露天矿山运输车辆无人驾驶纵向精准停车控制策略研究

张 乾，王 斌，袁希文

（中车株洲电力机车研究所有限公司，湖南 株洲 412001）

0 引言

露天矿山运输无人驾驶矿用卡车（简称“无人矿卡”）在矿区运行的路况比较复杂，如矿区设计的排土线路面为大上坡路面，并且在排土点处可能有小凸包、小凹坑、碎石块、小石块等，会造成坡道起伏，增大了无人矿卡的行驶阻力。同时，由于在排土点倒车过程中车辆运行速度较低（一般为10 km/h以下），且因无法预知未来路况信息而需提前施加牵引或制动力，当车辆在排土点遇到特殊、复杂的路况且速度减小为零时，如果牵引力发挥又不及时（车辆执行机构在由制动工况转牵引工况时有一定的延时），则会出现溜车现象。如果在接近排土点（轨迹终点）处为了克服特殊路况产生的阻力而增加了过大的油门开度，则又有冲撞排土点挡墙的风险。这些现象最终都会导致车辆无法精准停在排土点、岩土无法完全倒在挡墙外，对露天矿山运输车辆实现全流程无人驾驶作业存在很大的阻碍和安全风险［1-2］。

无人矿卡的精准停车功能主要是通过调节纵向控制系统［3-4］来精准跟踪所规划的期望速度，从而实现速度保持、加速、减速和制动停车。要实现精准停车，就需要精确的车辆动力学模型。对于露天矿山运输车来说，其纵向控制系统是一个典型的多输入多输出复杂动力学系统，存在着高时滞性、相关参数不确定以及驱动/制动系统高度非线性动态特性等问题。因此，在动力学模型不准确前提下实现精准停车已成为露天矿山运输车辆自动驾驶研究的一个热点。

车辆的纵向控制主要通过两种方式实现［5-7］：直接式控制和分布式控制。直接式控制主要使用PID及其拓展方法、自适应控制等控制方法建立非线性系统模型，通过执行器来直接控制速度。2007年，卡耐基梅隆大学与通用公司自动驾驶合作团队［8］在“Boss”车上使用直接式控制方式，采用PID控制策略构建执行器模型与速度差模型并自适应切换，可以较好地适应控制系统的非线性，获得了DARPA（美国国防部高级研究计划局）城市挑战赛的第一名。同样，国内学者李贻斌、阮久宏等［9］基于直接式控制结构采用模糊控制和遗传算法设计控制器，也解决了执行器的非线性问题。针对控制系统参数不确定的问题，文献［10］基于直接式控制方式提出一种“前馈+反馈”的控制策略，并通过仿真研究了模型误差和执行器动力学特性对控制性能的影响，仿真结果表明，所提出的控制规律在误差模型上表现出了良好的性能。2011年，西南交通大学的任殿波、张策等［11］提出使用自适应滑模控制规律来解决参数不确定的车辆跟随纵向控制问题。2013年，重庆大学崔明月、孙棣华等［12］使用Backstepping方法设计了一种自适应控制器并通过进化规划算法进一步优化了控制器的参数。

直接式控制器集成度较高、响应迅速，但是存在系统非线性较强、移植性较差和开发难度高等问题。对此，有研究者提出了一种分布式的控制结构来建立纵向控制系统。分布控制方式是先由上层控制器通过比较速度和参考速度得到期望加速度，然后再通过下层控制器直接控制执行器实现速度精准控制。目前，国内外学者分别使用PID/滑模控制、模型预测控制、模糊控制等方法［13-15］设计控制器，很好地解决了系统的时滞、振动和非线性问题，实现了无人驾驶车辆纵向的快速、平稳、精确跟踪。

现有的无人矿卡停车方法一般是基于直接式控制方法、通过设置比例积分（proportion integral，PI）参数来控制车辆的倒车，当路面出现小凸包、小凹坑、碎石块或小石块时，则需要多次调试PI参数，效率较低且覆盖场景不全。针对此问题，本文基于分布式控制策略设计了“状态反馈+逆纵向动力学控制”模型，并在神延西湾煤矿进行了实车试验，对所提的方法进行了有效性验证。

1 无人矿卡纵向控制策略

本文针对自适应PI参数设置需求提出了一种纵向控制策略。从架构上，该纵向控制策略分为上层控制器、下层控制器以及补偿设计，其核心思想如图1所示。

图1 无人矿卡纵向分布式控制策略架构Fig.1 Vertical distributed control strategy architecture of unmanned mine truck

上层控制器根据GPS状态量设计出期望加速度；下层控制器根据期望加速度和实际加速度的差值，使用逆纵向动力学模型计算得到油门开度和电制动力值，再加上补偿值，最终得到油门开度和电制动力值并输入执行器，以跟踪期望速度。无人矿卡纵向控制策略流程如图2所示。

图2 无人矿卡纵向控制策略流程Fig.2 Flow chart of the vertical control strategy for unmanned mine truck

2 无人矿卡纵向控制策略的实现

2.1 上层控制器设计

上层控制器基于状态反馈方法得到车辆的理论加速度。理论加速度aengine(t)由3部分组成：期望加速度adesire(t)、滚动阻力产生的第一加速度aroll(t)和坡道阻力产生的第二加速度aslop(t)。

2.1.1 期望加速度

首先，获取车辆的减速起点、停车点以及挡墙终点信息。其中，减速起点根据惯导位置确定，停车点和挡墙终点由期望轨迹确定。减速起点到挡墙终点的距离为第二距离sstop（t）；停车点到挡墙终点的距离为第三距离ssafe；对第二距离和第三距离进行求差运算，得到第一距离；再根据式（2），可得到期望加速度。露天无人矿卡倒车排土示意如图3所示。

图3 无人矿卡倒车排土示意图Fig.3 Schematic diagram of backing and dumping ofunmanned mine truck

式中：vstop（t）——当前速度。

2.1.2 第一加速度

获取车辆质量、路面坡度以及滚动阻力系数后，根据车辆质量、坡道角度以及滚动阻力系数进行计算，得到滚动阻力值。滚动阻力产生的减速度为第一加速度。

式中：Froll——滚动阻力；μ——滚动阻力系数；m——车辆质量；g——重力加速度；θ(t)——坡道角度。

2.1.3 第二加速度

车辆在坡道上运行时，除了基本阻力之外，还有坡道阻力。车辆运行在上坡道时，车辆将受到一个与坡道平行且指向下坡方向的重力分力Fslope，由该分力产生的减速度为第二加速度。

2.2 下层控制器设计

对于露天矿山运输车来说，满载时载质量会超过车辆质量。因此，在实际全流程测试过程中，不得不区分空载和满载对油门开度和电制动力的影响。本文在得到理论加速度之后，基于逆向动力学方法，根据加速度大小输出车辆的油门开度和电制动力大小，具体如下：

（1）aengine(t)>0，表示当前速度过低，可能出现溜车的风险，需增加车辆的油门开度要求，使油门开度符合预期油门开度，车辆加速。空载时，使用期望的油门开度对当前油门开度进行调整；当车辆为重载时，则需根据当前载质量和空载时的预期油门开度计算重载时预期油门开度Tload(t)，如式（5）所示。

式中：mload()t——重载工况下t时刻车辆的载质量；T(t)——空载工况下t时刻的期望油门开度。

（2）aengine(t)<0，表示当前速度过高，车辆可能会冲过终点，需要增加车辆的电制动力以对车辆进行减速。空载时，期望的电制动力大小为所施加的电制动力大小；车辆重载时，则需获取车辆的当前载质量和空载时的最大电制动力进行计算，得到重载时的预期电制动力，以实现对当前电制动力大小的调整。

式中：Bload()t——重载工况下t时刻电制动力；B(t)——空载工况下t时刻期望电制动力。

（3）aengine(t)=0，表示车辆此时处于惰行工况，不需要对车辆进行增加油门开度或者施加电制动力的控制。

2.3 补偿设计

由于执行器存在较大延时（例如：从制动指令下发到制动力实际响应存在一定的延时，特别是在工况转换时，延迟时间更长），在车辆接近轨迹终点（如相距1.2 m以内）时，需要通过速度以及加速度信号实时补偿油门开度，以避免出现速度为零、急刹车或者冲撞挡墙的现象。

采用纵向控制策略实时计算车辆当前位置到终点的距离。当此距离小于预设距离时，计算车辆当前的速度和加速度，并根据该速度和加速度值对油门开度的大小进行调节。本文中预设距离为1.2 m，补偿原理如下：

（1）当车速v(t)≤vlow时，设置车辆工况为牵引工况，并对油门开度进行补偿，即增加油门开度，其中vlow为低速度临界值且vlow＞0；直至当前加速度a(t)≥alow时，开始减小补偿的油门开度，其中alow为减小补偿油门开度的加速度临界值，alow＞0。

（2）当v(t)≥vhigh时，设置车辆工况为制动工况，并对电制动力值进行补偿，其中vhigh为高速度临界值且vhigh＞0；直至实际加速度a(t)≥ahigh时，开始减小电制动力的补偿值，其中ahigh为高加速度临界值，ahigh＞0。

（3）当vlow

综上所述，通过上层控制器、下层控制器以及补偿设计，系统可对车辆进行精准控制，使得车辆倒车过程中的速度保持平稳，有效避免了在车辆靠近排土点时因速度过低而出现溜车现象或者因速度过高出现急刹车甚至冲撞挡墙的现象，实现了车辆的精准、安全停靠。

3 纵向控制策略实车验证

2021年9月，本文提出的控制策略被用于神延公司西湾煤矿进行了实车试验。试验现场作业路线场景如图4所示。试验条件如下：在轻载试验场进行排土优化试验，并依据矿区操作规范设置倒车限速为8 km/h；同时，考虑牵引/制动的延时特性，分别采用传统的“前馈+PI控制”策略以及分布式纵向自适应控制策略（该两种控制策略除纵向控制器以外，其他部分均相同）进行试验。

图4 现场作业场景Fig.4 Field work scene

图5为试验速度曲线。从图5（a）可以看出，车辆采用“前馈+PI控制”策略时，速度控制效果较差，无法明显加速，在崎岖路面处来回溜车蠕行；图5（b）为车辆采用分布式自适应控制策略后的速度控制结果，此时，车辆在遇到崎岖路面降速之后能立马加速，极大地提高了作业效率。

图5 试验速度曲线Fig.5 Speed curves of the test

图6为采用各控制策略计算得出的油门开度和电制动力百分比曲线。如图6（a）所示，若采用“前馈+PI控制”策略，无人矿卡遇到崎岖路面降速后，依靠PI控制策略调节油门参数无法快速冲出崎岖路面，且当场景变化后，调整后的参数仍无法适用。而如图6（b）所示，无人矿卡采用分布式自适应控制策略后，可以较快地提高油门开度百分比，能有效加速且场景适应性较好。

图6 油门开度和电制动百分比曲线Fig.6 Curves of throttle and electric braking percentage

图7为无人矿卡分别采用两种控制策略在相似道路坡度下相关状态曲线的对比。其中，蓝色后溜曲线中1表示发生溜车，0表示未溜车；绿色驾驶模式曲线的1表示驱动模式，0表示制动模式。从图7（a）可以看出，无人矿卡采用“前馈+PI控制”策略行驶在崎岖道路时，其驾驶模式存在制动与牵引模式来回切换且频繁后溜的现象；而由图7（b）可以看出，无人矿卡采用分布式控制时，可以较好地避免溜车和频繁工况转换现象的发生，与人工驾驶的操作效果类似。

图7 两种控制策略下无人矿卡相关状态曲线Fig.7 Correlation state curves of unmanned mine truck with two control strategies

图8为无人矿卡位置与终点间的距离曲线，可以看出，无人矿卡采用分布式控制策略，停车时距离终点仅0.19 m，较采用“前馈+PI控制”策略的0.5 m停车精度具有较大的提升，更有利于将车斗的货物全部卸载在挡墙外，从而提升了无人化作业效率。

图8 无人矿卡与停车终点的距离曲线Fig.8 Distance curve of unmanned mine truck from parking end point

4 结语

本文针对无人矿卡在崎岖路面排土时出现的溜车、冲撞挡墙及停车精度较低等问题，提出了一种分布式自适应控制策略。其采用“状态反馈+逆纵向动力学控制”模型的方法，有效解决无人矿卡在排土作业时无法精准停靠的问题，且该方法能自适应排土场的各种恶劣环境。实车作业结果表明，采用该控制方法的无人矿卡能实现车辆的精准、安全停靠。但由于该策略对挡墙终点有强依赖性，而矿区地图时刻变化，当挡墙终点不准确时，会出现矿卡靠上挡墙轰油门的安全风险。因此，在后续工作中需要考虑如何实现挡墙终点不准工况下车辆的精准停靠问题及排土/排岩作业的安全问题。