障模型的提出和应用，将为无人驾驶安全技术的研究及露天矿车完全无人化运营提供一种新的思路和方法。1无人驾驶行车安全保障模型无人驾驶车辆行车安全保障模型作为露天矿区无人运输系统的行车风险防控机制，综合车路云无人运输系统感知信息，进行行车风险等级评估，并根据风险等级做出相应的风险防控策略。行车安全保障模型主要包括：行车状态感知模块、行车风险评估模块和行车风险防控模块，如图 1 所示。行车状态感知模块综合车端路侧云端的综合信息，为行车风险评估模块提供风险等级评估所需的状态数据；行车风险防控模块依据不同风险等级，做出对应的防控决策，包括向云端发送危险警报信息、采取合适的紧急制动控制策略。行车安全保障模型的 3 个模块在露天矿区无人运输整个系统的部署方案如图 2 所示，在以太网(ETH)局域网络环境下采用分布式数据分发服务(DataDistributionService，DDS)的发布与订阅机制实现不同模块的消息通信。本文涉及的无人驾驶车辆主控制器集成了 5 颗不同算力、不同功能的车规级芯片智能计算单元(Intelli-gentComputingUnit，ICU)用于环境感知；通信网关单元(CommunicationGatewayUnit，CGU)用于处理卫星定位、C-V2X 车联网、5G/4G 云平台调度等信息；中央控制单元(CCU，CentralControlUnit)用于决策、控制等功能；安全监控单元(SafetyControlUnit，SCU)用于车辆功能安全保障；数据交换芯片(SWITCH)是主控制器内部用于以太网通信的板载芯片。2行车状态感知模块行车状态感知模块包括对前方障碍物感知、车辆及行驶道路状态感知 2 个部分。前向障碍物感知利用激光雷达、毫米波雷达以及高精度定位等综合信息，为行车状态感知提供环境感知信息。前向障碍物感知系统主要检测前方障碍物的相对速度、朝向、大小以及相对位置等信息，运用多传感器融合方法，使用 GPS/北斗定位信息以及高精地图等环境先验信息，实现无人驾驶车辆前方障碍物的精准检测。无人驾驶矿卡前向感知系统的布置方案如图 3 所示。车载前向传感器包括毫米波雷达、激光雷达，GPS/北斗定位系统和 V2N+V2V 通信模块等实现环境感知、定位和通信功能，使用主控制器 Mainbox 进行数据的实时处理。车载前向障碍物目标检测架构的流程如图 4 所示，原始多传感器数据通过数据同步模块实现数据的时间同步与空间同步。点云语义分割网络实现点云位置信息的语义理解，结合高精地图的边界信息实现感兴趣区域的障碍物检测。最后，将毫米波雷达与激光雷达的检测结果进行融合操作，保证障碍物的精确感知。行车保障模型云端调度信息车端感知信息行车状态感知模块行车风险评估模块行车风险防护模块图1露天矿区无人驾驶车辆的行车安全保障模型Fig.1DSMoftheautonomousvehicleinopen-pitmines1784煤炭学报2023年第48卷fdownfup前向障碍物目标检测关键技术是实时接收 64 线激光雷达的点云数据，使用球面投影提高点云语义分割网络的精确性与运算速度，减少映射过程中的信息丢失。其基本原理23为：设空间中某一点的坐标为 p=(x,y,z)，传感器的垂直感受野用垂直感受野下限和垂直感受野上限表示，点 p 对应的像素坐标(u，v)可以表示为u=121arctan(y,x)1w(1)v=1(arcsin(z,1r)+fdown)1fh(2)r=x2+y2+z2其中，为 p 到原点的距离；f 为传感器ICUCCUCGUSWITCH摄像头激光雷达毫米波雷达卫星定位SCUGMSLUARTETHCANETHETHETHETH油门制动转向CAN5G/4G 天线C-V2X车端云平台高精度地图任务信息、车辆载重信息障碍物感知结果车辆状态信息主控道路状态信息风险评估策略风险防控策略 行车状态感知模块行车风险评估模块行车风险防控模块通信方式信息发布订阅机制芯片(处理器)图2无人运输系统中行车安全保障模型的部署方案Fig.2ImplementschemeoftheDSMforopen-pitminesunmannedtransportationsystems感知和避障高精度定位车载主机车载网联LidarRadarGNSS+IMUV2N+V2VMainbox图3车载前向感知系统传感器方案Fig.3Configurationofavehicle-mountedforwardsensingsystem激光雷达毫米波雷达传感器驱动点云语义分割障碍物检测3*毫米波雷达融合多传感器感知信息融合感知信息通信输出数据同步地图边界检测Xavier 计算单元数据同步模块GPS/IMU图4车载前向障碍物目标检测架构Fig.4Architectureofavehicle-mountedforwardobstacledetectionsystem第4期陈志发等：露天矿区无人驾驶行车风险评估及防控策略仿真研究1785f=|fdown|+|fup|的垂直感受范围，；w、h 分别为伪图像的宽度和高度，最终将点云映射于像素坐标系，形成伪图像。语义分割网络使用残差空洞卷积学习更全面的上下文语义信息，并配合空洞卷积，反卷积等操作实现快速、准确的点云语义分割。本文采取的车载前向感知系统检测结果如图 5所示。图 5 中立方体用来可视化感知的输出结果，其中(a)(d)为检测到的矿卡、轿车、行人、挖掘机等障碍物目标。图 5(e)、(f)为不同场景下的语义分割结果，其中蓝色为地面，白色为挡墙。这些基本的障碍物检测功能是行车安全保障模型的“眼睛”，是实现无人驾驶车辆行车风险评估及防控的基础和必要环节。(f)(e)(d)(a)(b)(c)图5前向障碍物感知结果Fig.5Realobstacleperceptionresults同时，行车安全保障模型也会感知车辆自身状态及行驶道路坡度信息。车辆自身状态主要通过车载定位及车身传感器系统获得，包括自车的速度、加速度、航向等基本状态信息。行驶道路坡度信息由露天矿区无人运输系统的云平台下发，云平台向无人驾驶车辆下发调度任务、车辆空载满载状态的同时会下发待行驶道路的高精度地图，行车安全保障模型由地图解析出自车前方的道路坡度数据。图 6 为某露天矿区云平台管理的无人驾驶车辆行驶路径，图 7 为该露天矿区无人驾驶车辆在前往装载区的整条行驶路径坡度信息，其中坡度信息通过六点均值滤波算法24进行了数据处理。由此看出，车辆在大约 5500m 的行驶路径中一直处于下坡道路，最大坡度为 7。可见在露天矿区无人驾驶车辆行驶过程中，坡度是无人驾驶行车安全保障模型的风险评估模块必不可少的建模参数。而车辆在下坡道路对车辆行车风险的影响尤其明显。起点终点(装载区)图6某露天矿区云平台显示的无人驾驶车辆行驶路径Fig.6Drivingpathofanautonomousvehicledisplayedonthecloudplatforminanopen-pitmine红色点为每隔 100 m 的坡度某露天矿区最大坡度取 7行驶距离/m1 0000202468102 0003 0004 0005 000坡度/()图7某露天矿区下坡道路典型坡度Fig.7Realslopevalueofdownroadinanopen-pitmine3行车风险评估模块依据行车状态感知模块输出的车路云综合感知信息，笔者研究了考虑道路坡度先验信息的行车风险量化综合评估策略，并确定了在不同场景下的安全阈值参数，组成行车风险评估模块。该模块作为行车安全保障模型的大脑，可以精准评估有限时域内车辆与前方障碍物的碰撞可能性，并给出量化的碰撞风险等级，实现无人驾驶车辆前向行车风险动态辨识。具体来说，参考了在乘用车中常用的预碰撞时间指标，其实现过程简单、有效，同时使用最小制动安全距离指标来应对自车与前车相对速度相近时预碰撞时间指标失效的可能情况。因此，行车风险评估模块使用预碰撞时间及最小制动安全距离组成的综合评估指标来对碰撞风险进行量化。3.1预碰撞时间指标预碰撞时间是由自车状态和前方车辆状态计算1786煤炭学报2023年第48卷得到的两车预计发生碰撞的时间25。当预碰撞时间小于设置的时间阀值，行车风险防控模块会采取紧急制动控制车辆停车。预碰撞时间的计算方式如下：Tr=drvr,vr 0,ar=0vrv2r2arxar,vr 0,ar,0vr+v2r2arxar,vr 0,ar 0(3)Trdrvrm/sarm/s2式中，为预碰撞时间，s；为自车距障碍物距离，m；为本车和前车的相对速度，;为本车和前车的相对加速度，。在露天矿区无人驾驶车辆行驶过程中，通常上下坡道较多，人工安全员会依据驾驶经验对下坡场景给予更多的关注。因此，在设置预测碰撞时间阈值参数时，应该区分上下坡道场景。笔者给出带实时坡度修正的预碰撞时间的最小安全阈值计算公式：Tth=tmin+tm,maxtminmaxtm,max maxtmintm,max(4)Tthtmintmdrdrdrmax式中，为预碰撞时间的安全阈值，s；为水平路面确定的最小预碰撞时间，s，露天矿区场景一般取值为68s，保证有充足的时间平稳制动；为与行驶道路坡度相关的时间指标修正值，s，露天矿场景中一般取值为 2s；当两车相对距离50m，取值为自车前方段行驶道路的平均坡度，()，该值由云平台下发的高精度地图获取；当 50m，取值为自车前方 50m 内可行驶道路的平均坡度，正值为上坡；为整个露天矿区行驶道路平均坡度 的最大值。3.2最小制动安全距离指标引入最小制动距离指标主要解决 2 个问题：一是当两车相对速度接近 0 的情况带来预碰撞时间过大的问题；二是引入最小制动距离防止由于对前方车辆状态信息感知不准确造成预碰撞时间指标失效的紧急情况发生。最小制动安全距离指标的推导过程如下：t1t2t3vh露天矿区无人驾驶车辆一般使用液压制动系统，该系统在工作过程中，制动油路压力响应与执行机构动作均需要时间19，同时无人驾驶控制器发出控制指令到车辆底盘控制器有通信时延，考虑上述纯时间延迟因素，将控制器发出控制指令到执行机构开始产生制动压力的时间综合定义为制动系统时延。假设制动压力随时间呈线性上升，从 0 到最大制动力的时间记为；最大制动力持续至车速降为 0 的时间。如图 8所示，为自车进行紧急制动的简化过程,图中 为自车m/samaxm/s2速度，；为自车最大制动减速度，。0amax时间/s车速制动减速度vht1t2t3图8无人驾驶矿卡紧急制动简化过程Fig.8Simplifiedprocessoftheunmannedtruckemergencybrake在实际矿区排土场的水平道路上进行方波测试试验，得到北方股份电动轮矿卡 MT3600 的制动系统平均时延为 0.75s，制动压力上升过程为 0.6s，如图 9所示。制动开度指令制动反馈值0.60 s0.75 s时间/s75391317 19 21100.20.40.60.81.0111523 25 27制动开度图9北方股份电动轮矿卡 MT3600 的制动系统方波响应实验结果Fig.9SquarewaveresponsetestresultofthebrakingsystemofMT3600electricwheeltruckdh基于该制动过程的运动学关系，可以推导出紧急制动停车的最小制动距离：dh=vht1+wt20(vhamax2t2t2)dt+(vh12amaxt2)t3amax2t23=vh(t1+t2+t3)amax6(t23+3t2t3+3t23)(5)t3=vhamax12t2(6)同样的，考虑露天矿区道路坡度变化较大，运输车辆存在满载、空载情况，这 2 种因素均会对车辆的制动过程产生影响。笔者通过引入前方道路的实时坡度信息对自车的最大制动减速度进行修正：amax=ab+gsin,max max(7)abm/s2式中，为车辆在水平路面下的最大制动减速度，在露天矿区运输场景需要区分满载与空载，空载满载第4期陈志发等：露天矿区无人驾驶行车风险评估及防控策略仿真研究1787ab状态信息基于云平台下发获得，一般情况下满载工况的最大制动减速度较空载工况小一些，取值由车辆纵向动力学实车试验标定，如图 10 所示，为北方股份m/s2m/s2gm/s2电动轮矿卡 MT3600 的试验结果，在排土场的水平道路，车辆空载最大制动减速度为 3.45，满载为1.79；为重力加速度，取值 9.8。005101520012340.20.40.60.81.0制动开度速度/(kmh1)加速度/(ms2)(a)车辆空载,减速度随车速及制动开度的变化特性,减速度最大值为 3.45 m/s200510152000.51.01.52.00.20.40.60.81.0制动开度速度/(kmh1)加速度/(ms2)(b)车辆满载,减速度随车速及制动开度的变化特性,减速度最大值为 1.79 m/s2图10北方股份电动轮矿卡 MT3600 的制动性能实验结果Fig.10PerformancetestofthebrakingsystemofMT3600electricwheeltruck前方障碍物车辆的制动过程可以简化为匀减速运动，不考虑制动系统时延及制动压力上升过程，其最小制动距离计算如下：de=v2e2ae,max(8)devem/sae,maxm/s2式中，为前车最小制动距离；为前车速度，；为前车最大制动减速度，取上坡道路车辆空载所产生的最大制动减速度。结合式(5)、(7)，确定露天矿区场景无人驾驶车辆的最小制动安全距离指标为ds=dhde+dmin(9)dsdmin式中，为最小制动安全距离，m；为在紧急制动停车时两车至少保持的安全距离，露天矿区场景下一般取值 10m。3.3行车风险综合评估策略综合考虑预碰撞时间及最小制动安全距离 2 个指标，确定如表 1 所示的露天矿区场景行车风险综合评估策略。其中，行车风险等级 A、B 和 C 分别表示非常危险、危险、无危险(安全)。dsTth选择 1.2 和 0.5作为分界点，由以下车辆驱动、制动系统测试试验得到。试验过程：选择露天矿区排土场内较为平坦的路面(为了尽量减少坡度阻力的影响)，对自动驾驶矿卡(北方股份电动轮矿卡 MT3600，空载工况)使用预先内置的采集程序进行数据采集试验(设置前轮转角指令为 0，尽量减少转向阻力的影响)。按照固定的油门、制动开度采集车辆 GPS 纵向速度、IMU 纵向加速度等车辆状态数据，得到实车驱动、制动特性数据。去掉停车等无用数据，试验时油门、制动开度指令如图 11所示，相应的车辆速度变化如图 12 所示。表 1 行车风险综合评估策略Table 1 Comprehensive assessment strategy of driving risk最小制动安全距离/m预碰撞时间/s行车风险等级dr 1.2dsTr 1.2dsTr 0.5TthA0.5Tth Tr TthBTr TthC50100150200250300350时间/s00.20.40.60.81.0开度油门开度制动开度图11北方股份电动轮矿卡进行驱动、制动特性标定试验所使用的油门、制动开度指令Fig.11ThrottleandbrakecommandsusedinthecalibrationtestofdriveandbrakingcharacteristicsofMT3600electricwheeltruck1788煤炭学报2023年第48卷统计在 25km/h 初速度下，不同制动开度的制动距离，如图 13 所示，最大制动距离为 14.86m(制动开度为 0.1)，平均制动距离为 10.988m，结合式(9)，当前矿区对于制动停车后安全距离阈值为 10m 的要求，计算得到最小制动安全距离指标对于危险与非常危险的界限约为 1.2。统计在 25km/h 初速度下，不同制动开度条件下的实际制动时间，如图 13 所示，制动时间最大值为6.2s(制动开度为 0.1)，制动时间平均值为 3.35s，计算得预碰撞时间指标对于危险与非常危险的界限设置约为 0.5。00.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0制动开度8910111213141516制动距离/m123456制动时间/s制动距离制动开度制动时间制动开度图13不同制动开度下制动距离与制动时间的表现Fig.13Performanceofbrakingdistanceandbrakingtimeunderthedifferentbrakingopening4行车风险防控模块行车风险防控模块是行车安全保障模型的核心部分，包括考虑行车风险等级的安全防控决策和紧急制动控制策略 2 部分。4.1考虑行车风险等级的安全防控决策笔者基于有限状态机(FiniteStateMachine，FSM)构建行车风险防控模块的决策过程26，根据不同的风险等级及车辆状态，设计相应的控制策略，实现无人驾驶车辆在道路行驶面临碰撞风险时平稳、安全制动停车。决策系统的有限状态机转移过程如图 14 所示，主要包括正常行驶状态、StopToEnd 状态、Risk-LevelA 状态、RiskLevelB 状态、QuitStateOne 状态、QuitStateTwo 状态和停车状态。50100150200250300350时间/s010515202530GPS 速度/(kmh1)图12北方股份电动轮矿卡进行驱动、制动特性标定试验所采集的 GPS 速度数据Fig.12GPSspeeddatasofthrottleandbraketestsforMT3600electricwheeltruck正常行驶状态StateFlag=0障碍物持续消失1 svh0.3 km/hvh0.3 km/hRiskLevelBStateFlag=2QuitStateTwoStateFlag=5RiskLevelAStateFlag=1QuitStateOneStateFlag=4StopToEndStateFlag=3停车状态StateFlag=6前方有障碍物&vh2 s前方有障碍物&dr1.2ds前方有障碍物&Tr0.5Tth前方有障碍物&Tr0.5TthQuitStateOne 状态持续时间2 s&vh0.3 km/h前方有障碍物&vh Ub(k1)(14)Ub,cal(k)kUb(k1)k+1Ub(k)k其中，为当前控制周期 的踏板开度计算值；为上一个控制周期的制动踏板开度指令输出值；为当前控制周期 最终的制动踏板开度指令输出值。通过对该状态每次的计算结果进行检查，只执行开度增大的变化，限制制动踏板开度的缩小趋势，使得制动开度控制率更加合理。4.2.2RiskLevelA 状态Ub=1当状态机跳转至 RiskLevelA 状态，制动踏板开度指令直接取最大制动开度，即，目的是针对非常危险工况尽可能产生最大的制动效果，防止碰撞发生。4.2.3StopToEnd 状态当状态机跳转至 StopToEnd 状态，制动踏板开度Ub的控制率如下：Ub=Ut0+2(1Ut0)(tt0),t0 t0+0.5(15)t0Ut0t0式中，为跳转至该状态的时刻，s；为 时刻对应的制动踏板开度。该控制策略防止在低速有障碍物的情况下，车辆因为行车风险等级在危险(A/B)与不危险(C)之间来回跳变造成车辆的频繁启停，使行车安全保障模型的决策逻辑更加拟人化。4.2.4QuitStateOne 状态Ub=1QuitStateOne 状态为风险防控模块在完成风险防控任务后将控制权交给无人驾驶系统的退出状态情况一，制动踏板开度控制策略为，该状态模拟人工驾驶员，进行车辆是否完全稳定停车的确认。4.2.5QuitStateTwo 状态QuitStateTwo 状态为行车风险防控模块在完成风险防控任务后将控制权交给无人驾驶系统的退出状态情况二，制动踏板开度控制率如下：Ub=Ut0Ut0(tt0),t0 t t0+1(16)该控制策略确保在 1s 内将制动踏板开度降至 0，以便无人驾驶系统接管控制权，执行加速等操作。5仿真结果及分析5.1联合仿真环境搭建PreScan 软件用于无人驾驶场景建模，可以提供高级辅助驾驶系统仿真测试、无人驾驶环境建模，可以实现无人驾驶感知、决策、规划和控制算法的软件在环和硬件在环仿真27。在 PreScan 中搭建了某露天矿区无人驾驶的数字孪生仿真系统，使用 Simulink 搭建矿卡的纵向动力学模型、行车风险评估模块、有限状态机决策系统以及制动控制算法，图 15 为搭建的水平道路测试场景，图 16 为联合仿真模型。其中，搭建水平道路场景用于仿真车辆在不同相对距离、不同速度行驶时发现静图15露天矿区行车安全保障模型水平道路测试场景Fig.15Horizontalroadtestscenariosforopen-pitminingvehiclesafetyassurancemodels1790煤炭学报2023年第48卷止障碍物的停车过程，主要目的是验证紧急制动控制策略是否能够实现平稳停车以及是否能够满足安全停车距离。搭建上下坡道场景用于测试考虑坡度先验信息修正的行车风险综合评估策略是否有效。露天矿区生产作业场景对于运输车辆的行驶安全要求高，因此安全阈值等参数均需要设置得较为保守。表 2 为针对露天矿区场景道路、北方股份矿卡MT3600 及行车安全保障模型在仿真环境中所采用的一些参数。表 2 仿真道路、车辆及行车安全保障模型的参数Table 2 Parameters of road,vehicle and DSM参数取值水平路面最小预碰撞时间tmin/s6行驶道路坡度的最大修正值tm/s2max平均坡度最大值/()7dmin安全距离/m10干燥压实土路的道路附着系数0.68干燥压实土路的滚动阻力系数0.028电动轮矿卡尺寸(长/宽/高)/mm13100/7300/6900电动轮矿卡空载质量/kg116348ms2水平路面最大制动减速度/()4.05.2仿真结果分析依据 5.1 节所搭建的 2 个仿真场景，对 3 种工况进行仿真分析。(1)不同相对距离，自车(车辆空载)以不同速度行驶的遇障停车测试。在水平道路场景中，分别设置前方静止车辆与自车的距离为 45m 及 35m