4. 车载感知与状态监测

无人矿卡要在粉尘、雨雪、强振动、长坡道和重载工况下安全运行，前提是车载感知系统能够持续、准确地回答两个问题：车外有什么，以及车自身处于什么状态。前者由激光雷达、毫米波雷达和摄像头等外部感知传感器完成，后者由IMU、轮速计、转向角传感器、倾角传感器等内部状态传感器完成。两类信息在域控制器中融合，形成障碍物列表、可行驶区域、位姿估计和车辆运动状态，供决策规划与远程接管使用。

一、外部感知传感器原理与分工

激光雷达通过发射激光束并测量回波时间获得距离，机械旋转式或固态式扫描形成三维点云。其优势是测距精度高、角分辨率好，能直接给出障碍物轮廓和地形起伏，适合矿区挡墙、台阶、落石和人员识别。缺点是粉尘、雨雾会散射激光，导致点云噪声和有效距离下降，需要配合滤波与多帧累积。

毫米波雷达利用77GHz或79GHz频段电磁波的多普勒效应测速，对雨雪、粉尘和黑暗环境不敏感，探测距离远，是长距离目标跟踪和相对速度测量的主力。其角分辨率低于激光雷达，金属反射强、非金属反射弱，容易产生虚警或漏检，因此常用于与激光雷达、摄像头做前融合或后融合。

摄像头提供高分辨率二维图像，能识别交通标志、信号灯、人员着装和车辆类型，成本低、信息丰富。但受光照、逆光、扬尘和镜头污染影响大，单目测距精度有限，通常与激光雷达联合标定后用于目标分类和语义分割。

二、内部状态传感器与矿卡状态量

IMU由三轴加速度计和三轴陀螺仪组成，测量车辆三轴加速度与角速度，通过积分得到姿态、速度和位置增量。矿卡重载、长坡道和颠簸工况下，IMU是短时位姿推算的核心，但积分会漂移，必须与轮速计、GNSS和激光SLAM联合校正。

轮速计安装在车轮或驱动电机上，输出轮速脉冲，用于计算车速和行驶距离。矿卡在松软路面或重载爬坡时车轮可能打滑或空转，轮速与真实车速不一致，需要结合IMU和GNSS判断滑移率。

此外，转向角传感器提供前轮转角，倾角传感器测量车身俯仰与侧倾，货厢举升传感器判断卸载状态，胎压与温度传感器监测轮胎安全。这些状态量共同构成矿卡状态监测的输入。

三、矿卡状态监测方法与流程

状态监测不是简单读取传感器数值，而是按“采集—同步—标定—融合—诊断—输出”的流程处理。典型步骤如下：

1. 时间同步：以PTP或gPTP为基准，将激光雷达、摄像头、雷达和IMU数据统一到同一时间戳，避免高速行驶时目标错位。
2. 空间标定：完成各传感器外参标定，把点云、图像和雷达目标统一到车辆坐标系。
3. 数据预处理：点云去噪与地面分割，图像去尘与曝光补偿，雷达滤除静止杂波。
4. 多源融合：采用卡尔曼滤波或因子图优化，输出障碍物位置、速度和车辆位姿。
5. 状态诊断：计算滑移率、姿态角、传感器置信度，判断是否触发降级或接管。

# 状态监测关键参数示例（车载配置片段）
lidar:
  frame_id: "lidar_front"
  range_max: 120.0        # 有效测距 m
  ground_filter: true
radar:
  frame_id: "radar_front"
  range_max: 200.0
  doppler: true
camera:
  frame_id: "cam_front"
  resolution: "1920x1080"
imu:
  rate_hz: 200
  accel_bias: [0.01, -0.02, 0.03]
wheel_odom:
  pulses_per_rev: 1024
  slip_threshold: 0.15    # 滑移率告警阈值
fusion:
  sync: "gPTP"
  output_rate_hz: 50

四、典型场景与误区复盘

在露天矿重载下坡场景中，轮速计读数可能因制动抱死而偏低，IMU纵向加速度却显示车辆仍在加速，此时若只信轮速就会误判车速。正确做法是用IMU与GNSS校验轮速，计算滑移率并触发告警。在扬尘遮挡场景中，激光雷达点云大量丢失，摄像头图像模糊，毫米波雷达仍能稳定跟踪前方车辆，系统应自动降低激光雷达权重，提高雷达权重，并限制最高车速。

综上，无人矿卡的车载感知与状态监测应以多传感器融合为核心，以置信度评估和安全降级为保障。只有把外部环境感知与车辆自身状态监测放在同一时间、同一坐标和同一健康度框架下，才能为决策规划和远程接管提供可信输入。