《Machines》:Vision-Based Trajectory Planning for Cable-Constrained Mobile Platforms Using an Improved Dynamic Window Approach
编辑推荐:
为降低矿山环境中电缆收放车(CRV,负责跟随采矿装备收放动力电缆的车辆)卷缆失效的风险,研究人员提出一种由立体视觉传感器驱动的感知–规划框架。其核心创新在于一种基于改进动态窗口法(DWA,一种通过评价速度、障碍距离与目标距离生成局部轨迹的规划算法)的电缆形态约
为降低矿山环境中电缆收放车(CRV,负责跟随采矿装备收放动力电缆的车辆)卷缆失效的风险,研究人员提出一种由立体视觉传感器驱动的感知–规划框架。其核心创新在于一种基于改进动态窗口法(DWA,一种通过评价速度、障碍距离与目标距离生成局部轨迹的规划算法)的电缆形态约束轨迹规划方法。研究人员采用双目视觉传感器获取同步图像与点云数据;开发矩形区域分割(RRS)算法处理传感器生成的目标二值掩膜,实现鲁棒的电缆形态估计,每帧耗时0.018 s,且在多达1200个分割区域下性能稳定。通过将基于神经网络的感知与改进DWA相结合,将近端电缆形态约束引入局部轨迹评估,以在避障过程中协调车辆运动与电缆几何关系。针对深度传感器在远距离测量中的固有局限,研究人员提出近端电缆形态提取策略,为轨迹规划提供更可靠的电缆几何信息。实验结果表明,在0.2 m/s的运动速度下,系统以4–6 FPS稳定运行,并在近程电缆约束下保持准确航向。上述发现证明了将实时电缆形态感知与电缆约束轨迹规划相结合,用于电缆供电矿山设备自主导航的可行性。
本文从研究背景、研究内容、关键技术与实验结果等方面对该论文进行解读。
研究背景与问题:采矿地形复杂化和极端工况加剧使人工操作风险升高,统计数据表明自动化系统可显著降低矿区致命事故。同时矿石品位下降和环境约束趋紧,采矿装备智能化成为保障矿山经济可持续性的核心技术。现有研究主要关注电铲、排土机等移动装备的行走与装载作业,而利用移动平台实现动力电缆自动收放是连续作业的核心需求。电缆收放车(CRV,负责跟随采矿装备并收放电缆的车辆)不仅要实时跟踪采矿装备的位姿,还要补偿电缆变形引起的非完整约束,因此需要高频可靠的电缆形态感知。然而,几何建模方法如超像素分割、RTK(实时动态定位)测量因计算效率低而无法响应实时电缆变形;端到端学习方法如DQN(深度Q网络)受矿井样本稀缺制约,难以适应非结构化电缆运动;现有研究或依赖离线预设缆线路径,或忽略近场电缆形态对轨迹的方向约束,导致避障时收缆方向错位并诱发缠绕与压缆事故。为此,研究人员提出一种融合深度学习与改进动态窗口法(DWA)的视觉感知–规划框架。
研究内容与意义:该研究利用双目视觉传感器获取同步图像与点云,以Mask R-CNN(一种基于卷积神经网络的实例分割模型)生成目标掩膜;提出矩形区域分割(RRS,将电缆掩膜划分为矩形区域并利用区域点云拟合缆线形状)算法实现快速电缆形态重建;并在传统DWA代价函数中引入近端电缆方向与曲率约束,使车辆在自主跟踪与避障时考虑缆线几何关系。通过样机多场景实验验证,该框架在0.2 m/s速度下达到4–6 FPS(每秒处理帧数)的处理速率,无障碍、单障碍和双障碍场景任务成功率分别为100%、100%和80%,总成功率93.3%(30次中完成28次)。该结果证明了实时电缆形态感知与电缆约束轨迹规划相结合用于电缆供电矿山设备自主导航的可行性。
关键技术方法:采用ZED 2i双目相机采集图像与点云,构建含电铲、电缆和两类障碍物共4类目标的1849样本数据集,按70%:20%:10%划分训练、验证与测试集;以Mask R-CNN生成二值掩膜并提取对应点云;提出RRS算法将电缆掩膜分区域排序并用B样条曲线拟合;改进DWA,将近端电缆角度约束和曲率敏感权重纳入代价函数;选取靠近CRV的缆线段以规避远距离深度测量误差。
研究结果:
4.1 实验准备:在室内封闭试验场使用电铲与CRV样机开展验证,样机采用感知层、决策层与底层控制的三层架构。训练后的Mask R-CNN在测试集上以精确率、召回率、F1分数、交并比(IoU)和平均精度(AP)进行评估,表明感知模块可为目标聚类与电缆形态重建提供稳定的实例分割结果。
4.2 电缆拟合比较:将RRS与超像素分割(SLIC,一种简单线性迭代聚类分割方法)进行对比。SLIC在最优参数下边界重合度为0.924,优于RRS的0.628,但SLIC的处理时间随超像素数量从3.11 s升至11.03 s;RRS在6400个分割区域时仅需0.029 s。根据拟合精度与实时性平衡,确定1200个分割区域为最优,验证了RRS在满足CRV跟踪实时性方面的优势。
4.3 物理实验:设置无障碍缆线曲折路径、单障碍和双障碍三种场景。Mask R-CNN结合RRS的处理速率为4–6 FPS,DWA规划器单次计算约10 ms、更新周期0.4 s;各模块时间中Mask R-CNN推理为86 ms、点云提取为74 ms、RRS处理为18 ms。实验还显示,在障碍遮挡时电缆拟合仍保持稳健;但由于深度相机远距离分辨率不稳定,个别无遮挡情形出现拟合偏差,而最优路径仍保持正确方向,这验证了近端电缆拟合的稳定性。重复试验得到无障碍和单障碍场景成功率均为100%、双障碍场景成功率为80%,总成功率为93.3%,表明该方法在测试条件下具备可行性,但多障碍环境中电缆经过两障碍之间的复杂构型仍具有挑战。
4.4 工程应用局限:单相机视场有限,可能造成铲目标丢失;电缆回收速度取决于CRV与电铲的速度差,需引入RTK设备获取毫米级地速;光照变化、扬尘和雾霾等环境因素会降低视觉感知鲁棒性;样机室内试验不能完全代表真实矿山工况。此外,近端电缆提取虽规避了远距离深度误差,但远端缆段仍可能与远处障碍相互作用,存在安全风险;由于感知与规划模块紧密耦合且涉及物理实验安全,尚未开展系统性消融研究。
讨论与结论:讨论部分指出,未来应通过多传感器融合、引入红外相机与激光雷达、以及更接近真实矿山条件的试验来提升系统鲁棒性,同时需考虑使用电缆动力学仿真环境开展受控消融研究。结论为:研究人员提出一种面向CRV的立体视觉自主跟踪框架,将深度卷积神经网络与改进DWA相结合,实现环境感知与电缆约束轨迹规划。RRS方法满足实时电缆形态重建需求,在1200个分割区域下仅需0.018 s,而SLIC在1000个超像素下需3.11 s;Mask R-CNN与RRS联合处理达到4–6 FPS,DWA单次规划约10 ms。重复物理实验的任务完成率分别为100%、100%和80%,总成功率为93.3%。上述结果证明了所提电缆感知方法的计算效率以及集成式自主跟踪框架在测试条件下的可行性,未来工作将聚焦于通过多传感器融合和真实矿山工况验证来进一步提升系统鲁棒性。