摘要：井下斜坡道的定位与建图是实现井下斜坡道无人驾驶的关键技术之一,矿山井下斜坡道区域为典型非结构化环境特征,且道路具有一定倾斜角度,采用传统SLAM算法无法获得精确里程计信息,导致定位与建图精度难以满足无人矿卡行驶需求。针对上述问题,通过研究激光SLAM(Simultaneous Localization And Mapping)算法LeGO-LOAM,笔者提出一种适用于矿山井下斜坡道环境的定位与建图方法。首先,针对井下斜坡道口两侧均为光滑水泥墙壁,特征点稀少问题,设计了基于人工路标的辅助增强定位方法,有效增加点云特征数量,从而优化位姿估计结果,避免建图漂移现象;然后在特征预处理阶段,提出了一种基于激光点云高度差与坡度信息融合的提取地面点高效算法,通过改善地面地点的选取策略,针对倾斜坑洼路面仍能有效识别地面点,解决了井下斜坡道定位与建图倾斜角度大、误差大等问题;其次,基于CVC(Curved-Voxel Clustering)聚类算法设计了一种斜坡道点云曲率体素聚类算法,采用曲率体素和基于哈希的数据结构对点云进行分割,大幅提高在井下稀疏、噪声环境下点云聚类的鲁棒性;最后,运用Scan-To-Map进行点云匹配,同时兼顾点云配准的性能与速度。在中钢集团山东某井下斜坡道的现场实验证明:与原算法相比精度提升13.15%,Z轴误差降低22.3%,地图质量明显提升,能有效解决井下无人驾驶建图及定位的难题。

摘要：针对进化算法求解高维多目标优化问题平衡收敛性和多样性所面临的挑战,提出了向量角选择和指标删除的高维多目标进化算法(MOEA/AS-ID)。该算法在环境选择过程中设计了一种包含两种策略的协作机制逐一删除收敛性和多样性差的解以保留精英个体参与下一代的进化。前者基于向量角的选择策略用于选择一对在目标空间具有相似搜索方向的解,后者基于指标的删除策略采用同时兼顾个体收敛性和分布性的I_(SDE)^(+)指标比较被选择的这一对解,然后删除具有较小指标值的解,进而促使种群朝各个方向收敛到帕累托最优前沿,最终平衡解集的收敛性和多样性。在包含各种特征的3组标准测试系列问题DTLZ、SDTLZ、MaF上,MOEA/AS-ID与近年提出的6个涵盖了当前各种类型的高维多目标进化算法执行了广泛的对比仿真实验和数值结果分析。仿真结果和数值分析表明所提算法MOEA/AS-ID求解各种特征的高维多目标优化问题平衡收敛性和多样性的能力具有较强的竞争力。

摘要：目的:为了减少矿产资源浪费,提高贫矿的利用率,针对大型金属露天矿多装载点配矿问题,综合考虑矿石剩余量不足、铲装设备数量有限等因素对配装载点选取的影响,以品位偏差最小、生产成本最小、车辆总排队时间最短为目标建立配矿装载点选取模型。方法:采用二维矩阵整数编码法,并设计一种基于随机片段交叉与特定变异算子相结合的间接二次遗传优化算法对模型进行求解。结果:以国内某大型金属露天矿实际生产数据为例进行仿真实验,结果表明:所得出的装载点选取方案在受铲装设备数量限制、优先开采矿石剩余量相对较少装载点的条件下,仍能满足配矿计划需求。结论:所提模型、算法能普遍适用于大型金属露天矿山开采,使装载点的矿石得到充分利用。意义:提高了企业的经济效益和矿山整体开采效率。

摘要：进化算法求解多目标优化问题平衡收敛性和多样性面临的主要挑战在两个方面:增强对帕累托最优前沿的选择压力和获得多样性良好的解集。然而,随着目标维数的增加,基于帕累托支配关系的选择标准无法有效地解决以上问题。因此,设计了一种基于小生境的多目标进化算法。基于小生境,提出了一种新的支配关系,其中,设计了一个聚合函数和一种采用目标向量角的密度估计方法分别度量候选解的收敛度和分布性。为了保证解集的收敛性,在同一个小生境内,仅仅收敛度最好的解是非支配解。为了维护解集的多样性,在任何两个不同的小生境内,一个小生境内兼具收敛度和分布性良好的解支配另一个小生境内收敛性和分布性均差的解,将提出的支配关系嵌入VaEA取代帕累托支配关系,设计了一种多目标进化算法VaEA-SDN。VaEA-SDN与NSGA-Ⅲ、VaEA、MSEA、NSGAII-CSDR、RPS-NSGAII以及CDR-MOEA等先进的算法在DTLZ(Deb-Thiele-Laumanns-Zitzler)和MaF(manyobjective function)基准测试系列问题上进行了广泛的对比仿真实验。仿真结果表明,VaEA-SDN平衡收敛收敛性和多样性的能力分别比被比较的6个算法平均高37.7%、32.9%、31.8%、22.2%、43.5%、30.2%。

摘要：随着智能化开采技术的不断发展,矿山开采模式需要不断革新,目前我国露天矿智能化建设存在不少问题亟待解决,传统的采矿设计和工艺已不能适应无人驾驶、新能源等智能装备的发展,“双碳”背景下对原有的生产模式和装备提出了新的挑战。通过回顾露天矿智能化建设的现状,重点围绕“双碳”背景下露天矿低碳智能开采转型升级问题,探索了一种低碳、连续、高效、安全的露天矿智能化建设新模式——CDEC采矿模式。该模式内涵包含4个方面,即清洁能源开发及碳封存与利用(Carbon)、露天矿开采设计的新理念(Design)、新能源智能装备定制化方案(Equipment)以及露天矿无人连续生产工艺(Continuous)。随后分别从构建多能互补的可再生能源系统、探索露天矿山低碳连续生产工艺、开发碳封存与生态碳汇技术体系3个方面探讨了该模式的技术路径。最终实现“可再生能源利用+新能源装备+碳封存与利用”的绿色能源供给利用方式,形成“移动缓冲装载机(可选)+无人驾驶+破碎系统+皮带运输或升降装置”的无人连续生产工艺,为“双碳”背景下露天矿智能化建设提供指导。

摘要：针对地下矿井巷道光线昏暗的道路上会出现落石或行人等行车障碍物,严重影响无人驾驶矿卡安全行驶的问题,提出了一种基于红外视觉识别的巷道障碍物快速检测优化模型RCR_YOLOv4。该模型利用K-Means++优化算法筛选巷道障碍物的先验框尺寸,并引入深度可分离卷积降低网络参数量和计算量,从而提高障碍目标的定位精度和检测效率。通过设计双通道注意力机制对网络特征融合模块进行优化,实现对无人矿卡行车障碍的高精度检测。结果表明,该目标检测模型对矿井道路障碍的检测准确率达到93.52%,检测速度达到60.6 FPS,能够为矿井巷道复杂环境下无人矿卡安全行驶提供保障。