矿山-DW-融合:基于动态重量调整的地下煤矿的BEV多尺度增强的融合物体检测模型
Wanzi Yan1, Yidong Zhang2, Minti Xue3
1School of Mines, China University of Mining and Technology, Xuzhou 221116, China.
Sensors (Basel, Switzerland)
|August 28, 2025
概括
这项研究引入了一种用于自动采矿车辆的新型感知模型,提高了在具有挑战性的地下条件下的安全性. 该模型有效地融合传感器数据,即使有故障,在低光和尘埃下改善对象检测.
科学领域:
- 机器人和自主系统
- 计算机视觉
- 地质科学工程
背景情况:
- 自动驾驶在地下煤矿中面临由于灰尘,照明不足和传感器异常的感知挑战.
- 现有的方法缺乏有效的多式传感器数据可靠性评估和强大的传感器故障融合技术.
- 需要为地下煤矿环境开发和验证一个专门的多式数据集.
研究的目的:
- 开发一个先进的多式融合感知模型用于地下煤矿的自动运输车辆.
- 解决复杂采矿环境中评估数据可靠性和处理传感器故障的局限性.
- 创建一个全面的数据集,用于在现实世界地下煤矿场景中培训和测试感知模型.
主要方法:
- 提出了带有动态重量调整的多尺度增强融合感知模型.
- 实施了基于BEV特征的模态数据权重的专家-模糊逻辑推理模块 (MoE-FLIM).
- 引入了一个金字塔多级特征增强和融合模块 (PMS-FFEM) 来处理传感器数据异常.
- 专门为地下煤矿环境构建了一个多模式数据集.
主要成果:
- 在地下煤矿环境中实现高精度和稳定的物体检测.
- 在具有挑战性的条件下表现出强大的感知性能,包括低光和尘埃雾.
- 动态重量调整和多尺度融合有效缓解因传感器数据异常而产生的问题.
结论:
- 开发的BEV多尺度增强融合感知模型显著提高了地下煤矿的自动驾驶能力.
- 这些模块为数据可靠性评估和传感器故障处理提供了有效的解决方案.
- 创建的数据集支持感知技术的进步,以实现更安全,更有效的采矿操作.
