双层柔性厚锚杆技术用于大采高深部煤层沿空掘巷围岩控制

《Applied Sciences》：Double-Layer Flexible Thick Anchor Technology for Surrounding Rock Control During Gob-Side Entry Driving in Deep Coal Seam Mining with Large Heights

　　

为解决保障自主车辆安全运行所面临的挑战，本文针对多车协同与非协同导航场景下不同交通密度条件，兼顾碰撞风险评估，对研究人员所提出的确定安全最优路径的方法进行比对评价。针对陆地、水面、空中三类自主车辆，研究人员分别提出运动学轨迹（KT）法、动力学轨迹（DT）法及博弈轨迹（GT）法，综合运用线性规划与动态规划、人工神经网络、矩阵博弈与位姿多人博弈等方法。通过对上述三法在差异复杂度测试导航情境下确定安全轨迹的仿真研究，比对了各法在不同环境状态下的有效性；同时针对三类运行域分别给出自主车辆的仿生解决方案，并梳理了各类自主车辆所采用的网络安全类型与方法。

研究背景方面，实际部署自主车辆的有效性取决于能否安全完成规划航线，这受驱动效率、运动传感硬件、功能软件特别是最优最安全轨迹规划的影响。现有文献多关注图搜索、概率与人工智能路径规划，却普遍忽略多车交通中车辆作为协同或非协同控制对象的动力学属性。研究人员据此假设安全路径规划须先选定KT、DT或GT方法再细化算法，并提出核心研究问题：建模车辆控制时究竟仅考虑运动学、还是须纳入动力学、亦或须考虑他车协同与否。论文发表于《Applied Sciences》，旨在证明借助自动控制理论、人工智能与博弈论可选方法，能为多类自主车辆开发确定安全轨迹的算法，从而保障任务最优执行。

关键技术方法上，研究人员构建控制技术（直接数字控制DDC、增量比例–积分–微分PID、增益调度GS、模型参考自适应MRAS、自校正调节器STR）、优化（线性规划、动态规划、线性二次型调节器LQR、模型预测控制MPC、线性矩阵不等式LMI）、人工智能（人工神经网络、模糊控制、进化算法、专家系统、粒子群、多智能体系统MAS、机器学习）与博弈控制（矩阵博弈、位姿博弈）四类方法论工具集；针对陆地自主移动机器人AMR与自主车辆AV、水面自主水面艇ASV与自主船舶MASS、水下自主潜航器AUV及空中自主飞行器AAV，分别设计KT/DT/GT（含协同GTc与非协同GTnc）轨迹判定流程，并以仿真测试导航场景（按车辆数与碰撞风险设定）为样本队列来源进行实验。

研究结果部分，第4节“Results”首先在第4.1节“Autonomous Land Vehicles”中分述：4.1.1“Autonomous Mobile Robots”下，路径规划列全局（A、Dijkstra、波传播、Voronoi、可视图）与局部（势场、弹性带）及人工智能法；轨迹规划中KT法用单形线性规划在允许转向集L₀/R₀内最大化速度矢量沿航向投影以最小化绕行距离损失，DT法用三层神经网络（双曲正切隐层、单极Sigmoid输出）生成六边形神经危险域并结合Bellman动态规划最小化时间准则，GT法建碰撞风险矩阵r_j=f(d_min,t_min,D_j)并分别给出GTc与GTnc优化准则，图7比对八机绕行显示GTnc在D_s=6 m下偏移最小；运动控制按全向/非全向机器人分述PID、LQR、MPC等；网络安全列出劫持、工业间谍、网络入侵与数据篡改及加密通信等对策。4.1.2“Autonomous Vehicles”中，KT法用单形线性规划在绿区求χ^0,r/χ^0,L或σ₀最小化至拐点时间t，DT法用MATLAB深度学习工具箱训练网络生成圆/六边形域并最小化式(8)偏差，GT法基于多步位姿博弈给出GTc式(9)与GTnc式(10)，图12–13显示多向与单向交通下GTnc最终轨迹偏差δ最低；网络安全覆盖ECU、车载网、无钥匙进入、传感器、APP、VANET与信息娱乐蓝牙攻击面。4.1.3“Autonomous Biomimetic Land Vehicles”举Spot、Atlas、Mole_Bot等仿生结构在运动、气动、军事、传感自洁、昆虫与蛇形驱动的应用。4.2节“Autonomous Water Vehicles”中，4.2.1“Autonomous Surface Vehicles”以COLREGs合规与否区分协同/非协同，GT法建风险矩阵式(12)用双线性规划解式(13)，KT退化式(14)，图19示k=14艇群中GTnc优于KT；网络安全列GNSS欺骗、干扰、DoS、中间人、恶意固件、AIS篡改及加密认证等。4.2.2“Autonomous Ships”用进化算法求MASS最优航线OR（式15权衡Q_s安全成本与Q_e经济成本），轨迹规划KT用线性规划式(16)或蚁群ACO/模糊神经，DT用Bellman动态规划图26与神经网络调碰撞域图27，GT用三重线性规划解GTc式(17)/GTnc式(18)，图28比对六法；网络安全依IMO框架列OT/IT保护、通信安全、传感器完整性、网络弹性与设计安全。4.2.3“Autonomous Underwater Vehicles”引入MAS（含逻辑/反应/BDI/分层四类智能体）以“与自然的博弈”建模单AUV局限与多AUV协同。4.3节“Autonomous Aerial Vehicles”沿类似KT/DT/GT三类展开飞行动力学约束（最小速、升限、地理围栏、起飞能耗）下的轨迹判定。此外各节均附仿生方案与对应网络安全分类。

讨论与结论部分，研究人员指出KT法仅作基线不与他车动态交互，DT法借神经网络量化动态风险但计算随车辆数上升，GT法在协同假设（GTc）下整体偏移最优、在非协同（GTnc）强对抗交通中仍能保安全距且轨迹损失低于前两者，故多车导航应优先按交通密度与合规度选用GTc/GTnc，低密度静态场景KT可降级使用；仿真表明三类自主域中GT系列在碰撞风险与参考航线偏离双指标上综合占优。论文结论为：通过融合自动控制、人工智能与博弈论所建立的KT/DT/GT方法族，可为陆/水/空自主车辆提供可证最优的安全轨迹算法，且配套仿生设计与分层网络安全机制构成完整部署链；后续研究将把在线学习博弈与跨域协同及抗欺骗定位纳入实时重规划框架。