王 佳，黃佳德，劉智聰，黃 鵬，呂 亮

（株洲中車時代電氣股份有限公司，湖南 株洲 412001）

0 引言

采礦業(yè)是我國國民經(jīng)濟的基礎(chǔ)和支柱產(chǎn)業(yè)之一，其工作環(huán)境復雜、危險，且傳統(tǒng)采礦業(yè)存在生產(chǎn)效率低、成本高等諸多問題［1-2］，因此礦山智慧化是當前采礦業(yè)發(fā)展的重要趨勢之一。2020年，國家發(fā)展和改革委員會、國家能源局及應急管理部等8部門聯(lián)合發(fā)布了《關(guān)于加快煤礦智能化發(fā)展的指導意見》，提出到2025年露天煤礦實現(xiàn)智能連續(xù)作業(yè)和無人化運輸?shù)哪繕恕?/p>

車載決策系統(tǒng)是礦山無人運輸生產(chǎn)作業(yè)中車載端的一個重要環(huán)節(jié)，國內(nèi)外學者在城市交通自動駕駛技術(shù)基礎(chǔ)上結(jié)合礦山環(huán)境對礦山無人駕駛技術(shù)進行了大量研究。文獻［2-3］提到了可以將相關(guān)技術(shù)運用到礦山、港口場景并實現(xiàn)盡快落地。文獻［4］提出了基于道路信息的速度優(yōu)化策略，對混合動力采礦卡車的運輸時間和燃料消耗進行最優(yōu)決策。文獻［5］提出了一種高效、節(jié)能的從裝載點到卸載點的軌跡規(guī)劃算法框架。文獻［6］采用安全的規(guī)劃方法，從感知、決策和控制故障安全導向方面對決策規(guī)劃進行探討。這些文獻主要針對礦山場景，研究如何利用中央式?jīng)Q策架構(gòu)并結(jié)合地面系統(tǒng)全局調(diào)度規(guī)劃能力，提高運輸系統(tǒng)效率；但這犧牲了單車的靈活性，在特定場景（如裝卸載、泊車）下會降低系統(tǒng)運輸效率。

本文在全局規(guī)劃調(diào)度的基礎(chǔ)上重點研究車載決策系統(tǒng)單車自主決策方法，采用基于雙層有限狀態(tài)機技術(shù)實現(xiàn)單車自主決策邏輯判斷，保證車輛行駛安全；采用基于時間最短、能耗最優(yōu)的二次規(guī)劃算法求解速度規(guī)劃，提高運輸效率；采用混合A*與曲線擬合算法求解局部規(guī)劃，提高單車靈活性。文章明確了車載決策系統(tǒng)與地面系統(tǒng)規(guī)劃調(diào)度功能邊界，以及在特定場景與約束下車載決策系統(tǒng)所應具備的自主決策與規(guī)劃能力。車載決策系統(tǒng)可以根據(jù)地面系統(tǒng)全局的任務(wù)調(diào)度信息以及自身狀態(tài)決定何時開始任務(wù)調(diào)度及何時結(jié)束任務(wù)調(diào)度，并根據(jù)地面系統(tǒng)的全局規(guī)劃以及自身運行狀態(tài)，在特定場景下進行局部路徑規(guī)劃，進一步提升調(diào)度和規(guī)劃基礎(chǔ)上的單車運行效率，從而提升整體運行效率。

1 車載決策系統(tǒng)功能組成

車載決策系統(tǒng)屬于車載系統(tǒng)的核心處理環(huán)節(jié)，是連接地面系統(tǒng)與車載感知定位系統(tǒng)、車載控制系統(tǒng)信息交互與處理的紐帶。其綜合感知定位系統(tǒng)的周邊環(huán)境信息、地面系統(tǒng)的全局運營信息以及自車底盤、故障等信息進行推理決策，指導運動控制系統(tǒng)對車輛進行控制，使無人車產(chǎn)生安全、合理的駕駛行為，最終實現(xiàn)車輛的"裝、運、卸"全流程無人運輸。車載決策系統(tǒng)架構(gòu)功能如圖1所示。

圖1 車載決策系統(tǒng)架構(gòu)示意Fig.1 Architecture of onboard decision system

車載決策系統(tǒng)核心功能包含行為決策與運動規(guī)劃。車載決策系統(tǒng)通過通信適配中間件與外部遠程接管系統(tǒng)、LED顯示屏、顯示器、安保系統(tǒng)、控制系統(tǒng)、感知定位設(shè)備及地面系統(tǒng)進行數(shù)據(jù)交互，實現(xiàn)對外界信息最大限度的獲取，然后在數(shù)據(jù)池完成數(shù)據(jù)的統(tǒng)一篩選與管理，最終將經(jīng)數(shù)據(jù)池處理的數(shù)據(jù)作為輸入傳輸給行為決策與運動規(guī)劃兩大核心功能系統(tǒng)，同時車載決策系統(tǒng)將生成的軌跡序列與行為動作信息輸出給控制系統(tǒng)以指導控車。

遠程接管系統(tǒng)與決策系統(tǒng)通過以太網(wǎng)連接。在出現(xiàn)無人駕駛系統(tǒng)無法處理的場景時，安全員可以通過駕駛艙完成遠程控車；安裝在駕駛室外的LED屏通過以太網(wǎng)與決策系統(tǒng)連接，用于顯示車輛此時的駕駛模式，提醒周邊行人車輛注意安全；安裝在駕駛室內(nèi)的車載顯示器通過以太網(wǎng)與決策系統(tǒng)連接，用于安全員在車上時的必要車載信息提示；控制系統(tǒng)通過車載內(nèi)部以太網(wǎng)與決策系統(tǒng)連接，以提供車輛線控底盤信息。感知定位系統(tǒng)通過車載內(nèi)部以太網(wǎng)與決策系統(tǒng)連接，以提供車輛定位信息以及周邊環(huán)節(jié)信息。地面系統(tǒng)通過4G/5G以太網(wǎng)與車載決策系統(tǒng)連接，以提供全局規(guī)劃信息。

2 行為決策

行為決策的目標主要是保證車輛可以產(chǎn)生安全的駕駛行為，遵守礦區(qū)生產(chǎn)運行規(guī)則，滿足車輛安全性能要求。礦卡決策系統(tǒng)的行為決策主要包含駕駛與任務(wù)模式?jīng)Q策、碰撞預警與防護決策、故障分級與安全導向決策。

2.1 駕駛模式與任務(wù)模式?jīng)Q策

車載決策系統(tǒng)采用雙有限狀態(tài)機進行不同駕駛模式與任務(wù)模式切換的決策，其中駕駛模式構(gòu)成第一層狀態(tài)機，任務(wù)模式構(gòu)成了第二層狀態(tài)機。

車載決策系統(tǒng)有無人駕駛、人工駕駛和遠程接管3種駕駛模式［7］。無人駕駛模式是指當前車輛執(zhí)行機構(gòu)完全聽從無人駕駛系統(tǒng)控制；人工駕駛模式指當前車輛執(zhí)行機構(gòu)完全聽從安全員控制；遠程接管模式指當前車輛執(zhí)行機構(gòu)完全聽從遠程駕駛艙的控制［4］。無人駕駛模式和人工駕駛模式可以相互切換；人工駕駛模式和遠程接管模式可以相互切換；無人駕駛模式和遠程遙控模式可以相互切換。狀態(tài)轉(zhuǎn)移圖如圖2所示。

圖2 車載駕駛模式狀態(tài)轉(zhuǎn)移Fig.2 State transfer of on-board driving modes

進入無人駕駛模式之后，車輛接收來自地面系統(tǒng)的全局調(diào)度任務(wù)以及自身的任務(wù)決策，完成“裝、運、卸”任務(wù)流程，其狀態(tài)轉(zhuǎn)移如圖3所示。

圖3 車載任務(wù)模式狀態(tài)轉(zhuǎn)移Fig.3 State transfer of on-board task modes

2.2 碰撞預警與防護決策

在循跡過程中，車輛基于當前車輛運行軌跡與實時的周圍障礙物信息判斷是否存在碰撞風險并基于車速判斷車輛何時何地會發(fā)生碰撞風險；在確定以上信息后，決策車輛能否跨障、繞障或者原路徑安全停車。規(guī)劃的路徑點可以近似看成一個有角度的矩形，同時障礙物也是有角度的矩形。圖4為車輛軌跡與障礙物示意，其中白色矩形表示車，紅色矩形表示障礙物。

圖4 車輛軌跡與障礙物示意Fig.4 Schematic diagram of vehicle track and obstacle

采用有向包圍盒（oriented bounding box，OBB）算法判斷車輛是否會與障礙物碰撞。根據(jù)幾何原理：兩個矩形，當存在一條直線，使這兩個矩形在直線的投影不相交，則這兩個矩形不相交。這條線被稱為分割線。若存在分割線，則一定有一條分割線和矩形中的一條邊平行。分割原理如圖5所示。

圖5 分割原理Fig.5 Segmentation principle

將礦卡和障礙物近似成2個矩形。其中，Lo為障礙物長度1/2，Wo為障礙物寬度的1/2，Lv為礦卡長度1/2，Wv為礦卡寬度的1/2，T為兩矩形的中心連線。建立xv、yv、xo和yo4條分割軸，然后將Lo、Lv、Wo、Wv和T分別向分割軸做投影：

式中：P(Wo)xv——Wo向xv軸所做投影的長度；P(Lo)xv——Lo向xv軸所做投影的長度；P(Wv)xv——Wv向xv軸所做投影的長度；P(Lv)xv——Lv向xv軸所做投影的長度。

如果在4個分割軸投影都滿足式（2）~式（5）所示條件，則認為礦卡不會與障礙物發(fā)生碰撞；否則，認為會發(fā)生碰撞。

式中：P(T)xv——T向xv軸做投影的長度。

已知車輛有n個規(guī)劃的軌跡點，每個軌跡點表示為(xi，yi，pi)，其中xi和yi為軌跡點位置，pi為坡道角的正切（上坡為正值），i=1，2，…，n；有m個障礙物(oj，yj)，其中j=1，2，…，m。

分別循環(huán)遍歷所有軌跡點對應的車輛包圍盒與所有障礙物對應的包圍盒進行碰撞檢測，得到離軌跡起點(x0，y0，p0)最近、發(fā)生碰撞的車輛軌跡點(xs，ys，ps)。假設(shè)(x0，y0，p0)到(xs，ys，ps)的距離為ds，則當前車輛位置與障礙物位置的安全距離為ds。已知車輛的初速度為v1，即為在第1個路點時的速度。

假設(shè)礦卡不會與障礙物發(fā)生碰撞，且車速度未超過防護速度，則進行繞障決策；若車輛速度已經(jīng)超過防護速度，則應該立即安全停車。

將整個制動過程設(shè)定為電渦流制動和液壓制動2個階段。當車輛行駛速度不低于閾值vT時，采用電渦流制動；當車輛行駛速度低于閾值vT時，采用液壓制動。同時，假設(shè)電渦流制動階段，制動力矩恒定；液壓制動階段，制動力矩恒定。

設(shè)電渦流制動減速度為aC，液壓制動減速度為aH，則對于第k個路點，其實際制動減速度ak為

式中：ik——第i個路點坡度角正切值；g——重力加速度。

對電渦流制動段，有

對液壓制動段，有

式中：Δdk——第k個路點和第（k+1）個路點的距離。

于是，將電渦流制動段的速度-加速度-距離公式相加，可得

將液壓制動段的速度-加速度-距離公式相加，可得

式中：第n個路點為電渦流制動和液壓制動的分界點，vn?vT。

將aH設(shè)置為平路半載工況下采用液壓制動以50%制動強度制動時的減速度。于是，根據(jù)式（10），可計算出分界點的路點序號n；再根據(jù)式（9），計算出電渦流制動段的制動減速度aC；最后根據(jù)式（6），計算各路點k的防護速度vk。

2.3 故障分級與安全導向決策

車載決策系統(tǒng)接收感知系統(tǒng)、控制系統(tǒng)以及自身系統(tǒng)的故障診斷信息，基于駕駛場景統(tǒng)一進行分級故障安全導向，以保證無人駕駛礦卡安全、可靠的運行。根據(jù)安全導向，故障分為4個等級，即輕微故障、中等故障、較嚴重故障和嚴重故障。

對于輕微故障，車載決策系統(tǒng)向地面系統(tǒng)上報警告故障，采用文本提示、語音警告方式，提醒調(diào)度操作員，且車載系統(tǒng)不采取其他安全動作。對于中等故障，車輛以固定限速完成本次駕駛?cè)蝿?wù)。對于較嚴重故障，當車輛高速行駛時，施加適當電制動力；當車速低速運行時，采用液壓制動方式平穩(wěn)停車。對于嚴重故障，車載系統(tǒng)施加電制動力與液壓制動力并控制車輛根據(jù)軌跡停車；停車后，車載系統(tǒng)處于緊急鎖定狀態(tài)，除非地面系統(tǒng)下發(fā)緊急制動緩解命令。

3 局部運動規(guī)劃

車輛運動規(guī)劃是指生成銜接車輛起點與終點的幾何路徑，同時給出車輛沿該路徑運動的速度信息，并使車輛在整個運動過程中滿足運動學/動力學約束、碰撞躲避約束以及其他源自內(nèi)部系統(tǒng)或外部環(huán)境的時間或空間約束條件要求。礦卡無人駕駛決策系統(tǒng)將運動規(guī)劃多維優(yōu)化問題進行解耦，拆分為二維平面的路徑規(guī)劃與在所選的軌跡上進行速度規(guī)劃這兩個子問題。

3.1 速度規(guī)劃算法

礦山車輛無人駕駛技術(shù)更注重安全性、高效性和節(jié)能性，舒適性反而是次之考慮的問題。速度規(guī)劃的目標是生成一條從起點到終點運行時間最短、能量最少的序列集合，以指導控制系統(tǒng)控制車輛速度。規(guī)劃過程中，控制系統(tǒng)跟蹤的目標速度源自于地面系統(tǒng)的限速要求。為了達到時間最短、能量最少的目標，車輛在滿足基本運動學要求、最大加速度、最大減速度及速度上限約束的基礎(chǔ)上盡量貼近目標速度來規(guī)劃速度。速度規(guī)劃算法具體如下：

（1）構(gòu)建待優(yōu)化問題模型的標準模型

（2）根據(jù)時間最短、能量最少原則，代價函數(shù)為

式中：vi——車輛在路點（xi，yi）的速度；ai——加速度。

（3）已知初始速度vo、終點速度vf、兩點間距離Δs、最大速度vmax、最大加速度amax和最大減速度amin，軌跡總共有n個路點，根據(jù)車輛運動速度、加速度和距離關(guān)系，推導n行n列H矩陣、1行n列f矩陣、n行n列A矩陣、n行1列b矩陣、1行n列Aeq和beq矩陣，見式（13）~式（18）。

根據(jù)amax與amin，得到n行1列l(wèi)b和ub矩陣：

采用C++OSQP庫求解帶約束的二次規(guī)劃，得到最優(yōu)的加速度曲線；然后反算出最優(yōu)速度曲線；最后，根據(jù)實際車速對規(guī)劃的速度曲線進行實時滾動優(yōu)化，獲取每一時刻的最佳速度規(guī)劃。

3.2 軌跡規(guī)劃算法

本文在地面系統(tǒng)多車調(diào)度全局軌跡規(guī)劃的基礎(chǔ)上完成車載端局部規(guī)劃。礦山生產(chǎn)作業(yè)環(huán)境變化頻繁，使得全局規(guī)劃終點變得不可靠，導致泊車終點不可到達，因此重點考慮泊車規(guī)劃。此時車輛決策系統(tǒng)需要根據(jù)環(huán)境信息，在原來終點附近自動尋找一個合適的終點進行泊車，規(guī)劃出一條能到達終點的安全、合理的路徑。

3.2.1 泊車終點決策

如果泊車終點不可達，需要重新選擇一個泊車點。評價規(guī)劃的泊車點是否合理，主要從以下兩方面考慮：

（1）泊車點角度與環(huán)境土擋盡量垂直，使車輛靠邊；

（2）泊車點盡量靠近原始終點，但又不會使車輛發(fā)生碰撞。

滿足以上兩個條件，則可認為車輛選擇了一個合理的泊車點。

構(gòu)建泊車點附近的2維平面坐標系，見圖6。其中，紫色的柵格為障礙物；紅色的箭頭線為地面軌跡L，其終點為C。作射線B0，其過C且為L的切線。B0上有兩點Aa和Ab，且，其中l(wèi)ab為車后輪兩外側(cè)輪胎寬度；射線B0在地圖坐標系下與x軸的夾角為δ。

圖6 泊車點二維坐標系Fig.6 Parking location in planar coordinate system

已知存在直線序列{Xa，Xa+1，…，Xi…，Xb-1，Xb}，這些直線都與x軸垂直，線段AaAb與直線序列的交點分別 為pa，g，p(a+1)，g，…，px，g，…，X(b-1)，g，Xb，g；直線Xb與射線B0和擋墻邊界的交點分別為pb，g和pb，s，兩點間距離為lb，0，如圖7所示。

圖7 直線序列與射線B0示意Fig.7 Schematic diagram of line sequence and ray B0

記li，0表示直線Xi與射線B0的交點和Xi與柵格地圖土擋邊界的交點之間的距離，則

式中：lB0——射線為B0方向的車后輪兩外側(cè)輪胎連線的各離散點到擋墻邊沿的最大距離。

射線B0以C為圓心進行順時針與逆時針旋轉(zhuǎn)，每次旋轉(zhuǎn)角度為α；逆時針旋轉(zhuǎn)到的最大位置Bn，順時針旋轉(zhuǎn)最大位置B-n，對應的旋轉(zhuǎn)角度為最大旋轉(zhuǎn)角，記為β，如圖8所示。

圖8 旋轉(zhuǎn)示意Fig.8 Rotation diagram

已知射線Bj，令

則應考慮如下兩個因素：

（1）最優(yōu)泊車角度計算。泊車時車輛盡量貼近道路內(nèi)側(cè)，需要尋找滿足最小lBj的j值，具體要求為

當滿足-n≤j≤n時，得到求得最優(yōu)泊車角度yaw對應射線Bj與x軸夾角θ。

此時根據(jù)幾何關(guān)系，車輛泊車角度應該與射線Bj垂直，得到最優(yōu)泊車角度yaw為

（2）泊車點位置。泊車點應盡量靠近土擋但車輛又不會與障礙物碰撞。在原來泊車終點C附近考慮坡度因素。首先考慮在穿過點C的射線上尋找最優(yōu)泊車點。根據(jù)公式（22）求得最優(yōu)泊車角度對應射線Bj和原始泊車點C，作射線M與射線Bj垂直且射線M經(jīng)過C點，射線M與土擋邊沿交點為E，圖中E與C點恰好重合，如圖9所示。

圖9 最優(yōu)泊車點G的選取Fig.9 Optimal stopping point selection diagram

可以在線段GE中找到點S坐標，使得S坐標既不與障礙物碰撞，又接近全局終點C。至此，得到了最優(yōu)泊車點。

3.2.2 局部路徑規(guī)劃

車輛路徑規(guī)劃是指生成銜接車輛起點與終點的幾何路徑，并使車輛在整個運動過程中滿足運動學/動力學約束、碰撞躲避約束以及其他源自內(nèi)部系統(tǒng)或外部環(huán)境的時間和/或空間約束條件。面向自動駕駛車輛的路徑規(guī)劃方法主要包括曲線插值方法、采樣搜索方法以及最優(yōu)控制方法［8-14］?？紤]到實際工程中賦予車載決策系統(tǒng)的運算資源有限，因此首先采用曲線擬合和采樣搜索的方法生成次優(yōu)的初始路徑，然后經(jīng)過優(yōu)化生成一條舒適、合理、無碰撞的最優(yōu)軌跡。

礦山場景泊車倒車一般距離在20~50 m范圍內(nèi)，因此首先嘗試高效率的曲線擬合；如果生成的路徑不滿足約束，則再嘗試采樣搜索。礦卡路徑生成、信息邏輯處理過程如圖10所示。

圖10 路徑生成處理過程Fig.10 Path generation process

曲線擬合算法采用三次樣條插值方法實現(xiàn)。根據(jù)規(guī)劃起點(xs，ys，φs)和終點(xg，yg，φg)，首先求解三次樣條曲線函數(shù)各系數(shù)，然后根據(jù)采樣距離，求得各個軌跡點(xi，yi，φi)位置和角度信息［8］。函數(shù)公式如下：

混合A*算法作為車輛自動駕駛常用啟發(fā)式搜索算法，其包含了一種考慮車輛運動能力的更精準模型，適合在起點、終點相距不遠的局部規(guī)劃任務(wù)中提供近似最優(yōu)或近似可行的初始解［15-17］。

由于用曲線擬合和混合A*算法產(chǎn)生的路徑不平滑，不利于后期控制系統(tǒng)控車。為了達到更高的舒適度與控制效果，本文采用梯度下降平滑器來平滑軌跡。給定一個定點序列xi=(xi，yi)，i=1，2，…，N；定義Δxi=Δxi-Δxi-1表示頂點間位移，Δφi表示頂點切向角變化，oi表示距離xi點最近的障礙物距離；優(yōu)化目標以最小化變量P為目標函數(shù)，表示優(yōu)化后的路徑平滑、曲率不超限、不與障礙物發(fā)生碰撞。P主要由Pcur、Psmo和Pobs組成，其中Pcur用于限制軌跡曲率，Psmo用于保證路徑平滑，Pobs用于懲罰與障礙物的碰撞。

式中：σcur——距離障礙物的懲罰函數(shù)；δobs——曲率的懲罰函數(shù)；kmax——最大曲率；ωcur、ωsmo和ω0——權(quán)重系數(shù)［18］。

優(yōu)化目標函數(shù)如下：

文獻［19］給出了Pcur、Psmo和Pobs的求導過程，通過梯度下降方法實現(xiàn)路徑平滑。優(yōu)化算法過程為

輸入：原始軌跡點集合P；

輸出：優(yōu)化軌跡點集合P，；

1.iterations=0；

2.cor=（0，0）

3.while iterations<200：

4. forxi∈P：

5. if（IsCusp（xi）==True）continue；

6. cor-=ObstacleGC（xi）；

7. cor-=SmoothnessGC（xi）；

8. cor-=CurvatureGC（xi）；

9.xi+=cor；

10. i+=1；

11. iterations+=1；

12.P，=P

其中：IsCusp（xi）表示xi為前進轉(zhuǎn)后退軌跡段附件的尖點或者無需優(yōu)化的固定點；ObstacleGC（xi）表示在xi處Pobs的梯度；SmoothnessGC（xi）表示在xi處Psmo的梯度；CurvatureGC（xi）表示在xi處Pcur的梯度。

4 仿真效果與分析

為驗證本文所提方法的正確性和有效性，本文對速度規(guī)劃和局部路徑規(guī)劃進行仿真分析。

4.1 速度規(guī)劃分析

已知礦用自卸車車輛型號為XDE240，滿載220 t，初始速度0 m/s，終點速度0 m/s，終點速度0 m/s，運行距離2 500 m；設(shè)置速度規(guī)劃參數(shù)，最大速度vmax=5.55 m/s，最大加速度amax=0.8 m/s2，最大減速度amin=-0.4 m/s2。在北方某露天礦從生產(chǎn)作業(yè)從起點（裝載點）到終點（卸載點）運行，已知全局路徑規(guī)劃如圖11所示。

圖11 全局路徑Fig.11 Global path

采用3.1節(jié)所述速度規(guī)劃算法，全局路徑下的實時滾動速度規(guī)劃效果如圖12所示?？梢钥闯?，車輛在規(guī)劃速度滿足約束的前提下盡量貼近限速曲線行駛，實現(xiàn)了使運行時間最短的目標。

圖12 速度規(guī)劃結(jié)果Fig.12 Speed plan results

4.2 局部路徑規(guī)劃分析

XDE240型礦用自卸車車身長14.22 m、寬7.41 m，車輛輪胎半徑R=1.8 m，最大線路曲率kmax=0.08 m-1。根據(jù)泊車點二維坐標系，采用3.2.1節(jié)所述泊車點決策算法得到終點坐標goal(23.0，54.2，46°)；已知全局規(guī)劃進入泊車區(qū)域的起點坐標start(60.0，60.2，0°)，采用3.2.2節(jié)所述的路徑規(guī)劃算法生成軌跡序列，如圖13所示?？梢钥闯?，車載決策系統(tǒng)基于全局規(guī)劃調(diào)度與周邊的環(huán)境信息，自主選擇了合適的終點，成功規(guī)劃了一條滿足運動學約束的?？繐鯄β窂健?/p>

圖13 路徑規(guī)劃結(jié)果Fig.13 Path plan results

5 結(jié)語

本文針對礦卡無人駕駛車載決策系統(tǒng)提出一種基于雙層有限狀態(tài)機的行為決策方案，通過駕駛模式與任務(wù)模式?jīng)Q策、碰撞預警與防護決策、故障分級與安全導向決策，保證車輛在滿足車輛安全性能的前提下產(chǎn)生安全的駕駛行為并遵守礦區(qū)生產(chǎn)運行原則；基于地面系統(tǒng)全局路徑、全局調(diào)度信息，感知定位模塊環(huán)境信息，實現(xiàn)車載的速度規(guī)劃與局部路徑規(guī)劃，完成車輛的“裝、運、卸”全流程運輸，在裝、卸載泊車場景可以提升10%~20%的運行效率。該系統(tǒng)在中國北方某礦區(qū)歷經(jīng)了半年實車生產(chǎn)運營，結(jié)果表明，該系統(tǒng)可有效提高車輛運行效率。后續(xù)，在此決策系統(tǒng)的基礎(chǔ)上，將結(jié)合車載高精度地圖與車對外界的信息交換（vehicle-toeverything，V2X）技術(shù)，開展在更多場景下自主決策、自主規(guī)劃等更深層次的研究。