基于量子粒子群优化的煤矿智能机器人巷道
自主勘测系统设计
刘隆辉， 董 振， 何 卫，张 宁
（新汶矿业集团有限责任公司翟镇煤矿， 山东 泰安 271000）
摘 要：为实现智能机器人在巷道中的高效导航与避障，基于量子粒子群优化（QPSO）算法，设计了煤矿智能机器人
巷道自主勘测系统，硬件部分包含机器人本体、刚性轨道、柔性过渡机构和多传感器系统。软件部分利用QPSO算法实
现全局路径规划和精准避障。设计的系统能够更高效、更安全地完成煤矿巷道自主勘测任务，提升煤矿智能化水平。
关键词：量子粒子群优化；煤矿智能机器人；巷道自主勘测
中图分类号：TP242
文献标识码：A
0 引言
随着煤矿开采向智能化方向发展，煤矿巷道的自
主勘测逐渐成为提升安全性和生产效率的重要环节。
量子粒子群优化（QuantumParticleSwarmOptimization，
QPSO）算法是基于量子力学原理的群体智能优化算
法，具有搜索精度高、收敛速度快、全局搜索能力强等
优势，非常适合用于机器人自主导航的路径规划中[1]。
本研究结合QPSO算法在路径规划上的优势，构建能
够应对复杂巷道环境的自主导航与勘测系统，旨在提
升煤矿巷道勘测的效率和安全性。
1 量子粒子群优化概述
量子粒子群优化（QPSO）是基于量子力学原理的
群体智能优化算法，通过模拟量子行为提高了传统粒
子群优化（PSO）算法的全局搜索能力和收敛速度。
QPSO将粒子的位置和速度替换为量子状态函数，用
波函数描述粒子位置的概率分布，并利用测量波函数
实现粒子位置的随机采样，能够在更广泛地搜索空间
中跳跃式采样，减少陷入局部最优的概率，增强了算
法的鲁棒性。在煤矿巷道自主勘测中，量子粒子群优
化算法可实现智能机器人的自主路径规划和环境适
应，使其在复杂、多障碍环境中快速找到最优路径，避
免碰撞、坠落等风险，实现高效、安全的自主勘测。
2 基于量子粒子群优化的煤矿智能机器人巷道自主
勘测系统设计
2.1 勘测机器人硬件设计
勘测机器人硬件设计基于煤矿巷道环境需求，主
要由机器人本体、刚性轨道、柔性过渡机构和轨道固
定结构组成（见图1）。机器人本体配备多传感器系
统，用于实时采集巷道环境数据，实现高精度的感知
和定位。刚性轨道作为机器人运动的主要支撑结构，
确保在复杂地形中保持平稳和精准的行进路线。柔性
过渡机构设置在刚性轨道之间，能够适应巷道的不规
文章编号：2095-0748（2025）06-0073-02
则变化，提供必要的柔性连接，以减小振动冲击对机
器人精度的影响。轨道固定结构牢固地将轨道系统安
装在巷道墙壁或地面上，使机器人在复杂煤矿环境中
具有较强的适应性，同时确保路径规划的精度和勘测
数据的可靠性。
轨道固连机构
机器人本体
柔性过渡机构
刚性轨道
图1 勘测机器人结构
2.2 勘测系统软件设计
2.2.1 煤矿巷道环境建模
环境建模采用激光雷达与惯性测量单元（IMU）
进行多传感器数据融合，以实现高精度同步定位与三
维地图构建。激光雷达以10Hz采样频率生成点云数
据，测距范围0.3~100m，角度分辨率0.2°，确保精细
化空间分辨率。IMU输出100Hz的加速度与角速度
数据，为姿态估算与轨迹跟踪提供必要信息。数据融
合过程基于扩展卡尔曼滤波器（EKF）实现激光雷达
与IMU数据的时序同步，补偿机器人运动引起的位
姿误差。经RANSAC算法滤除噪声点后，通过误差阈
值为0.02m的ICP算法实现点云匹配拼接，保证点
云数据的纯净性与高精度[2]。
处理后的点云以分辨率0.05m存储于八叉树
（Octree）结构中，进行分层空间管理，优化存储与访问
效率。为满足动态环境需求，系统构建多线程并行处
理框架，分别用于数据采集、环境建模及实时更新，使
三维地图更新频率达到15Hz，并能及时整合环境变
化数据。
2.2.2 障碍物避障检测
人工势场法通过构建引力和斥力场来引导机器
人路径选择，引力场将机器人吸引至目标位置，斥力
场在机器人接近障碍物时产生排斥力，防止碰撞（见
图2）。
障碍物影响范围
障碍物1
斥力2
机器人
斥力合力
斥力1
图2 人工势场原理
目标点
引力
障碍物2
目标位置对机器人施加引力，使其朝目标方向移
动。引力函数定义如下：
Fattractive
=- katt
（x-xgoal
，y- ygoal
）.
（1）
式中：katt
为引力系数；（x，y）为机器人当前位置；xgoal
，
ygoal
为目标位置。引力的大小随着机器人距离目标的
接近而逐渐减小，使机器人逐渐靠近目标。障碍物对
机器人施加斥力，避免机器人靠近障碍物。斥力函数
定义如下：
■
Frepulsive
= η 1
|
|
|
■
dobs- 1
d0
( )·1
dobs
|
|
|
■
0→ifdobs
>d0
2
·x-xobs
，y- yobs
( )→ifdobs
≤d0
.
（2）
式中：η为斥力系数；dobs
为机器人与障碍物的距离；d0
为斥力的有效距离阈值。当dobs
≤d0
时，斥力会急剧增
大，从而强烈排斥机器人远离障碍物；而当dobs
>d0
时，
斥力为零。
机器人在每一步中，将引力和斥力进行矢量相
加，得到合力方向：
Ftotal
=Fattractive
+Frepulsive
.
（3）
通过调整katt
和η的值，可以控制机器人对目标
的吸引力度和对障碍物的排斥力度。机器人根据合力
Ftotal
的方向移动，避开障碍物的同时朝向目标行进。
当机器人接近目标点时，合力趋于0，机器人逐
渐停止，实现避障的同时完成勘测任务。人工势场法
简单有效，适合于静态障碍物环境，但在多障碍复杂
场景中可能出现“局部极小值”问题，需要配合量子粒
子群优化（QPSO）算法改进避障效果。
2.2.3 机器人自主导航定位
机器人自主导航定位是煤矿巷道自主勘测系统
的核心模块，QPSO算法基于量子力学原理，通过引入
量子态和概率波函数增强传统粒子群优化算法的全
局搜索能力和收敛速度，使得机器人在复杂环境下能
够找到最优路径[3]。
首先将机器人导航问题建模为一个全局优化问
题，每个粒子代表一个从起始位置到目标位置的候选
路径。假设粒子群规模为50，设定每个粒子的初始位
置、方向和速度在可行空间内随机生成。QPSO算法的
每一代迭代过程中，粒子的位置xi
根据以下公式更新：
xi
=Pi
±L· M-xi
·ln 1
u
( ) .（4）
式中：Pi
为粒子当前的历史最优位置；M为全体粒子
的全局最优位置；L为收缩- 扩展因子，初始值为1.5
并随着迭代逐渐减小；u为［0，1］范围内的随机数，用
于模拟粒子在搜索空间内的跳跃，确保全局搜索能
力。为了评价路径的优劣性，定义适应度函数f（x）f
（x）f（x）来综合考虑路径长度、安全性以及避障需求：
i=1
f
（x）=α·dgoal
+β·dobstacle
+γ·
Σ||xi+1- xi
||.
（5）
N
式中：dgoal
为粒子终点与目标位置的距离；dobstacle
为路
径上最近的障碍物距离，确保路径的安全性，权重系
数设置为α=0.5、β=0.3、γ=0.2，以平衡路径长度与避
障要求。
在每一代迭代中，每个粒子根据适应度函数的结
果更新位置，逐步靠近全局最优路径。经过数次迭代
后，QPSO算法会逐渐收敛到最优路径，该路径既避免
了障碍物，又尽量缩短到目标的距离[5]。这条全局最
优路径最终反馈给机器人系统，使机器人在煤矿巷道
中遵循最佳路径，实现自主导航与避障（见图3）。
目标方向
最优路径
机器人
障碍物
图3 机器人运动轨迹
3 结语
基于量子粒子群优化（QPSO）算法的煤矿智能机
器人巷道自主勘测系统实现了复杂巷道环境下的自
主导航、障碍物检测与避障和高精度环境建模。QPSO
算法在路径规划中的应用显著提升了机器人在动态
环境中的全局搜索能力和适应性，动态窗口法
（DWA）为避障过程提供了实时的速度和路径优化，
确保机器人在多障碍环境中安全行进。
