矿用无人驾驶车辆行人检测技术研究

矿用无人驾驶车辆的工作环境光照条件复杂,行人检测经常出现漏检现象,导致矿用无人驾驶车辆可靠性及安全性不足。针对巷道光照条件复杂的问题,提出了一种弱光图像增强算法:将弱光图像由RGB图像空间分解为HSV图像空间,通过Logarithm函数对亮度分量先进行光照,再通过双边滤波器去除噪声;采用形态学对饱和度分量进行闭操作,再通过高斯滤波器滤除噪声;将图像转换回RGB图像空间,通过半隐式ROF去噪模型对图像再次进行去噪,得到增强图像。针对行人检测存在漏检、精度低的问题,提出了一种基于改进YOLOv3的矿用无人驾驶车辆行人检测算法:采用密集连接块取代YOLOv3中的Residual连接,提高特征图利用率;采用Slim-neck结构优化YOLOv3的特征融合结构,使得特征图之间能够进行高效的信息融合,进一步提高对小目标行人的检测精度,并利用其内部特殊的轻量化卷积结构,提高检测速度;加入轻量级的卷积注意力模块(CBAM)增强算法对目标类别和位置的注意程度,提高行人检测精度。实验结果表明:(1)提出的弱光图像增强算法能够有效提高图像可见度,图像中行人的纹理更加清晰,并具有更好的噪声抑制效果。(2)基于增强后图像的矿用无人驾驶车辆行人检测算法的平均精度达95.68%,相较于基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别算法、YOLOv5、YOLOv3算法分别提高了2.53%,6.42%,11.77%,且运行时间为29.31 ms。(3)基于增强后图像,YOLOv3和基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别算法出现了漏检和误检的问题,而矿用无人驾驶车辆行人检测算法有效改善了该问题。

矿用无人驾驶车辆车载计算单元硬件在环仿真测试研究

矿用车辆无人驾驶技术是实现智能矿山无人化运输的关键技术,车载计算单元又是矿用无人驾驶车辆的核心,接入传感器及控制器后,车载计算单元通过无人驾驶算法输出控制指令控制车辆行驶。针对车载计算单元进行实车测试验证存在的成本高、难度大、效率低、安全无保障等问题,研究了一种硬件在环仿真系统。介绍了该仿真系统的结构及其功能,详细阐述了对车载计算单元主要接入的GPS、激光雷达、毫米波雷达、视觉传感器等硬件设备以及矿车线控系统进行的仿真测试,并对自动/人工驾驶切换与仿真报告生成进行了说明。通过在白云鄂博矿区场景下对矿用无人驾驶车辆进行装载运输卸载过程的仿真测试,验证了车载计算单元的命令执行、车辆行驶决策规划、控制逻辑等的正确性与稳定性,同时也验证了仿真系统的有效性与可应用性。