國(guó)內(nèi)外露天礦山無(wú)人駕駛研究現(xiàn)狀分析與發(fā)展前景*

陳善有 郭 洋 田 斌 李 濤 劉 賓 郭 順 江 松，4

（1.西安建筑科技大學(xué)資源工程學(xué)院；2.西藏中凱礦業(yè)股份有限公司；3.西安建筑科技大學(xué)信息控制與工程學(xué)院；4.西安市智慧工業(yè)感知、計(jì)算與決策重點(diǎn)實(shí)驗(yàn)室）

隨著開(kāi)采深度增大，露天礦山行業(yè)運(yùn)輸成本高、運(yùn)輸安全事故頻發(fā)、車(chē)輛調(diào)度困難等問(wèn)題日益凸顯。國(guó)內(nèi)外專(zhuān)家學(xué)者在智能礦山建設(shè)方面進(jìn)行了大量探索與研究，以降低開(kāi)采礦山的難度，確保一線(xiàn)工作人員的生命健康。在保障礦區(qū)生產(chǎn)指標(biāo)的基礎(chǔ)上，實(shí)現(xiàn)低人工、高智能化的環(huán)境友好型生產(chǎn)體系［1］。因此，礦山運(yùn)輸無(wú)人駕駛技術(shù)將成為未來(lái)智能環(huán)保型礦山生產(chǎn)體系的重要基石［2］。

無(wú)人駕駛技術(shù)的應(yīng)用可以大大提高露天礦山運(yùn)輸?shù)男屎桶踩?，從而使得整個(gè)生產(chǎn)過(guò)程更加智能化、自動(dòng)化［3］。相比傳統(tǒng)的露天礦山開(kāi)采過(guò)程，無(wú)人駕駛技術(shù)應(yīng)用的重要性不言而喻。在這個(gè)過(guò)程中，無(wú)人駕駛技術(shù)能夠顯著降低運(yùn)營(yíng)成本，提高運(yùn)輸效率，并且減少了人員傷亡事故的發(fā)生。同時(shí)，由于無(wú)人駕駛技術(shù)可以不受環(huán)境限制，可以在夜間等特殊時(shí)間進(jìn)行作業(yè)，從而使得整個(gè)開(kāi)采過(guò)程更加靈活多變。

本文在充分梳理國(guó)內(nèi)外文獻(xiàn)的基礎(chǔ)上，對(duì)露天礦無(wú)人技術(shù)的發(fā)展現(xiàn)狀和核心技術(shù)及其算法等方面進(jìn)行分析，探討無(wú)人駕駛技術(shù)在露天礦的廣闊發(fā)展前景，以及核心技術(shù)的改進(jìn)方向和未來(lái)發(fā)展趨勢(shì)，旨在為我國(guó)露天礦無(wú)人駕駛技術(shù)的發(fā)展和應(yīng)用提供借鑒和參考。

1 露天礦無(wú)人駕駛技術(shù)的發(fā)展與現(xiàn)狀

20 世紀(jì)80 年代，美國(guó)卡特彼勒公司開(kāi)始研究礦用無(wú)人卡車(chē)，并于21 世紀(jì)推出“mine star”系統(tǒng)，該系統(tǒng)極大推動(dòng)了露天礦無(wú)人駕駛技術(shù)的發(fā)展。日本小松公司于2008年開(kāi)始與礦業(yè)公司力拓合作并試驗(yàn)其自動(dòng)運(yùn)輸系統(tǒng)（AHS），目前該技術(shù)已在智利和澳大利亞皮爾巴拉地區(qū)成功應(yīng)用，并且其總運(yùn)量達(dá)10億t［4］。2016 年9 月，小松公司在拉斯維加斯的Minexpo International 上推出了創(chuàng)新的自動(dòng)運(yùn)輸卡車(chē)，取消了卡車(chē)機(jī)艙，更好地將重量平均分配給4 個(gè)車(chē)輪，并且該卡車(chē)使用四輪驅(qū)動(dòng)和四輪轉(zhuǎn)向，以獲得更好的抓地力和機(jī)動(dòng)性，實(shí)現(xiàn)了該車(chē)輛在前進(jìn)和反向行駛方向上的高性能穿梭，大大提高礦山的生產(chǎn)率［5］。到目前為止國(guó)外無(wú)人駕駛技術(shù)其產(chǎn)業(yè)鏈上下游已經(jīng)出現(xiàn)頭部企業(yè)，并在逐漸走向成熟，如表1所示。

1992 年研制的紅旗系列駕駛汽車(chē)成為國(guó)內(nèi)首輛真正意義上的無(wú)人駕駛汽車(chē)，并于2011 年7 月完成了長(zhǎng)沙至武漢全程274 km 的無(wú)人駕駛試驗(yàn)。近年來(lái)國(guó)內(nèi)各大型礦山企業(yè)均在向智能采礦方向轉(zhuǎn)型，根據(jù)表2可知，目前國(guó)內(nèi)許多礦山企業(yè)已經(jīng)與相應(yīng)的無(wú)人駕駛企業(yè)進(jìn)行合作，并取得了一定的進(jìn)展。

2 露天礦無(wú)人駕駛核心技術(shù)

隨著露天礦無(wú)人駕駛技術(shù)的不斷完善，不僅降低了礦區(qū)運(yùn)營(yíng)管理成本，還進(jìn)一步促進(jìn)了礦區(qū)向著綠色、經(jīng)濟(jì)、安全、高效等方向不斷發(fā)展。通過(guò)對(duì)礦區(qū)無(wú)人駕駛技術(shù)應(yīng)用實(shí)例［6-10］的梳理總結(jié)發(fā)現(xiàn)，目前露天礦無(wú)人駕駛系統(tǒng)在感知、規(guī)劃、控制3 個(gè)層面主要有環(huán)境感知、導(dǎo)航定位、路徑規(guī)劃、運(yùn)動(dòng)控制等核心技術(shù)，相關(guān)層級(jí)逐步遞進(jìn)，其技術(shù)架構(gòu)如圖1所示。

2.1 環(huán)境感知與導(dǎo)航定位

環(huán)境感知系統(tǒng)是露天礦卡無(wú)人駕駛的必要條件，主要利用各種傳感器對(duì)卡車(chē)周?chē)h(huán)境進(jìn)行特征信息采集，實(shí)現(xiàn)卡車(chē)周?chē)h(huán)境模型的建立、車(chē)輛位置信息的確定，為規(guī)劃和決策層提供數(shù)據(jù)支持。環(huán)境感知系統(tǒng)主要分為外部環(huán)境感知技術(shù)和導(dǎo)航定位技術(shù)。

2.1.1 環(huán)境感知技術(shù)

露天礦區(qū)的外部環(huán)境感知系統(tǒng)主要有地面分割、障礙檢測(cè)等主要任務(wù)。環(huán)境感知系統(tǒng)主要是通過(guò)激光雷達(dá)實(shí)現(xiàn)地面分割?；诩す饫走_(dá)的地面分割方法主要有柵格單元法、射線(xiàn)特征法、平面擬合法3 類(lèi)。柵格單元法主要是將點(diǎn)云映射到柵格中，以柵格的特征判斷點(diǎn)云的屬性和特征，但，在使用局部點(diǎn)云信息的同時(shí)未考慮全局路面的連續(xù)性，易遭受外部環(huán)境的影響。攝線(xiàn)特征法雖在一定程度上考慮了全局路面的連續(xù)性，但其采用線(xiàn)性工作原理只能解決簡(jiǎn)單的區(qū)域地面分割問(wèn)題，不適用于多坑洼、多障礙物的道路環(huán)境。平面擬合法是一種高精度、高魯棒性的地面分割法，可以在復(fù)雜多變的環(huán)境中準(zhǔn)確獲取地面信息。而此方法更是引起了許多學(xué)者的關(guān)注和研究。ZERMAS 等［11］針對(duì)提取地面算法不穩(wěn)定等特性，提出了多區(qū)域點(diǎn)云的路面算法，提高了地面提取的穩(wěn)定性。管郡智等［12］針對(duì)地面提取算法不穩(wěn)定、精度較低等特性，提出了多區(qū)域穩(wěn)定點(diǎn)云的路面算法，大大提高了地面提取的精度和穩(wěn)定性。

障礙檢測(cè)是環(huán)境感知的重要任務(wù)，是實(shí)現(xiàn)無(wú)人卡車(chē)在礦區(qū)安全行駛的重要保障。MEI 等［13］采用基于機(jī)器視覺(jué)的障礙檢測(cè)技術(shù)，通過(guò)高清攝像機(jī)對(duì)道路障礙物的對(duì)稱(chēng)性、紋理等特征進(jìn)行檢測(cè)，但其數(shù)據(jù)采集距離較小、不能很好地滿(mǎn)足露天礦區(qū)環(huán)境感知的需求。王榮本等［14］提出了雙目立體視覺(jué)的感知技術(shù)，有效地解決了非結(jié)構(gòu)化道路環(huán)境光照多變、場(chǎng)景復(fù)雜等問(wèn)題，但其采集精度較差，單一使用時(shí)仍不能滿(mǎn)足露天礦區(qū)高精度的感知要求。阮順領(lǐng)等［15］提出了基于雙向特征融合的露天礦區(qū)道路障礙檢測(cè)方法，高度融合高清相機(jī)和雷達(dá)所采集到的數(shù)據(jù)，從而得到更加準(zhǔn)確的障礙物位置信息，對(duì)復(fù)雜多變的露天礦區(qū)具有更強(qiáng)的實(shí)用性。

雖然單一傳感器在環(huán)境感知方面取得了一定的進(jìn)展，但受工作原理和算法的影響，無(wú)法滿(mǎn)足露天礦區(qū)道路環(huán)境復(fù)雜多變以及多惡劣天氣等特點(diǎn)。因此可以利用基于多傳感器數(shù)據(jù)融合的技術(shù)手段，提高礦用卡車(chē)對(duì)礦區(qū)環(huán)境感知的性能。露天礦無(wú)人駕駛卡車(chē)多環(huán)境感知設(shè)備布置如圖2所示。

2.1.2 導(dǎo)航定位技術(shù)

導(dǎo)航定位技術(shù)是實(shí)現(xiàn)礦用卡車(chē)自動(dòng)駕駛的重要技術(shù)保障。常用的導(dǎo)航定位技術(shù)主要有GNSS 全球定位技術(shù)、磁導(dǎo)航定位技術(shù)、慣性導(dǎo)航定位技術(shù)、SLAM 技術(shù)等。GNSS 全球定位技術(shù)的優(yōu)點(diǎn)在于精度高、定位時(shí)間短、無(wú)累計(jì)誤差、可全球全天連續(xù)定位。但是信號(hào)穿透能力差，易被遮擋和丟失。慣性導(dǎo)航定位技術(shù)具有抗干擾能力強(qiáng)、頻率高、獨(dú)立性好等優(yōu)點(diǎn)，保證了數(shù)據(jù)傳輸?shù)姆€(wěn)定性和連續(xù)性。但是慣性導(dǎo)航系統(tǒng)采用積分的工作原理，經(jīng)過(guò)一定的時(shí)間會(huì)造成一定的累積誤差。磁導(dǎo)航定位技術(shù)的優(yōu)點(diǎn)在于檢測(cè)結(jié)果準(zhǔn)確穩(wěn)定，信號(hào)不易被遮擋丟失，不受惡劣環(huán)境的影響。但成本高、維護(hù)難，不便于大規(guī)模地使用。SLAM 技術(shù)具有環(huán)境適應(yīng)能力強(qiáng)、定位精度高、可融合多種傳感器的優(yōu)點(diǎn)。但是存在實(shí)時(shí)性差、易遭受外部環(huán)境影響等不足。

而組合導(dǎo)航定位技術(shù)可以克服單個(gè)定位技術(shù)的不足，提高定位能力。目前最常用的組合是GNSS 和視覺(jué)SLAM 組合定位。利用SLAM 技術(shù)可以有效改善GNSS 信號(hào)穿透能力差、易丟失等缺點(diǎn)。而GNSS又可以彌補(bǔ)SLAM 累計(jì)誤差大等不足。因此這種組合定位技術(shù)在復(fù)雜多變露天礦道路環(huán)境具有較大的發(fā)展?jié)摿?。為了進(jìn)一步提高該組合定位技術(shù)的定位精度，并且在GNSS 信號(hào)較弱時(shí)仍能進(jìn)行持續(xù)定位，王磊等［16］提出了利用視覺(jué)輔助GNSS 的緊耦合定位方法，利用緊耦合定位算法大大提高該組合的定位精度。除此之外，GNSS 和慣性導(dǎo)航組合定位技術(shù)也備受許多學(xué)者的研究和關(guān)注。QIN FENG 等［17］提出了一種基于慣性測(cè)量單元的GNSS 和慣性導(dǎo)航組合定位系統(tǒng)，該系統(tǒng)可以對(duì)每顆衛(wèi)星進(jìn)行捕獲和跟蹤，從而增強(qiáng)了對(duì)車(chē)輛定位的實(shí)時(shí)性。

2.2 路徑規(guī)劃

路徑規(guī)劃是實(shí)現(xiàn)露天礦卡無(wú)人駕駛的關(guān)鍵環(huán)節(jié)，其根據(jù)導(dǎo)航定位技術(shù)與環(huán)境感知技術(shù)確定的起始點(diǎn)與目標(biāo)點(diǎn)找到一條連續(xù)的運(yùn)動(dòng)軌跡后，在避開(kāi)障礙物的同時(shí)盡可能優(yōu)化路徑。常用的路徑規(guī)劃算法可以分為基于圖搜索和基于采樣2種。

2.2.1 基于圖搜索的路徑規(guī)劃

基于圖搜索的路徑規(guī)劃有Dijkstra算法和A 算法2 種經(jīng)典的算法。Dijkstra 算法通過(guò)圖中的邊權(quán)重來(lái)計(jì)算最短路徑，適用于靜態(tài)環(huán)境下的路徑規(guī)劃。A算法在Dijkstra 算法的基礎(chǔ)上引入了啟發(fā)式估計(jì)函數(shù)，能夠在大規(guī)模圖上更高效地搜索路徑。由于礦山中存在大量的障礙物和動(dòng)態(tài)環(huán)境，在圖結(jié)構(gòu)的構(gòu)建和更新的困難使這些算法在礦山復(fù)雜條件下的應(yīng)用受到限制。為此，研究提出了D*Lite 算法，它通過(guò)使用增量搜索和啟發(fā)式估計(jì)函數(shù)，實(shí)現(xiàn)了高效的路徑規(guī)劃［18］。針對(duì)有動(dòng)態(tài)障礙物的環(huán)境，研究提出Lifelong Planning A*算法［19］，該算法通過(guò)逐步改善路徑質(zhì)量來(lái)減少搜索量，并根據(jù)環(huán)境變化的信息動(dòng)態(tài)更新路徑，以提高路徑規(guī)劃的效率和適應(yīng)性。

2.2.2 基于采樣的路徑規(guī)劃

基于采樣的路徑規(guī)劃算法通過(guò)隨機(jī)采樣和逐步擴(kuò)展的方式來(lái)生成路徑。RRT（Rapidly-exploring Random Tree）算法是其中一種常用的方法。該算法通過(guò)隨機(jī)采樣和快速擴(kuò)展樹(shù)結(jié)構(gòu)的方式，可以有效地應(yīng)對(duì)復(fù)雜的礦山環(huán)境。除了RRT 算法之外，研究人員提出了PRM（Probabilistic Roadmap）算法，該算法通過(guò)在配置空間中隨機(jī)采樣節(jié)點(diǎn)，并通過(guò)連接和優(yōu)化節(jié)點(diǎn)來(lái)構(gòu)建一個(gè)路網(wǎng)圖。然后使用圖搜索算法在路網(wǎng)圖上搜索路徑。PRM 算法的優(yōu)點(diǎn)在于能夠在離散化的配置空間上進(jìn)行路徑規(guī)劃。但是并不適用于動(dòng)態(tài)環(huán)境下的實(shí)時(shí)路徑規(guī)劃。另一個(gè)基于采樣的路徑規(guī)劃算法是SRT（Sampling-based Roadmap Trees）算法。SRT 算法通過(guò)在配置空間中隨機(jī)采樣節(jié)點(diǎn)，并逐步擴(kuò)展樹(shù)結(jié)構(gòu)來(lái)生成路徑，在連接樹(shù)節(jié)點(diǎn)時(shí)采用了不同的策略。因此SRT 算法在高維和復(fù)雜環(huán)境中具有較好的效果，能夠處理障礙物和動(dòng)態(tài)環(huán)境。但其路徑質(zhì)量不如RRT*算法優(yōu)越，并且對(duì)于全局路徑規(guī)劃不夠高效。針對(duì)路徑規(guī)劃算法的限制，研究人員提出了將基于深度學(xué)習(xí)的方法用于路徑規(guī)劃，通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型來(lái)實(shí)現(xiàn)路徑生成和優(yōu)化。

2.3 運(yùn)動(dòng)控制

軌跡跟蹤控制技術(shù)作為露天礦山實(shí)現(xiàn)車(chē)輛無(wú)人駕駛控制的關(guān)鍵技術(shù)，可以精確跟蹤規(guī)劃的路徑，控制車(chē)輛運(yùn)行的狀態(tài)和參數(shù)，保證無(wú)人駕駛卡車(chē)的安全性和穩(wěn)定性。目前常用的控制方法大致分為經(jīng)典控制法和模型預(yù)測(cè)控制法2類(lèi)。

2.3.1 經(jīng)典控制法

經(jīng)典控制法主要有PID（proportional integral derivative）控制、LQR 模糊控制等。PID（proportional integral derivative）控制是傳統(tǒng)控制方法中一種適用性廣、魯棒性好的控制方法。無(wú)人駕駛領(lǐng)域中常結(jié)合PI 來(lái)實(shí)現(xiàn)車(chē)輛的縱向運(yùn)動(dòng)控制，結(jié)合PD 來(lái)實(shí)現(xiàn)車(chē)輛的橫向運(yùn)動(dòng)控制。LQR 控制算法針對(duì)線(xiàn)性系統(tǒng)進(jìn)行控制，使用被控制系統(tǒng)狀態(tài)變量的二次型積分作為評(píng)價(jià)指標(biāo)，通過(guò)求解Riccati 方程來(lái)獲得最佳的控制方法。因此可達(dá)到閉環(huán)控制的目的。張佳奇等［20］提出一種以預(yù)瞄理論為基礎(chǔ)的模糊自適應(yīng)PID 控制方法，用于解決控制對(duì)象發(fā)生改變時(shí)控制參數(shù)的實(shí)時(shí)調(diào)整；胡杰等［21］使用預(yù)瞄PID 方法進(jìn)行轉(zhuǎn)角補(bǔ)償，以消除穩(wěn)態(tài)誤差并提高跟蹤精度。葉明等［22］根據(jù)pure pursit算法對(duì)局部路徑規(guī)劃層輸出的最優(yōu)路徑進(jìn)行追蹤，通過(guò)各算法比對(duì)得到其跟蹤效果收斂性好，控制效果穩(wěn)定，且優(yōu)于其他算法。

2.3.2 模型預(yù)測(cè)法

模型預(yù)測(cè)控制法利用受控系統(tǒng)的模型，按照模型預(yù)測(cè)、反饋校正、滾動(dòng)優(yōu)化的步驟完成自動(dòng)化控制。李駿等［23］提出基于MPC 算法構(gòu)建車(chē)輛運(yùn)動(dòng)學(xué)模型，通過(guò)引入前輪轉(zhuǎn)角和車(chē)速的約束條件，并設(shè)定基于位置偏差和控制增量的目標(biāo)函數(shù)來(lái)得到最佳的行駛速度和前輪轉(zhuǎn)角，以實(shí)現(xiàn)更精確的行駛軌跡跟蹤。謝輝等［24］提出了一種基于模型預(yù)測(cè)控制算法的橫縱向綜合控制策略。該策略能夠有效地實(shí)現(xiàn)車(chē)輛在縱向速度和橫向位置上的精確跟蹤。WANG 等［25］改進(jìn)了MPC 算法的適應(yīng)性，可更好地實(shí)現(xiàn)人機(jī)交互，能兼容車(chē)輛不同傳感器和輪胎的特征，使橫向、縱向控制的穩(wěn)定性較好，能提高車(chē)輛轉(zhuǎn)向和移位的精度。

針對(duì)以上算法存在的問(wèn)題，許多學(xué)者提出將神經(jīng)網(wǎng)絡(luò)應(yīng)用于無(wú)人駕駛卡車(chē)運(yùn)動(dòng)控制器中，運(yùn)用其自適應(yīng)學(xué)習(xí)的能力，提高魯棒性和容錯(cuò)性，優(yōu)化算法參數(shù)，提高算法精度，對(duì)無(wú)人駕駛車(chē)輛實(shí)現(xiàn)穩(wěn)定及精確的控制。

綜上可知，環(huán)境感知、導(dǎo)航定位、路徑規(guī)劃、運(yùn)動(dòng)控制算法等新一代信息技術(shù)的快速發(fā)展，解決了無(wú)人駕駛系統(tǒng)架構(gòu)和數(shù)據(jù)互通決策及高級(jí)計(jì)算的問(wèn)題，然而距離全面感知、動(dòng)態(tài)預(yù)測(cè)的全流程無(wú)人駕駛礦山仍有差距，下一步應(yīng)集成調(diào)度系統(tǒng)、監(jiān)視系統(tǒng)、高精地圖管理系統(tǒng)、運(yùn)行仿真及測(cè)試系統(tǒng)、大數(shù)據(jù)存儲(chǔ)分析系統(tǒng)等模塊，實(shí)現(xiàn)礦區(qū)自動(dòng)駕駛車(chē)輛的高效運(yùn)輸和安全運(yùn)行。

3 結(jié)論

在對(duì)露天礦無(wú)人駕駛技術(shù)國(guó)內(nèi)外發(fā)展現(xiàn)狀綜述的基礎(chǔ)上，分析了露天礦無(wú)人駕駛技術(shù)具有運(yùn)輸場(chǎng)所相對(duì)封閉、礦區(qū)分布相對(duì)集中、發(fā)展逐漸規(guī)?；然A(chǔ)條件，并且在降低成本、提高效率、保障安全等方面具有明顯的優(yōu)勢(shì)，闡明了露天礦無(wú)人駕駛技術(shù)在未來(lái)有著廣闊的發(fā)展前景。通過(guò)對(duì)無(wú)人駕駛技術(shù)在露天礦具體的應(yīng)用情況，總結(jié)得出現(xiàn)階段露天礦無(wú)人駕駛技術(shù)主要有環(huán)境感知、導(dǎo)航定位、路徑規(guī)劃、運(yùn)動(dòng)控制4項(xiàng)關(guān)鍵技術(shù)。并在對(duì)各項(xiàng)技術(shù)及其算法具體分析的基礎(chǔ)上，預(yù)測(cè)未來(lái)露天礦無(wú)人駕駛技術(shù)的發(fā)展趨勢(shì)主要以下幾點(diǎn)：

（1）利用多傳感器融合，提高環(huán)境感知能力。多傳感器數(shù)據(jù)融合的環(huán)境感知技術(shù)可以提高無(wú)人礦用卡車(chē)環(huán)境感知性能和魯棒性，減少外界環(huán)境對(duì)感知系統(tǒng)的影響。未來(lái)多傳感器數(shù)據(jù)融合感知技術(shù)，將會(huì)是露天礦無(wú)人駕駛環(huán)境感知技術(shù)的發(fā)展方向。

（2）采用組合導(dǎo)航定位，確定礦卡精準(zhǔn)位置。使用組合導(dǎo)航定位技術(shù)，可以彌補(bǔ)單一導(dǎo)航定位技術(shù)的不足，從而增加無(wú)人礦卡定位系統(tǒng)的精度。組合導(dǎo)航定位技術(shù)也將會(huì)成為無(wú)人礦卡的主流定位技術(shù)。

（3）融合深度學(xué)習(xí)技術(shù)，優(yōu)化路徑生成。不同的路徑規(guī)劃算法都存在著相應(yīng)的缺點(diǎn)，對(duì)露天礦無(wú)人駕駛卡車(chē)的路徑規(guī)劃精度存在一定的影響，將深度學(xué)習(xí)技術(shù)應(yīng)用于路徑規(guī)劃，通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型來(lái)優(yōu)化路徑的生成。

（4）應(yīng)用神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)車(chē)輛精確控制。將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用至露天礦無(wú)駕駛卡車(chē)的運(yùn)動(dòng)控制技術(shù)中，可以利用其自適應(yīng)學(xué)習(xí)能力，優(yōu)化其他算法參數(shù)，使其可以在道路環(huán)境復(fù)雜多變的露天礦區(qū)，對(duì)無(wú)人駕駛卡車(chē)實(shí)現(xiàn)精準(zhǔn)控制，保證卡車(chē)的運(yùn)行效率和行駛安全。