1. 课程导入与矿区场景认知

无人矿卡不是把乘用车的自动驾驶方案直接搬到矿山上。矿区是一个封闭、低速、重载、强结构化的作业环境：道路由人工或半人工修筑，边界相对清晰，但路面扬尘、坡道、弯道、装卸点排队和临时占道又让场景充满不确定性。路径规划与避障决策要解决的核心问题，可以概括为一句话：在给定的矿区路网和作业任务下，为矿卡生成一条安全、可跟踪、效率合理的行驶轨迹，并在遇到静态或动态障碍时做出正确的让行、绕行、停车或重规划决策。

这句话里包含三个层次。第一层是任务层：调度系统下发“从装载点A到卸载点B”的运输任务，决定起点、终点和作业时序。第二层是路径层：在矿区路网拓扑上找出一条从起点到终点的可行路径，回答“走哪条路”。第三层是轨迹与决策层：把路径细化为带时间信息的轨迹点，回答“以什么速度、什么横向位置走”，并在遇到障碍时决定“停、让、绕还是重规划”。三层之间是逐级约束的关系，上层给出目标与路网约束，下层负责几何与动力学可行性。

典型矿区作业场景拆解

理解算法之前，先要理解场景对算法提出了什么要求。矿区通常由五类典型区域构成，它们对路径规划与避障的约束差异很大：

• 装载区：电铲或装载机作业，矿卡需要倒车入位或按指定角度停靠，空间狭窄、人车混行，路径精度要求高，速度低。
• 卸载区/排土场：边缘有排土台阶和挡墙，倒车卸料时后向感知盲区大，需要严格的边界约束和防坠落判断。
• 运输主干道：双向或单向重载车道，坡度、弯道半径、路面宽度决定车速上限，是效率优化的主战场。
• 交叉口：多车交汇，存在路权冲突，需要让行规则或集中调度避免死锁。
• 临时作业区：洒水车、平路机、检修占道等临时障碍，要求算法具备在线重规划能力。

下面这张图把矿区路网拓扑与各区域的约束特征放在一起，帮助建立“场景—约束—算法关注点”的对应关系。

学习路径与工程目标

本课程后续内容按“先建图、再规划、后决策、终评价”的逻辑展开。第一步是环境与路网建模：把矿区道路抽象为带节点和边的拓扑图，节点记录坐标、高程、限速，边记录长度、坡度、曲率、通行方向。第二步是全局路径规划：在拓扑图上用Dijkstra或A*搜索，代价函数通常取“行驶时间 + 能耗 + 转弯惩罚”的加权和。第三步是局部轨迹规划：在全局路径附近生成满足车辆运动学约束的平滑曲线，常用Frenet坐标系下的横向偏移采样或五次多项式。第四步是避障决策：根据障碍类型、相对位置和自身状态，在停车、让行、绕行、重规划之间选择。第五步是评价与调参：用节拍、停车次数、重规划频率、跟踪误差等指标闭环验证。

工程目标可以量化为几条可检验的指标，例如：主干道平均车速不低于设计车速的80%，单次运输任务非计划停车不超过2次，轨迹跟踪横向误差控制在0.3米以内，交叉口无死锁。这些指标不是装饰，而是后续每一章调参和验证的判据。

需要特别强调的是坐标系约定。本课程统一采用矿区局部平面坐标系：以矿区基准点为原点，X轴指向正东，Y轴指向正北，角度逆时针为正，车辆航向角定义为车头方向与X轴的夹角。后续所有轨迹、障碍物位置和决策判断都基于这一约定，切换参照系时会明确说明。