矿业是我国国民经济的支柱产业，但面临安全隐患大、劳动力短缺、管理难度高等行业困境。无人化运输能够有效解决上述行业问题，是推动矿产开采方式变革的重要抓手，也是国内外矿山企业重点布局的技术高地。近年来，无人驾驶技术虽已在国内外矿山得到初步应用，但在矿区复杂场景下仍面临安全员下车难和运输效率低的问题，其关键技术挑战是如何提升内外部复合扰动下自动驾驶系统感知、规划和交管的可靠性。
围绕上述技术挑战，由上海交通大学机械与动力工程学院王亚飞副教授领衔的交大多学科技术团队长期深入矿山一线，联合水泥矿山行业领军企业海螺集团，攻克了恶劣环境下可靠感知、车铲协作高精度规控、混编运输安全高效等技术难题，研发出一整套具有完全自主知识产权的矿车无人驾驶软硬件系统，并在露天水泥矿山行业首次实现了无安全员常态化运营。
多尺度鲁棒目标检测，攻克复杂恶劣场景下的环境感知难题
露天矿山场景复杂且环境恶劣，易出现传感器失效问题。现有感知系统配置固定，失效后缺乏自维持能力，进而造成运输中断。同时，传统感知算法较难处理扬尘或雨雾干扰，且较难同时完成小碎石和大矿车等全尺度障碍物可靠感知。
针对上述问题，王亚飞团队面向异构传感器融合架构，构建了“自搜索-自识别-自标定”的即插即用组网模型，该模型能够在传感器失效的条件下完成多传感器动态再组网，同时团队针对矿山典型扬尘场景，设计了变密度去噪算法，有效提升了感知系统的鲁棒性。
研发团队还以多尺度障碍物在矿山多场景下的目标特征为对象，构建了覆盖全生产场景的目标检测数据集，并针对扬尘等恶劣场景进行了数据增广，研发了具备全尺度和多场景适应性的轻量化目标检测技术。通过采用该技术建立了满足复杂矿山场景应用的新型神经网络模型，提升了矿山复杂场景目标检测跟踪的效率。提出的检测算法可同时滤除动态扬尘干扰、识别石块和百吨级矿卡等各类目标，识别障碍物尺寸覆盖0.3m~11m，实现了复杂恶劣矿山场景下的多尺度目标稳定检测与跟踪。
高精度交互式路径规划，助推铲装作业效率最大化
矿山生产作业场景具有时空混合动态变化特点，一方面挖机铲位频繁变化，另一方面采掘区地形地貌缓慢动态变化。传统高精度地图制作流程复杂、更新成本高，较难准确描述矿山环境，导致矿车路径难以规划、安全性难以保障，无法满足铲装协作生产对精度的要求。
针对这一行业共性难题，王亚飞团队发明了一种针对矿山混合动态场景的地图实时更新方法，通过建立视觉、激光等多传感器交互式信息采集处理机制和配准策略，将矿山大地图与单车小地图进行精准融合拼接，实现了对矿山动态采掘面的准确表征。该技术有效替代了制作流程复杂、更新成本大的传统高精度地图，简化了对矿山动态变化地形的场景重构流程，增强了无人驾驶矿车装载作业的动态场景适应性，为铲装协同作业奠定了基础。
高效地铲装作业需要实现百吨级超大型矿车的精准停位，面向这一需求，王亚飞团队提出了一种基于全局-局部耦合的泊车路径规划技术，通过建立挖机-矿车间交互式通信，提出了最优装载泊车位与挖机位姿的映射模型，设计了全局启发式路径搜索策略，有效解决了高动态生产工况下所带来的路径规划易失败、泊车位置精度低的难题，确保了铲装作业效率。
多模态一体化云端调度，保障“人机混驾”作业安全
水泥生产需要配比不同碳酸钙含量的矿石，而不同采矿点的矿石品位又存在差异，各环节生产要素实时变化，导致矿卡调度指令与实际生产需求难以及时匹配；此外，由于成本等各方面原因，有人驾驶矿车和其他辅助作业车辆难以一次性替代，需要与无人驾驶矿车同时运输作业，造成非信控道路上存在交通混流冲突风险。
面向高频调度与人机混驾的需求，王亚飞团队联合交大交通运输工程专业的陆林军副教授和金建钢教授团队，提出了基于干扰管理模型的多模态智能调度算法，该算法将规划性调度与恢复性调度有机结合，解决了调度指令与实际需求在时空上存在滞后性的问题。此外，构建的基于车路云协同的冲突区域危险评估模型，避免了大规模交通参与者混流冲突风险，保障了混合驾驶车队的作业安全，将单车和矿卡车队的交通通行效率分别提高了9.0%和9.8%。同时，研究成果也被推广应用于有人矿山的车队管控，在多座露天矿山将单台矿车时产量提高5%以上。
产学研深度融合，助力中国智慧化矿山建设
近三年来，王亚飞团队与安徽海螺集团一直保持密切合作，成立了“上海交大-海螺集团智能化装备联合研发中心”，集中力量在矿山一线联合攻关。上海交大负责基础理论、核心算法和关键模型的建立与优化，海螺集团负责工程化落地以及产品推广应用，真正做到深度合作，合作成果也得到了中央一套、中央二套和人民日报等媒体的关注和报道。项目成果提供了全栈式露天矿山无人运输解决方案，已在海螺集团下属三座矿山、数十台矿车落地应用，近两年创造直接经济效益超10亿元人民币，为建设中国方案的智慧无人矿山奠定了坚实基础。
