0 引 言
我国于2000年左右开始提出和实施数字矿山、综合自动化和矿山物联网[1]，在矿山数字化、信息化、自动化和机械化方面取得了显著成就，并于近年开始研发和示范性建设智能煤矿[2-3]，实现了矿山地质、测量、开采、设计等过程的数字化[4]，在矿井环境参数(如瓦斯、矿压、水文、地质等)的分布式监测和多源信息融合模型取得了持续突破[5]，大力攻关矿井复杂环境下的大型机械设备监测、故障诊断和机器人巡检技术[6]，在矿井移动目标精确定位管理、人员自救及他人施救方面供取得较大突破[7]，并在矿区空天地井集成监测、多源数据协同处理、地理矿情特征提取、地理矿情演变分析等方面取得显著进展[8]。
在智能煤矿建设中，装备、人员、事件等对象的空间位置属性非常重要。只有了解对象的位置属性，才能清晰掌握事件的发生位置和事件的演化过程，帮助煤矿企业科学生产和合理调配资源，并在发生事故之时快速确定受困矿工位置，提高应急响应速度和救援成功率[9]。目前，国内外专家学者已在矿井动目标定位领域开展了广泛深入的研究，在定位信号传播机理、多径信号抑制、定位信号滤波理论、针对性定位方法设计和动目标定位系统研发方面取得了丰硕成果，并将定位结果用于人员跟踪、出勤考核、车辆调度等方面。然而，这些研究成果并未从全息信息视角形成协调联动的矿山目标位置服务系统，对提高决策水平和持续发展能力的贡献还不够。
实际上，基于人员、装备和事件的位置可以提供丰富的矿山目标位置服务，但这些服务远超出了矿井动目标定位系统的范畴，是一个大数据和人工智能驱动的煤矿智能服务体系。笔者力图在矿山目标位置服务的框架结构、关键技术、热点方向、发展趋势方面进行初步探索，为智能煤矿建设特别是智能服务能力建设提供借鉴和助力。
1 矿山目标位置服务的框架结构
矿山目标位置服务的框架结构如图1所示，它包括位置对象层、位置获取层、位置传输层、位置挖掘与服务层。
图1 矿山目标位置服务的框架结构
Fig.1 Framework of mine location service
位置对象层是可为用户提供空间位置的对象实体，位置对象层是矿山目标位置服务的位置来源。典型的矿山位置对象包括：煤矿工作人员，如井下采煤工人、瓦检员等；煤矿运输车辆，如猴车、无轨胶轮车等；采掘装备，如采煤机、掘进机等；用于生产或救灾的矿用特重机器人，如采掘机器人、灾害探测机器人等；灾害事件的发生位置，如采空区自燃发火点、露天矿山体滑坡位置等。进一步，位置对象可拓展到与煤矿企业生产和安全相关的物资或机构，如与煤炭生产相关的物资采购、煤炭发运等物流环节，与煤矿企业进行项目或产品合作的其他企业，与矿山抢险救灾相关的救援机构与救援物资等。
位置获取层通过动目标定位系统获取目标位置，或通过灾害监测预警系统检测灾害位置。根据是否依赖卫星进行定位，移动目标定位系统可以分为卫星定位系统和非卫星定位系统。卫星定位系统一般用于地面开放环境，室内和井下由于无法收到卫星信号，通常采用Wi-Fi、UWB、ZigBee、RFID、惯导等定位系统。亦可将多种定位技术组合起来，进行组合定位和导航。以上定位系统均采用无线电波信号作为信号载体，是一种非基于视觉的方式。除此之外，也可采用摄像头、红外传感器等进行基于视觉方式的定位，例如借助视频监控系统进行人员定位和跟踪。灾害定位的目的主要有2个方面，其一是通过连续监测和超前探测，以便提前确定是否会有灾害及其可能发生位置；其二是在灾害发生后，快速确定灾害发生位置并预测可能的次生灾害发生地点。
位置传输层包括用于传输信息的有线或无线传输网络，它是矿山目标位置服务中承上启下的重要层次，其主要作用是[10]：①传输基础定位信息，定位结果和用户指令。在很多定位系统中，信标节点只是用于搜集基础定位信息，如距离信息、拓扑信息等，然后通过通信网络将其传输到定位服务器中，由定位服务器解算出目标位置。有些定位系统由信标节点或目标节点直接计算出目标位置，然后将定位结果通过通信网络传输到定位服务器。反之，用户可以通过定位服务器向定位系统发出调整指令，让定位系统按照用户的需要进行定位，从而让定位结果满足用户需求。②传输基于位置的服务信息。以事件驱动的矿井人员调度为例，假定设备健康监测系统检测到位置A的设备即将发生故障(但是还未发生故障)，通过传输网络向调度中心发出预知维护预警。调度人员通过网络发起基于位置的人员搜索，调度位置A附近的检修人员前去检修。检修人员接收到检修任务后，通过网络发起导航请求，寻找到达位置A的最优路径。在整个过程中，网络在事件源、调度中心、检修人员之间提供信息传输支持，许多其他场景与此类似。
位置挖掘与服务层是矿山目标位置服务的核心，它通过大数据技术，对蕴含在海量数据中的运动模式、对象间时空联系、人-机-物-环时空规律等特征进行挖掘，构建智能掘进、智能采煤、智能运输、智能通风、智能预警、智能决策等与煤炭生产相关的模型库。目前，人们对位置对象层、位置获取层、位置传输层研究得较多，对位置挖掘与服务层则研究的相对较少。算法、算力和数据是人工智能的三大基础，目前，以深度学习为代表的人工智能算法的快速突破，为研究和部署矿山目标位置服务提供了丰富的算法基础；以云计算和边缘计算为代表的计算能力的快速提升，为研究和应用矿山目标位置服务提供了超强的算力支持；以矿山物联网和全息综合感知为代表的数据获取能力的快速发展，则为研究和应用矿山目标位置服务提供了海量的数据支撑。因此，目前已完全具备研究和部署矿山目标位置服务的理论和实践基础。
2 矿山目标位置服务关键技术
矿山目标位置服务的关键是矿井动目标精确定位、矿山位置大数据分析和矿山目标位置服务人工智能算法。
2.1 矿井动目标精确定位技术
矿井动目标定位系统是煤矿必须安装的六大系统之一，提高定位精确度是煤矿安全生产的内在要求。与地面开放环境不同，矿井目标定位需要综合考虑煤矿空间受限、分支多、粉尘高等巷道结构特征，以及生产设备、井下人员、巷道岩壁等因素引起的强干扰问题。地面定位系统多数不能直接用于井下，需要大力研发适合于矿井环境的动目标定位系统。特别地，工作面会随着生产的进行而不断推进，安装在采煤机和液压支架上的定位节点会随着设备的推进而移动，因此定位系统所在的物理空间和通信信道都处于动态变化状态，致使假定物理通信空间不变的定位算法定位效果不佳甚至失效[11]。
矿井动目标精确定位技术的研究需要解决4个关键问题(图2)：基本距离测量，距离测量优化，目标节点(或称未知节点)的位置解算，定位系统研发。
图2 矿井动目标精确定位的技术体系
Fig.2 Technology architecture of precise
localization for mine objects
基本距离测量旨在测量信标节点与目标节点之间的距离。由于基于非距离测量的定位系统精度较低，因此矿井环境通常采用基于距离测量的方法。常见的距离测量方法包括ToA(Time of Arrival)、AoA(Angle of Arrival)、TDoA(Time Difference of Arrival)、PDoA(Phase Difference of Arrival)和RSSI(Received Signal Strength Indication)。ToA和TDoA都是基于时间的测距，ToA有双程ToA和单程ToA之分，而TDoA则有多信号TDoA和多节点TDoA共2种，其中单程ToA和多节点TDoA要求节点之间具有严格的时间同步。AoA通过天线阵列测量信号的到达角度，要求节点具有多条天线。PDoA通过测量节点之间的相位差测量距离，要求同时发射2个不同频率的信号。RSSI通过测量信号的强度测量距离，由于各种节点基本都有信号强度测量能力，因此RSSI测距法尽管精度偏低，但是在矿井中使用得非常广泛。
距离测量优化旨在通过优化的测量方法或滤波手段增强距离测量的精度，主要方法包括：识别并抑制NLOS(Non-Line-of-Sight)信号，在近场区域测量信号的电场成分和磁场成分的相位差进行测距，通过多个信标节点和未知节点进行联合测距，或者利用机器学习进行优化。进一步，可将经典测距方法或优化测距方法的距离测量结果进行滤波处理，使得测距结果更加精确更加稳定。广为使用的是卡尔曼滤波方法，它适用于线性、高斯噪声场合。如果信号是非线性的，可用泰勒公式展开进行线性化，即扩展卡尔曼滤波，但是处理这种方法要求求解雅克比矩阵，因此计算较为复杂；另外，忽略高阶项的方式会引入非线性误差。为此，可用无迹卡尔曼滤波对非线性函数的概率密度进行近似，其核心是通过无迹变换对信号的均值和协方差进行处理。如果信号既不是线性也不满足高斯分布，通常采用粒子滤波进行处理，在处理过程中要特别注意解决权值退化的问题。
目标节点的位置解算旨在利用测距结果求解目标位置，常用方法有三边定位法、三角定位法、最大似然法、最小二乘法、指纹定位法、航迹推算等，其中指纹定位需要有繁琐的指纹库构建过程，且在定位场景发生较大变化时必须重新构建；航迹推算根据目标运动速度和运动方位推算目标的当前位置，需要进行周期性位置校正以解决误差累计的问题。基于这些经典方法，人们提出了很多优化的位置解算方法，比如组合定位、协作定位、机会定位、移动节点辅助的定位、物联网辅助的定位、空间约束辅助的定位、信标漂移场景下的定位等。在这些优化方法中，组合定位融合了各种技术的优势进行联合求解；协作定位借助了多个节点的信息交互进行协作解算；机会定位充分利用了移动节点的移动带来的通信机会进行精度增强；移动节点辅助的定位则在定位场景中部署移动信标，进而利用虚拟信标进行定位；物联网辅助的定位从物联网“物物互联”的崭新角度，借助定位场景中的感知节点提升信标节点数量；空间约束辅助的定位则借助矿井巷道的空间形状与拓扑约束，设计不同于开放空间的定位方法；信标漂移场景下的定位主要用在信标节点因为事故或人为触碰而偏离原来位置的定位场景。
定位系统研发旨在根据矿井定位技术研究成果开发适用于矿井环境的定位系统。从系统模块而言，可将其分成定位芯片研发、定位节点研发、定位软/硬件系统研发、定位通信一体化系统研发等环节。定位芯片即用在定位产业领域的核心芯片，如UWB(Ultra Wide Band)芯片。定位节点指的是单个定位设备，通常包括信标节点和定位标签2大类。定位软硬件系统中的软件指的是矿井定位系统的上位机软件，它除了进行位置解算之外，通常还包括数据库、矿井巷道地图等，甚至还与矿山企业的工资管理系统接口；定位软硬件系统中的硬件指的是除信标节点和定位标签之外的其他硬件，如路由器、各种分站。定位通信一体化系统指的是将定位与通信这两大系统合二为一，目前已成为矿井定位通信系统的一大趋势，比如基于Wi-Fi的定位系统、基于4G或5G的定位系统。国内已有数十种成熟的矿井定位系统，如KJ133A、KJ155、KJ241、KT31A、KJ106、KJ153等，目前的重点是提高定位精度和稳定性，另外一大亟待突破的难题是救灾场景中的人员定位。
2.2 矿山位置大数据技术
大数据旨在利用大量数据研究事件的相互关系(而非因果关系)[12]，它具有5V特征，即Volume、Variety、Velocity、Value和Veracity，分别表示数据量大、数据多样、时效性强、单数据价值低、真实性强。目前，大数据平台已成为煤矿智能化建设的重点内容之一，用于实现重大灾害预警、重大装备故障诊断、煤炭需求与价格预测等。
人员和机车等移动目标的位置大数据是煤炭企业的重要财富。矿山位置大数据的关键是大数据的获取、存储和分析[4,13]，其中位置大数据的获取采用第2.1节的矿井动目标定位系统，辅以设备属性数据(生产厂家、安装位置等)、开采报表数据(掘进数据、开采数据等)、员工班组数据(员工构成、班组安排等)、煤炭经营数据(煤炭交易、物流运输等)、第三方数据(矿山救护队伍位置、可调配物质数量及其位置等)。
位置大数据多是非关系型数据，一般采用NoSQL(Not Only SQL)数据库进行存储，比如HadoopDB、BigTable等列族数据库，MongoDB、RavenDB等文档数据库，Redis、Scalaris等键值数据库，GridGain、Hazelcast等内存数据网格，GraphDB、InfoGrid等图数据库。在NoSQL中，数据是松散的或半结构化的，数据的存储和读取比较灵活，扩展非常方便。与普通数据不同，大数据通常具有较强的时间关联性，而位置大数据还具有很强的空间相关性，因此，应针对煤炭行业位置大数据特点，研究优化的分布式数据存储方法和快速访问查询方法，实现跨业务、跨部门、跨系统的协同应用。同时，应充分运用语义网的最新成果，构建矿山位置大数据快速标注和元数据快速提取方法，为位置大数据的深度挖掘奠定基础。
数据的挖掘和分析是大数据的核心，对位置大数据的研究有助于理解对象移动的动态演化行为和预测未来移动趋势[7]。位置大数据研究有2大热门领域，一是移动模式发现，二是异常模式发现，前者旨在从海量位置数据中提取移动对象的共性特征，后者则是发现数据中的新颖点或例外点。基于移动模式发现，可以发掘员工移动轨迹与生产效率之间的关系，移动轨迹与最佳调度模式的关系，移动轨迹与应急撤离以及应急救援的关系，设备导航与设备群协同作业的规律等。基于异常模式发现，则可以发掘煤矿事故的时空演化关系，移动轨迹与违章作业的关系，事件驱动的协同调度与决策模式，煤炭交易环节的风险预警模式等。
2.3 矿山目标位置服务人工智能算法
传统的矿山信息化建设的最大弊端是信息关联度不够，缺乏智慧大脑，设备和系统没有自学习能力和自决策功能[2]，无法借助智能感知、智能决策和自动控制，实现矿山开采的自感知、自控制和自修正。为此，需借助大数据提供的数据优势、云计算的算力优势和人工智能的算法优势，大力研究感知智能、生产智能和决策智能，用以破解煤矿生产面临的“全息信息感知困难”，“劳动强度大、效率不高、安全事故预警困难”，“重数据获取轻数据应用处理和缺乏企业决策大脑”的难题，保障煤矿的安全生产和可持续发展。
感知智能的重点是研究智能全覆盖技术，实现人-机-物-环的全息感知和生产过程的全透明；研究煤矿井下智能组网与优化传输技术，保证信息的大容量、高可靠传输；研究复杂矿井环境智能组合定位技术，提高生产调度和人员管理水平。特别地，要研究感知智能中的协同感知、聚焦观测、空间属性和演化机理，为矿山目标位置服务提供支撑。
生产智能的重点是研究开采装备精确定位和导航技术，以及复杂煤层自动割煤智能决策与控制技术，为煤矿采掘工作面的少人/无人化开采奠定基础；研究矿井设备群协同控制技术，构建跨流程、跨地点智能协作，保障全生产链效率提升；研究矿井机器人智能自主控制技术，突破多机器人协同作业关键技术，为智能掘进、采煤、运输、巡检等提供支撑。特别地，要研究生产智能中的动态定位、跟踪与导航等位置服务能力，保障时空演化推理和精准反馈控制。
决策智能的重点是研究煤矿大数据特征提取和信息融合理论，构建矿井大数据的本体特征库；研究大数据环境下的煤矿信息物理系统的自主协同与优化控制技术，实现生产过程的连续、可靠、自主、优化运行；研究地下复杂极端环境多物理场耦合的智能安全预警技术，构建突水、火灾、煤与瓦斯突出等重大灾害的分布式监测预警模型，大幅提升煤矿安全等级。特别地，要深入挖掘基于位置的协同决策、控制和优化方法，深化智能煤矿的内涵，拓宽智能煤矿的外延，为煤矿产业链的利益相关方提供更丰富、更透明、更优质的服务。
3 矿山目标位置服务的热点方向
矿山对象的位置属性已逐渐嵌入到智能煤矿建设的各个方面，目前的热点方向主要集中在应急撤离与灾后救援、遥控采煤与无人采煤、矿井位置大数据应用等3大领域(图3)。
图3 矿山目标位置服务的热点研究方向
Fig.3 Hot research directions of mine location service
3.1 应急撤离与灾后救援
煤矿生产一直受到煤与瓦斯突出、突水、矿井火灾等灾害事故的威胁，确定矿工位置则是应急撤离和灾后救援的关键。
1)规划最佳逃生路径。在发生紧急事件时，感知到事件的传感节点必须将事件发生时间、地点、紧急程度快速传播给附近人员，通知其紧急撤离；同时尽快传输到地面控制中心，让决策人员及时了解事件情况和人员分布情况，以便做出救援决策。很多时候，煤矿事件影响的不仅是一个点，而是一段巷道，甚至是多段巷道，比如透水、瓦斯超限等。因此，人员在逃生撤离时不能盲目无序的见路就跑，而应综合考虑巷道坡度、风量风向、障碍物等因素[14]，向着安全区域移动。目前，矿用便携终端的计算和存储能力越来越强，完全可以存储巷道地图，终端能够结合事件的波及范围，给出最佳逃生路线建议。
以图4为例[15]，图中有4条撤离路线：第1条沿着上方的斜直巷道直接撤离；第2条沿着下方的长直巷道直接撤离；第3条是从上方的巷道经中间的联络巷道，从下方的巷道撤离；第4条路径从下方的巷道经中间的联络巷道，从上方的斜直巷道撤离(由于与第3条路径类似，因此未在图4绘出)。实际矿井巷道中，不同的巷道组合所生成的逃生路径可能更多，在众多可选路径中选择最优路径才能快速安全撤离。当然，如果某段巷道发生坍塌，处于该段巷道之后的矿工无论是否能够感知到事件，均无法撤离，只有等待救援。
图4 矿井人员应急撤离示例
Fig.4 Example of miner emergency evacuation
2)确定被困人员位置与救援。事故后的第一要务是救人，准确确定被困人员位置是提高救援效果的必备条件。然而，一旦发生煤矿事故，矿井人员定位系统的定位节点极有可能损毁，通信联络系统的通信线缆极有可能被砸断，使得被困人员位置难以知晓。为了降低次生灾害、有毒有害气体等对救援人员的伤害，在实施救援前可通过救灾机器人、无人机等进行探测。此外，还可通过寻声、寻味、地面钻孔、生命探测仪、热成像仪等技术探测生命迹象。
目前，确定被困人员和实施救援有2大突破方向。一是研究透地通信等穿岩通信技术，帮助救援人员与被困人员实现直接通信，从而了解被困人员的位置与身心状态，并实现被困人员与救援人员的协同救援。二是研究通信网络与定位系统重构技术[16]，借助灾后残存节点，救援人员临时部署的节点，救援人员随身携带的节点，救灾机器人携带的节点，在受灾区域构建起灾后重构网络，用于目标定位、态势感知和救灾信息传输。
3)事故原因分析与追责。事故发生后，组织专家组对灾害源位置、灾害时空演化规律等进行分析调查，对于事故原因分析、事故责任鉴定以及避免同类事故具有重要意义。对易发生灾害的区域进行实时监测和预警，可以降低灾害发生概率和降低灾害损失。事故发生后，通过对监测数据进行挖掘，确定灾害源位置，对于分析事故原因具有重大帮助。
通过对灾前、灾中和灾后环节进行位置大数据分析，可反演事件的时空演化过程，推导灾害的灾变规律。而对于灾后救援过程的复盘，可以分析事故救援策略是否得当，物资调度是否合理，救援执行是否到位等，为矿井灾害救援体系建设提供宝贵借鉴。
3.2 遥控采煤与无人采煤
无人才安全，少人或无人是智能煤矿发展的目标，遥控采煤是无人开采实现前的重要中间方式，设备的精准定位与导航、机器人的协同作业等技术是遥控采煤和无人采煤的必备条件。
1)采掘装备定位定姿与导航。智能煤矿建设应首先提升掘进和采煤工作面的智能化程度，实现装备群的协同推进[3]。掘进工作面是为采煤、运输等工序开掘巷道的第一现场，它集掘进、支护、锚固、运输于一体[6]。基于矿山目标位置服务，可以自动检测掘进装备群的位置和姿态，在此基础上进行多参数感知，优化掘进机的截割轨迹，实现自适应截割、自主纠偏和自适应诊断[17]，进而实现掘进、支护、锚固作业的并行操作和无人化运行。
综采工作面中，工作人员、采煤机、液压支架、刮板输送机密切配合，实现采煤机割煤、液压支架支撑和刮板输送机运煤。借助矿山目标位置服务，可以实现采煤机的自主调高、自主调速、自主推进、自主调直和自主纠偏，液压支架的拉架推移刮板输送机、最佳支护和自适应调控。同时，通过煤岩界面识别技术，可以确定采煤机自动割煤位置和深度。
无人采煤是煤矿开采的长期目标，真正实现还需较长时间，不过国内已经在遥控采煤方面取得了一定成果，主要有视频控制、视距控制和远程控制等遥控方式。综掘工作面的远程控制需进行视觉、状态数据和控制指令的动态交互[18]，并保证作业的有序性和行走、姿态、牵引等环节的协同控制。目前，基于数字孪生技术的综掘综采遥测与遥控技术发展异常迅猛，装备定位和导航的精准性和实时性直接决定着数字孪生体的精确性和操控的正确性[19]。
2)多机器人协同定位与导航。危险岗位、重复性岗位、高劳动强度岗位的机器人化是少人无人开采的必由之路。国家煤矿安全监察局于2019年发布了《煤矿机器人重点研发目录》[20]，共包括掘进类、采煤类、运输类、安控类和救援类38种重点矿用机器人。煤矿机器人一个重要评价指标是其智能化水平，即通过对环境的感知和学习，形成在特定环境下进行判断决策的能力。机器人通过SLAM(simultaneous localization and mapping)技术确定所处位置，并提供预判、导航和纠偏能力，为个体决策和群体协作提供支撑。
多机器人构成的机器人群具有很强的鲁棒性和灵活性，更适合采煤、掘进等复杂任务，其核心是构建在位置感知基础上的多机器人协同感知、协同路径规划、协同任务分配和协同控制[21]。协同感知通过虚拟物理力、有限状态机、环境引导等方式实现机器人的聚集和编队，对生产场景进行协同感知和聚焦感知，并能通过仿生算法、演化算法和扩散方程模拟人群协作感知行为[22]。协同路径规划旨在为机器人寻找一条从起点到终点的最优路径，常用方法有基于图形学的算法，基于仿生学的算法，人工势场法等，在规划过程中通常要与各机器人的服务约束融合考虑。协同任务分配旨在实现机器人编队的任务最优化，主要方法包括博弈法、市场法、智能算法等分布式方法，以及匈牙利法等集中式算法，实际中通常采用分布式算法以适应任务的动态特征。协同控制涉及位置、姿态和决策的协同，比如采煤机器人群所需的协同割煤、移架和运煤等[6]。
3)矿井无人驾驶技术与装备。矿井无人驾驶牵涉到车载终端、云控平台、工程应用等诸多核心环节，其中，车载终端关键技术主要包括车辆的环境感知能力、定位导航能力、V2X通信能力、控制执行能力等；云控平台关键技术主要包括路权控制、地图管理、智能调度、遥控驾驶等；而工程应用则需考虑矿井环境障碍物众多、光照不佳、道路复杂等工程应用难题。以北京某公司开发的无人矿卡为例[23]，通过感知、控制、协同、调度和优化，突破了非结构化道路、轨迹跟踪、会车避撞、精准停靠、无人运输编组等难题，这些技术都必须以精准的位置服务为基础。
矿井电机车的运输量大、运行距离长[24]，是煤矿生产的重要运输设备。井下光线昏暗，机车司机的视线不足，长时间驾驶易导致注意力不集中，从而造成机车相撞等事故，大力研发矿井无人驾驶矿车对于无人煤矿建设具有重要意义。瑞典的基律铁矿、中国的冬瓜山铜矿等进行了无人驾驶试点，不过受制于路况感知、位置检测、定位导航和紧急避障技术的约束，离完全自主自治的无人驾驶还有一定距离。
3.3 矿井位置大数据应用
矿井位置大数据中包含着丰富的特征和规律，矿井位置大数据的挖掘和利用可以显著提升事件的时空演化分析效果、人员和物资调度效率以及矿井的整体智能调度决策效果。
1)事件时空演化规律分析。从采动覆岩裂隙的时空演化到煤与瓦斯突出灾变的时空演变，从大采高综采面的呼吸尘分布到采场围岩变形与破坏过程，从开采区沉陷残余变形到矿区地表移动，煤矿开采对井下和地表的施加着多方面的影响。通过对工作面、采空区、地表等进行综合观测，掌握观测对象的时空演化规律，可为灾害超前探测、开采损害预测、沉陷区综合治理提供重要依据[5]。
以矿区地表移动演化过程空天地联合监测为例(图5)[5]，通过太空的卫星实施遥感监测，低空无人机提取地表信息，地表传感网络进行小尺度观测，可以综合不同观测平台的优势，对矿区地表进行高精度、空间连续、时间一致的全天候全天时监测，为矿区和各级管理部门提供精确的决策数据。在空天地联合监测基础上，融合井下物联网的泛在感知能力，实施空天地井协同观测，可对井下采空区、矿区边坡等进行连续探测与监测，保证开采安全。
图5 矿区地表移动演化过程空天地联合监测
Fig.5 Space-sky-earth joint monitoring of surface
movement process in mine area
2)基于轨迹的调度决策。移动目标的运动轨迹包含着非常有价值的信息。对于井下工作人员而言，其运动轨迹具有周期性和相对固定性，如果出现异常模式，可能意味着违规操作或者有意外事故发生。对于井下无轨胶轮车等车辆而言，其运行路线、运行速度等均具有明显的规律，如果出现异常模式，可能意味着设备故障或意外事故；对于地面物流环节的车辆而言，同样具有类似的特征。
基于对全矿生产现状的认识和对目标轨迹的分析，能够更合理地为各环节安排人员和物资，降低人员和物资来回移动的损耗。在无人采煤模式下，设备群的优化移动模式和设备群之间的时空协同更是科学开采的前提，这均有赖于对历史轨迹数据的规律挖掘和基于这些规律的优化调度。此外，通过对目标轨迹的分析，还有助于预测目标的移动轨迹，帮助机会通信选择中继节点以及中继时机，提高数据传输成功率；在矿山物联网中，可以利用井下移动目标携带无线充电设备为电池供电节点进行无线充电，对目标运动的预测有助于设计优化的移动充电站调度策略，提高无线充电效率。
3)煤矿生产过程一张图。煤矿生产牵涉到“掘进、开采、机电、运输、通风”等多个环节，需要对目标定位、视频监控、安全监测、供排水等子系统进行全方位监控，构建地上地下“一张图”[8]，动态反应人员、设备、环境对生产过程、安全因素、生产决策的影响。煤矿“一张图”需要根据煤矿生产的进行，基于数据源层采集的管理数据、实时数据和历史数据等对“一张图”进行协同更新，保证“一张图”能够准确反映当前的时空特征和生产状态。
目前，“一张图”正与矿山物联网和大数据逐步融合[25]，以便地面人员准确掌握井下人员和装备的分布状况与运动轨迹，对采掘过程进行全程跟踪，对煤矿企业是否越界越层开采进行界定。另外，通过采集巷道掘进、煤炭开采等动态推进数据，并以矢量瓦片的方式表示，可以实现地图的高效渲染和增量更新。在时空数据管理模型的支持下，可以充分表达煤矿开采导致的地物和其他要素的演变过程。
4 矿山目标位置服务的发展趋势
矿山目标位置服务的重要发展趋势是不再从人员定位、装备定姿、灾害源确定等单个需求出发，而是将其作为智能煤矿的一个基础设施，建立具有位置服务功能的通信网络、决策模型库和服务平台。
4.1 构建融合时空属性的泛在一张网
高速可靠的通信网络平台是智能矿山的必备基础设施。根据通信网络所起的作用，可将其分为感知网络、骨干网络和办公网络3种。感知网络主要采用无线网络，比如Wi-Fi网络、ZigBee网络、可见光通信网络等，用于实现装备、人员、环境等信息的采集。随着矿山物联网的快速发展和广泛使用，煤矿巷道中部署的感知节点越来越多，逐渐形成了覆盖全矿井全流程的泛在感知网络。骨干网络主要采用千兆或万兆工业以太网，比如Profinet、Ethernet/IP、EPA等，用于在地面和井下传输音频、视频、监测或控制数据。工业以太网通过抑制冲突、降低冲突概率等方式解决了传统以太网实时性不足等难题，并与地面办公网络的技术一脉相承，兼容性极高。
这种网络建设方式虽然解决了数据的宽带需求，但是却无法提供事件的精确时空属性。缺乏时间属性，骨干网络交换机之间，骨干网络交换机与各分站之间，各分站与传感节点之间将缺乏统一的时间基准。缺乏空间属性，将无法描述网络中事件产生位置、次生事件位置以及位置的空间演化。时空属性缺乏，必然导致事件溯源和因果关系推导困难。
实际上，通信网络完全可以与时空服务完美融合：通过研发具有时间同步功能的交换机、分站和传感节点，可以为全矿井提供精确的时间同步服务；通过将通信网络与定位网络融合，不但可以为所传输的信息提供位置属性，而且可以充分利用通信网络的能力大幅提高定位精度，实现通信与定位相融相长。
4.2 构建融合位置推理的决策模型库
将人工智能与采矿理论、安全理论、通信理论等有机融合，大力研发煤矿领域的决策模型库，是构建煤矿大脑、进行智能决策的必由之路。近年来，随着人工智能算法的突飞猛进，一大批智能算法和系统被开发出来并被成功应用到煤矿现场，比如井下智能钻探、胶轮车智能调度、突水智能预测、液压支架智能移架、采煤智能截割、装备智能预知维护、生产能耗智能调控、应急救援智能调度等，为煤矿的减人提效、安全生产提供了智慧支持。
然而，由于智能煤矿技术发展尚不充分、智能煤矿建设缺少整体规划等原因，现有模型多数是孤立的、显式的，无法进行联动决策，也难以对隐藏在数据和行为背后的规律进行深入挖掘。为此，需从全局视觉入手，对煤炭开采工艺、煤矿生产安全、煤炭生产辅助、企业经营管理各环节进行统一规划，构建融合位置推理的决策模型库。模型库具备强连接性，各模型彼此关联，构建起决策神经网络；模型库具备互操作能力，各模型密切协作，实现基于位置的协同推理；模型库具备自学习能力，数据不完备和数据完备情况下均可学习进化；模型库具备自决策能力，可在用户不干预或少干预情况下完成事件驱动型或任务驱动型决策。
4.3 构建融合位置服务的智能矿山平台
智能煤矿建设以资源化、场景化、平台化为手段[3]，围绕监测实时化、控制自动化、管理信息化、业务流转自动化、知识模型化、决策智能化设计业务应用，从而实现各环节、各场景、各部门的纵向贯通和横向关联。目前，绝大多数矿井通过综合自动化建设构建了一体化管控平台，通过组态软件或自研软件实现子系统的统一监视和操控。部分煤矿构建了大数据中心或云计算平台，对矿山物联网采集的数据进行元数据提取和统一存储管理，同时与采矿工艺、安全理论等行业专家合作开发了部分监测预警模型，并与移动互联网融合，提供了初步智慧矿山服务。
然而，目前的智能矿山平台建设对于位置服务的关注还不够。虽然多数管控平台提供了地理信息服务，但是通常限于人员定位系统等较窄的应用范围，尚未从整体着眼考虑位置信息在智能决策中的作用。无论是正常生产还是应急救援，管理决策层均需要准确掌握可调度的物资、装备、人员的当前位置，可调度对象之间的路径连通情况，生产场景或事件位置的当前状态和演化态势，在此基础上借助融合位置推理的决策模型库进行调度决策。显然，只有充分利用矿山物联网的感知能力、“一张网”的时空属性、决策模型库的关联耦合能力，构建融合位置服务的智能矿山平台，让采矿生产的人、机、物、环清晰生动地呈现在决策者面前，方可实现透明安全开采和智能高效管控。
5 结 论
1)矿山目标位置服务不是孤立的建设动目标定位系统、事件源监测系统、人员装备导航系统或无人驾驶系统，而是将位置属性作为传输平台和决策平台的基本要素，构建起矿山智能服务时空推理决策体系和应用体系。
2)矿山目标位置服务是一种大数据与人工智能驱动的煤矿智能，其框架包括位置对象层、位置获取层、位置传输层、位置挖掘与服务层，需要重点突破动目标定位、矿山位置大数据、矿山目标位置服务人工智能算法等核心技术。
3)矿山目标位置服务的当前热点集中在应急撤离与灾后救援、遥控采煤与无人采煤和矿井位置大数据应用等方面，并向建立具有位置服务功能的通信网络、决策模型库和服务平台等方向发展。
[1] 吴立新，汪云甲，丁恩杰，等.三论数字矿山：借力物联网保障矿山安全与智能采矿[J].煤炭学报，2012,37(3):357-365.
WU Lixin,WANG Yunjia,DING Enjie,et al.Thirdly study on digital mine:serve for mine safety and intellimine with support from IoT[J].Journal of China Coal Society,2012,37(3):357-365.
[2] 王国法，杜毅博.智慧煤矿与智能化开采技术的发展方向[J].煤炭科学技术，2019,47(1):1-10.
WANG Guofa,DU Yibo.Development direction of intelligent coal mine and intelligent mining technology[J].Coal Science and Technology,2019,47(1):1-10.
[3] 王国法,杜毅博,任怀伟,等. 智能化煤矿顶层设计研究与实践[J/OL].[2020-04-25].http://www.chinacaj.net/i,92,430317,0.html.
WANG Guofa,DU Yibo,REN Huaiwei,et al. Top level design research and practice of smart coal mine[J/OL].[2020-04-25].http://www.chinacaj.net/i,92,430317,0.html.
[4] 谭章禄，马营营，袁 慧.煤炭大数据平台建设的关键技术及管理协同架构[J].工矿自动化，2018,44(6):16-20.
TAN Zhanglu,MA Yingying,YUAN Hui. Key technologies and management collaborative architecture of construction of coal big data platform[J].Industry and Mine Automation,2018,44(6):16-20.
[5] 张 凯，李全生，戴华阳，等.矿区地表移动“空天地”一体化监测技术研究[J].煤炭科学技术，2020,48(2):207-213.
ZHANG Kai,LI Quansheng,DAI Huayang,et al.Research on integrated monitoring technology and practice of “space-sky-ground”on surface movement in mining area[J].Coal Science and Technology,2020,48(2):207-213.
[6] 葛世荣.煤矿机器人现状及发展方向[J].中国煤炭，2019,45(7):18-27.
GE Shirong.Present situation and development direction of coal mine robots[J].China Coal,2019,45(7):18-27.
[7] 毛嘉莉，金澈清，章志刚，等.轨迹大数据异常检测:研究进展及系统框架[J].软件学报，2016,28(1):17-34.
MAO Jiali,JIN Cheqing,ZHANG Zhigang,et al.Anomaly detection for trajectory big data:advancements and framework[J].Journal of Software,2016,28(1):17-34.
[8] 毛善君，杨乃时，高彦清，等.煤矿分布式协同“一张图”系统的设计和关键技术[J].煤炭学报,2018,43(1):280-286.
MAO Shanjun,YANG Naishi,GAO Yanqing,et al.Design and key technology research of coal mine distributed cooperative “one map”system [J].Journal of China Coal Society,2018,43(1):280-286.
[9] 胡青松，张 申，吴立新，等.矿井动目标定位：挑战、现状与趋势[J].煤炭学报,2016,41(5):1059-1068.
HU Qingsong,ZHANG Shen,WU Lixin,et al.Localization techniques of mobile objects in coal mines:challenges,solutions and trends[J].Journal of China Coal Society,2016,41(5):1059-1068.
[10] 胡青松，李世银.无线定位技术[M].北京:科学出版社,2020.
HU Qingsong,LI Shiyin. Wireless localization technology[M]. Beijing:Science Press,2020.
[11] 胡青松，吴立新，张 申，等.煤矿工作面定位WSN的部署与能耗分析[J].中国矿业大学学报,2014,43(2):351-355.
HU Qingsong,WU Lixin,ZHANG Shen,et al.Placement of positioning WSN in coal face and energy consumption analysis[J].Journal of China University of Mining & Technology,2014,43(2):351-355.
[12] 孙继平.煤矿事故分析与煤矿大数据和物联网[J].工矿自动化,2015,41(3):1-5.
SUN Jiping.Accident analysis and big data Internet of Things in coal mine[J].Industry and Mine Automation,2015,41(3):1-5.
[13] 李福兴，李璐爔.面向煤炭开采的大数据处理平台构建关键技术[J].煤炭学报,2019,44(S1):362-369.
LI Fuxing,LI Luxi.Key technologies of big data processing platform construction for coal mining[J].Journal of China Coal Society,2019,44(S1):362-369.
[14] 种 丹.基于Floyd算法的矿井避险路线决策系统的设计与实现[D].徐州:中国矿业大学,2019.
ZHONG Dan. Design and implementation of mine hazard route decision system based on floyd algorithm[D].Xuzhou:China University of Mining and Technology,2019.
[15] HU Qingsong,DING Juan,LI Shiyin.A Novel cognitive opportunistic communication framework for coal mines[J].Mathematical Problems in Engineering，2019(5):1-10.
[16] 胡青松，杨 维，丁恩杰，等.煤矿应急救援通信技术的现状与趋势[J].通信学报,2019,40(5):163-179.
HU Qingsong,YANG Wei，DING Enjie,et al.State-of-the-art and trend of emergency rescue communication technologies for coal mine[J].Journal on Communications,2019,40(5):163-179.
[17] 刘送永，张德义.巷道掘进机智能化技术研究现状及展望[J].工矿自动化,2019,45(10):23-28.
LIU Songyong,ZHANG Deyi.Research status and prospect of intelligentization technology of roadheader[J].Industry and Mine Automation,2019,45(10):23-28.
[18] 高旭彬.综掘工作面远程可视化控制关键技术研究[J]. 煤炭科学技术,2019,47(6):17-22.
GAO Xubin.Research on key technology of remote visual control in fully-mechanized heading face[J]. Coal Science and Technology,2019,47(6):17-22.
[19] 吴 淼，李 瑞，王鹏江，等.基于数字孪生的综掘巷道并行工艺技术初步研究[J].煤炭学报,2020,45(S1):130-139.
WU Miao,LI Rui,WANG Pengjiang,et al.Preliminary study on the parallel technology of fully mechanized roadway based on digital twin[J].Journal of China Coal Society,2020,45(S1):130-139.
[20] 国家煤矿安全监察局.煤矿机器人重点研发目录[EB/OL]. [2020-03-01].http://www.ccoalnews.com/201901/10/ c97216.html.
[21] 包翔宇，曹学鹏，张 弓，等.多机器人协同系统的研究综述及发展趋势[J].制造技术与机床,2019(11):26-30.
BAO Xiangyu,CAO Xuepeng,ZHANG Gong,et al.Research review and development trend of multi-robot cooperative system[J].Manufacturing Technology & Machine Tool,2019(11):26-30.
[22] 王伟嘉，郑雅婷，林国政，等.集群机器人研究综述[J].机器人,2020,42(2):232-256.
WANG Weijia,ZHENG Yating,LIN Guozheng,et al.Swarm robotics:a review[J].robot,2020,42(2):232-256.
[23] 北京踏歌智行科技有限公司.矿区无人驾驶整体解决方案[EB/OL]. [2020-03-12].http://www.i-tage.com/A/?L-1331833871.html.
[24] 周菲鑫.煤矿井下电机车无人驾驶测控系统研究[D].合肥:安徽理工大学,2019.
ZHOU Feixin.Research on measurement and control system of unmanned electric locomotive in coal mine [D].Hefei:Anhui University of Science and Technology,2019.
[25] 陈国良.煤矿区“一张图”建设的若干关键技术研究[D].徐州:中国矿业大学,2011.
CHEN Guoliang.Key technologies on“one-chart”construction in coal mining area[D].Xuzhou:China University of Mining and Technology,2011.
