Ubemannet laster
Med utvikling og anvendelse av 5G-teknologi og ubemannet kjøreteknologi har gruvebiler, ubemannet kjøring og underjordiske elektriske lokomotiv ubemannede kjøreteknologier blitt brukt i bruk. Underjordisk ubemannet laster har funksjonene til automatisk å føle underjordisk miljøinformasjon, datainnsamling, autonom og presis navigasjon, konstruksjon av gruvekart og automatisk baneplanlegging. Den enkle ubemannede lasteren som ble lansert av Sandvik av Sverige for automatisert laster og lastebil, kan oppnå halvautomasjon av alle drifts- og overvåkningsfunksjonene til lasteren, og har blitt brukt i underjordiske gruver. [15]
Bøttebane -teknologi
Metodene for å studere kontroll av bøttebaner inkluderer posisjonskontroll, atferdsbaserte metoder, impedansekontroll, inngangskontroll, kunstig intelligensmetoder og forsterkningsmetoder. I henhold til forskjellige kontrollmetoder er metoder for kontrollbaner i bøtter delt inn i to kategorier.
(1) Bøttebanekontroll basert på tilbakemelding av kraft: Den automatiske belastningsprosessen krever klar måling av objektvariabler og kontroll av objektvariabler for å gjøre det mulig for lasterbøtten å utføre utgravningsoperasjoner på kortest tid og laveste forbruksbane. Denne metoden er egnet for å laste ensartede materialer.
(2) Læringsbasert bøttebanekontroll: Fra 1980 til 1987 innledet kunstig intelligens (AI) teknologi i en gullalder. I 1996 gjennomførte USA en simulert robot autonom utgravningstest i et uforutsigbart uklar miljø. Resultatene viste at utgravningseffekten var sammenlignbar med en menneskelig operatør, men det var verre enn en menneskelig operatør når det gjelder utgravningstid og effektiv belastning. Sveits, USA og andre land har studert anvendelsen av maskinlæring i bøttebanenes kontroll av skrapere og oppnådd gode resultater under spesifikke miljøer og forhold.
