煤矿井下环境复杂多变，昏暗多尘，传统的人工驾驶不仅效率低下，而且安全隐患重重。一旦发生事故，后果不堪设想。因此，将自动驾驶技术应用于无轨胶轮车，成为提升煤矿运输安全性和效率的重要途径。然而，现有的自动驾驶技术大多依赖于摄像头获取视频画面和激光雷达进行避障，但在煤矿井下这一特殊环境中，这些技术往往难以全面识别影响行驶的各类物体，导致自动驾驶控制的可靠性大打折扣。

针对上述痛点，该专利提出了一种全新的无轨胶轮车自动驾驶控制方法及装置，其核心在于多模态感知与智能决策的结合。具体来说，该方法主要包括以下几个关键步骤：

1.红外与可见光图像融合

无轨胶轮车上安装有红外相机和RGB相机，分别采集行驶方向的红外图像和可见光图像。通过预设的特征匹配算法（如SURF算法），对这两种图像进行配准融合，生成融合图像。这一步骤有效减少了眩光对图像成像效果的影响，增强了图像细节，使得后续处理更加准确可靠。

2.点云数据采集与障碍物识别

同时，无轨胶轮车还配备了激光雷达，用于采集行驶方向视野范围内的点云数据。将融合图像与点云数据输入预先训练好的障碍物识别网络中，该网络基于大量融合图像样本和点云数据样本训练得到，能够准确识别出视野范围内的障碍物信息，包括巷道路面、巷顶附着物、岩壁及其附着物，以及巷道中的其他障碍物。

3.可行驶范围确定

根据识别出的障碍物信息，系统能够动态计算出无轨胶轮车的可行驶范围，为后续的行驶策略制定提供基础。

4.交通标志识别与行驶策略制定

除了障碍物识别外，系统还能从可见光图像中分割出交通标志牌图像，通过预设的特征提取算法和词袋模型，提取标志牌图像的特征向量，并输入训练后的交通标志识别模型中，得到交通标志的指示信息。基于这些信息，系统结合无轨胶轮车的行车要求，建立驾驶环境模型，并利用强化学习算法从多组可行行驶策略中筛选出最优行驶策略，包括速度控制、行驶路径规划和转向角度等。

多模态感知融合：该专利的最大亮点在于将红外图像、可见光图像和点云数据进行了深度融合，实现了对煤矿井下复杂环境的全方位感知。这种多模态感知方式不仅提高了障碍物识别的准确性，还增强了系统对交通标志等关键信息的识别能力，为自动驾驶提供了更加可靠的数据支持。

智能决策算法：通过引入强化学习算法，系统能够根据实时感知到的环境信息，动态调整行驶策略，实现最优决策。这种智能决策方式不仅提高了无轨胶轮车的自动驾驶水平，还使得车辆能够更好地适应煤矿井下的复杂路况和特殊行车要求。

高可靠性：针对煤矿井下环境昏暗多尘的特点，该专利通过图像融合和点云数据处理技术，有效克服了传统自动驾驶技术在复杂环境下的局限性，显著提高了自动驾驶控制的可靠性。这对于保障煤矿运输安全、减少事故发生具有重要意义。

易于部署与扩展：该专利提出的自动驾驶控制方法及装置基于现有技术进行集成创新，易于在煤矿井下无轨胶轮车上进行部署和实施。同时，随着技术的不断进步和数据的不断积累，该系统还具有良好的扩展性和升级空间，能够持续适应煤矿运输的新需求和新挑战。

随着煤矿智能化转型的加速推进，无轨胶轮车的自动驾驶技术将成为提升煤矿运输效率和安全性的关键力量。该专利的提出不仅为无轨胶轮车的自动驾驶提供了全新的解决方案和技术支撑，更为煤矿智能化转型注入了新的活力和动力。它以多模态感知与智能决策为核心技术亮点，为煤矿辅助运输带来了新的启发。