基于深度强化学习的煤矿无轨胶轮车动态路径规划与调度优化研究

摘要

煤矿井下无轨胶轮车的高效调度与安全运输是智能化矿山建设的核心挑战之一。针对巷道环境复杂、动态障碍物频现及通风安全约束严格等问题，提出一种基于深度强化学习的动态路径规划与调度协同优化方法。通过融合巷道拓扑网络、通风参数及动态障碍物模型，构建多维状态空间，并设计多目标奖励函数，实现效率、安全与能耗的协同优化。基于某煤矿实际数据，搭建高保真仿真平台验证该算法的性能。结果表明：相较于传统算法，深度强化学习算法在动态任务插入场景下任务完成率达到92%，平均延迟时间减少30%，路径长度均值降低15%，且碰撞次数与通风违规次数均为0；同时，系统能耗减少18%，负载均衡度提升25%，显著优于传统方法。通过深度强化学习与多智能体协同技术，解决了矿井运输中动态路径规划与调度的耦合优化难题，为复杂巷道环境下的高效安全运输提供了新方案。

关键词

深度强化学习 / 煤矿无轨胶轮车 / 动态路径规划 / 调度优化 / 巷道拓扑网络