摘要：针对矿山无人运输系统的业务场景,设计了一个应用于此场景的调度算法,减少了铲车互等现象,最大程度地发挥了铲装挖掘能力和矿卡运输能力,同时保证了卸料点的品位满足配矿计划的要求。在此基础上对算法进行数学建模,利用面向对象编程的思想构建了数据对象,并阐述了算法实现。算法实现过程中考虑了实际矿山生产条件复杂而导致的数据波动,适应了复杂的生产场景。最后通过自动化测试和矿山实测证明了算法的有效性,并达到良好的应用效果。

摘要：智慧矿山场景单一、目标种类少,对识别算法速度要求高。针对上述特点,文中在YOLOv3的基础上提出了一种Mine_YOLOv3网络。设计了一种Darknet-31特征提取网络,既可以提取矿卡等大目标的语义特征,又可以提取石头等小目标的细节特征,且网络计算量较少,有利于快速识别前方障碍物。此外,针对k-means聚类算法对初始点敏感的缺点,文中使用k-means++生成先验框坐标,提高了算法收敛的速度。实验证明,改进后的算法在矿山数据集上的FPS为50.7,mAP为68.32%,可快速准确地对智慧矿山中的目标进行识别。

摘要：无人驾驶矿卡路径规划的核心在于作业平台协作场景的轨迹规划技术,矿山工作场景时变、多样、复杂,往往很难规划出一条有效的路径达到挖机铲装点进行装料作业,从而导致铲装作业失败。单一的路径规划技术无法满足所有场景的铲装需求,因此,基于矿山场景实际需求,提出了基于混合A*算法的轨迹规划关键点选取和面向矿车挖机精准定向需求的DWA局部规划组成的双层轨迹规划框架。基于混合A*算法单次规划,实现了矿车在自感知全局地图内的轨迹寻优和矿车轨迹规划关键点提取;基于DWA垂直距离代价以及期望朝向代价的构建,提升了DWA算法矿车挖机精准定向能力;基于自感知全局地图以及双层轨迹规划框架的设计,整体提升了无人驾驶矿车的动态场景适应能力,提升了铲装的作业效率。