基于随动式激光雷达的港区无人驾驶集卡控制算法研究

张翰林,李紫丹,徐 佳

(1.交通运输部天津水运工程科学研究所，天津 300456；
2.天津港国际物流发展有限公司，天津 300461；
3.天津津港基础设施养护运营工程管理有限公司，天津 300456)

随着加快推进国家一流绿色智慧港口建设的实施，当前我国已有多个港口建设了智慧港口无人化码头，实现了车辆的自主调动，当前自动化码头建设的主流技术是以提前埋设磁钉或磁条作为车辆的导航感应系统，这种方式定位精度高且技术相对成熟[1]，但适用于新建港口且成本相对较高，而对于生产作业繁忙的老旧港口并不适用，如何以更低成本实现老旧港口的无人化改造将成为重要的研究方向[2-3]。

当前无人驾驶技术主要通过安装各类高性能传感器(如激光雷达和摄像头)来收集驾驶所需的信息[4]，并在环境感知、设备定位、路线规划和应急控制等多个环节进行数据反馈。其核心主要是由激光雷达、探头和中控系统组成，其优势在于雷达可以对当前的环境进行扫描[5]，探头可以清晰地感知路面情况，当出现紧急情况及时反馈中控系统[6]，以避免发生事故。但该方法需安装多个探头进行数据采集和反馈，也对中控系统的数据处理能力提出了更高的要求，在芯片紧缺的背景下会导致设备成本较高和产能不足等情况的发生。无人化港区相比于城市道路，其车辆工作环境相对“宽松”，因此在确保安全的前提下，以降低设备成本为目的，提出了服务于港区车辆的随动式激光雷达控制系统[7]。

本文以港区无人驾驶集卡研究项目中的实际问题为研究对象[8]，通过对比随动式激光雷达无人驾驶集卡与传统车辆的行驶过程和工作效率的数据进行对比，研究无人驾驶集卡在传统港口应用的可行性，为无人化智慧港口建设提出新的解决方案。

欧美国家对于无人驾驶技术研究较早，目前以特斯拉为代表的科技企业在无人驾驶技术相对领先，其无人驾驶卡车已经开展了正式的路上测试。聚焦到无人集卡这一领域，2013年3月，日本新能源产业技术综合开发机构推出“卡车自动编队技术”，在无人集卡领域进行了尝试和探寻[9]。2015年10月，德国的量产版半自动无人驾驶卡车Actros首次在Autobahn8公路上进行了测试[10]。特斯拉、福特等多家汽车科技公司也在加利福尼亚、内华达、密歇根等地开展了无人集卡的路测。

近年来，我国自适应驾驶系统的研究得到了进一步发展[11]，自动驾驶车辆也已经被开发，自适应驾驶系统也开始应用于社会化车辆，随着硬件水平的不断提升，AI也开始应用于港口领域，中国重汽集团、东风集团都推出了无人驾驶集卡[12]。2018年1月，珠海港运行了全球首辆港区作业无人集卡[13]。2018年2月，天津港无人驾驶港口集装箱纯电动牵引车研发与示范运营项目正式签署。2018年4月，天津港无人集卡开展试运营[14]。

随动式激光雷达控制系统是一个多输入多输出的复杂系统。它是由传感器、电子控制系统和执行器组成的自动控制系统，可随着车辆行驶速度、方向和俯仰角的变化自动调整激光雷达探测角度，并通过设定的转弯半径和安全停车距离对行驶环境进行判别，通过对环境数据的采集反馈控制系统得到指令，并进行处理(图1)。

图1 雷达自适应转向控制系统

2.1 车辆旋转角度控制系统

车辆转角控制系统由两个部分组成，即为水平转角计算和垂直转角计算。通过车辆的行驶速度和转弯半径，计算车随动式雷达的旋转角度，以避免出现雷达盲区。

2.1.1 水平转角

激光雷达的扫测范围为半圆形，通过计算车辆转弯弧线与激光雷达扫测的弦长，即中心线与车辆前方雷达的预期轨迹交点之间的距离与中心线的角度偏移α，即可得出随动式系统的偏移角度。由图2可知，弦长S、转弯半径R和激光雷达转弯角度α之间的关系可以表示为

图2 车辆右转时雷达随动角度

S=2R×sinα

(1)

由图可知，∠α与∠β均为激光雷达转动切角，即∠α=∠β。因此，停车视距S′、转弯半径R和激光雷达转角之间的关系可以表示为

(2)

2.1.2 垂直角度

当无人驾驶集卡行驶在坡面路段时(图3)，通过自适应驾驶系统采集两个轴距之间的高度差，再除去轴距长度，计算出路面的坡度差值，求值sinα。其中α即为车身俯仰角度，随动雷达随之旋转即可，在此不再赘述。

图3 车辆上、下坡时雷达随动角度

2.2 安全停车距离控制系统

安全停车距离包括两部分，即为系统响应距离和车辆制动距离。港区车辆在运输过程中车速一般控制在30 km/h，本文通过数据分析计算车辆行驶的安全距离。

S安全=S响应+S制动

(3)

2.2.1 系统响应距离

主要由激光雷达和随动式结构两部分的硬件设备和软件算法决定，车辆的响应距离即为激光雷达响应距离和随动式结构响应距离的和，而距离等于车辆速度与响应时间的乘积。目前常规L2级别自动驾驶技术应用于车辆驾驶的常规激光雷达检测响应时间为0.04 s，加之随动式结构的传输时间。总体时长约0.3 s，因此S响应=0.3v，其中v表示车辆行驶速度。

2.2.2 车辆制动距离

车辆的制动距离主要与车辆的制动能力、重力加速度g和路面摩擦系数μ相关，求解摩擦力f公式为

f=μmg

(4)

其中：m代表车的质量，车辆减速时加速度为

(5)

由于港区现场工作环境以及天气因素等多种原因，在不考虑轮胎磨损的情况下，制动距离的公式为

(6)

2.2.3 车辆安全距离

取平均摩擦系数μ=0.6。根据式(3)及式(4)，求解可以获得智能驾驶车辆的速度与其安全距离，如表1所示。

表1 不同速度下的安全距离

车辆行驶过程中速度是连续的，通过安全距离对应的几个离散数据点，在MATLAB中使用最小二乘法进行曲线拟合。可以获得智能驾驶车辆的速度与其安全距离之间的连续函数关系。

v=10/3.6:20/3.6:30/3.6:40/3.6:50/3.6

S=[1.8,4.81,9.01,14.43,21.04]

根据曲线拟合和车辆行驶的安全距离，其中f为摩擦力

f=polyfit(v,S,2)f=0.078 0.432 0.002

(7)

车速与汽车安全刹车距离之间的公式为

S安全=0.078v2+0.432v+0.002

(8)

针对集卡集群调度的任务特点建立数学模型，选用遗传算法配置求解，通过初始种群生成进行交叉解析，从提高车辆运输效率的角度出发，以计划期内无人驾驶集卡不能超过等待上限为核心约束，以降低车辆完成单项任务时间为目标，构建了无人集卡群调度优化模型，再结合数据验证，分析对比无人集卡作业效率的提升对策。

3.1 建立算法模型

模型假设：(1)任务开始前车辆明确对应的任务区；
(2)明确车辆行驶线路，且预留安全距离；
(3)设定时间段内最多配置3台车辆进入等待区；
(4)超过设定等待时长后车辆重新配置任务，进入其他作业区。

需要注意的是，对车辆进行编辑时车辆的数字编号上限不得超过作业区内总体工作车辆总数，以避免出现某一车辆长时间等待，其他车辆出现重复性任务。

其中：设定时间段内工作车辆编号为x；
y为该时间内配置的车辆总数；
车辆任务编号为i；
开始工作时间为t0；
总体工作时间为A；
T为单个计划期时长；
U为车辆等待时间上限。

上述参量中Min 、Kx是模型的决策变量。其中设定权重值为θ，具体根据港口实际作业情况(繁忙程度、设定行驶速度等)和车辆维护时长(清洗、保养等)相关因素设定，以相加的方式配比权重，为目标函数值。

建立模型

MinF=θ×(F1+F2)+(1-θ)×F3

(9)

该模型中，F1为单一车辆的等待时间，即为其总体完成任务时间减去工作时间；
F2为车辆行驶时长，即单一车辆当前任务的时间汇总；
F3为所有车辆等待时长，通过汇总所有车辆的工作时长，可判别车辆线路和合理性。

确定目标函数

(10)

(11)

(12)

其中，约束条件函数

T(Mix)≥H(Mix)+R(Mix)

(13)

T(Mix)=H(Mix)+max{T(M(i-1)x)+D(M(i-1)x,Mix),R(Mix)}

(14)

(15)

H(Mix)-R(Mix)-T(Mix)≤A

(16)

(17)

(18)

3.2 模型配置求解

对港区无人集卡进行编码，根据遗传算法，一个车辆的工作计划对应的染色体长度为(任务数+车辆数-1)，并设定任务编号，明确车辆等待时长上限。当港区内存在多台车辆同时作业时，需避免出现相互干扰的情况。

交叉解析即为树形结构解析。首先随机选择一个车辆，对其进行任意数字编辑，然后进行任意的任务分配，然后观察车辆等待时长和行驶轨迹，车辆等待时长不超过设定值且不存在与其他车辆干扰的情况下，设定为正常，如出现等待时长超过设定值或路线干扰情况，需对其执行交叉解析，分析原因后再明确设定新的任务。

(1)过程1。设定矛盾点位，即为超过等待时长或与其他车辆路线干扰，标记为Bi。

(2)过程2。随机选择一个车辆任务，对其进行标记。

(3)过程3。如当前选择的任务不存在矛盾点位，则对其进行放行；
如存在矛盾点位，则对其进行交叉解析，并记录。

(4)过程4。对单位时间内所有的任务进行标记，如完成任务循环，则重复过程1，并进入新的任务循环。

(19)

解决矛盾点位过程：针对等待超时的车辆进行标记为P，记录等待时间和原因，根据此确定树干结构，并拆解到树枝结构继续进行解析，例如任务计划制定不合理、线路冲突、车速不适或车辆损坏等原因，分析得到数据P1及P2，根据其情况进一步延伸，最终明确原因，后去除其特征P，记录为Pf。

同理再针对另一个交叉点Q进行上述操作，并最终得到Qf，并以此类推最终记录所有的矛盾点位合集为Xf。然后针对所有的矛盾点位进行交叉解析，分析其过程是否存在冲突，如存在，则需要重复上一步解析过程，直到交叉点消失记录为Bf，即矛盾点位为空，路径设置完成。

4.1 雷达随动角度验证

在车辆形式过程中车辆的停车视距S′即为停车安全距离S安全，因此将式(8)代入式(3)，计算得出激光雷达的雷达水平转角、转弯半径与车速的关系

(20)

结合港区车辆实际行驶过程中，车辆行驶速度一般为30 km/h，无人集卡的平均转弯半径为16～20 m，取转弯半径为平均值18 m。港口车辆转弯一般为直角弯为90°，详见表2和图4。

表2 不同速度下的随动式雷达的水平转向角度

图4 雷达水平角、转弯半径和速度之间的关系图 图5 停车安全距离对比验证

4.2 停车安全距离验证

结合上文，通过将10～50 km/h的数据代入式(5)，计算得出安全距离，对比实际刹车距离，如表3所示。

4.3 车辆工作等待时长验证

对比北方某港口单位时间段内人员驾驶的等待时长与上文调度算法的模拟时长，分别对10组车辆进行统计，结果详见表4。

表4 等待时长对比

4.4 试验结果

通过模型对比雷达角度随动关系和停车安全距离，验证了车辆改造的可行性。结果如下：

(1)在相同转弯半径下，车速越高则雷达转角越大。随着车速的增加，雷达的实际旋转角度将线性增加。

(2)激光雷达自适应驾驶系统的停车安全距离与人员驾驶的停车安全距离基本一致，结合实际数据对比，当车速小于8 km/h时，人员驾驶的车辆因反应时间较快，所以刹车距离更短，当车速在15～35 km/h，刹车距离几乎一致，当车辆行驶到45 km/h以上时，无人驾驶车辆的刹车距离更短，该数据可为车辆调度和实际驾驶提供参考，如图5所示。

通过对比传统集卡和无人驾驶集卡的工作效率，验证了调度优化的可行性。结果如下：对比传统港口车辆和无人驾驶集卡的工作效率，本系统对等待时长超过10 min的车辆进行调整，提升了运行效率。

针对当前推进智慧港口建设的需求，本文提出了以随动式雷达应用于港区无人驾驶集卡的控制算法研究，同时结合算法优化，缩减了车辆工作等待时长，提升了港口运行效率。后期，随着无人化码头的逐步普及，新能源设备将不断涌入水运行业，随着5G技术和传感器技术的不断发展，车辆实现自主定位、自主能源补给的能力会进一步提升，还需进一步加强无人车辆调度方案设计，提升港口运行效率。

推荐访问:港区 算法 激光