Подходы к определению положения механизированной шагающей крепи в горной выработке

DOI: https://doi.org/10.30686/1609-9192-2026-4-147-152

М.С. Никитенко, Д.Ю. Худоногов, С.А. Кизилов
Федеральный исследовательский центр угля и углехимии Сибирского отделения Российской академии наук, г. Кемерово, Российская Федерация
Горная Промышленность №4/ 2026 стр. 147-152

Резюме: Механизированная шагающая крепь, рассматриваемая как мобильный шагающий робот, требует автономного определения своего положения в подземной горной выработке. Однако существующие средства (лазерные дальномеры, лидары, ультразвуковые сенсоры) имеют ограничения: чувствительность к пыли и влаге, температуре окружающей среды. Системные решения по определению положения крепи относительно забоя, почвы и элементов проходческого/очистного комплекса, адаптированные к условиям угольных шахт, отсутствуют. Цель работы заключалась в исследовании эффективности предложенных способов определения положения механизированной шагающей крепи на основе технологий машинного зрения с низкими требованиями к вычислительным ресурсам. Разработан ряд специализированных методик, в частности: 1) определения расстояния до забоя по углу проекции светового маркера; 2) оценки рельефа почвы через выделение пикселей с ярким свечением (алгоритм Ши–Томаси) и построения матрицы высот; 3) детектирования пересечений линий безопасности при помощи построения технической карты положения крепи относительно комбайна с виртуальными границами (функции Clamp/Rake). В результате 1) получены трёхмерные профили высот в пикселях; 2) реализовано детектирование пересечения линии безопасности комбайном слева и справа; 3) представлена обобщённая структурная схема способов определения положения крепи. Совокупность разработанных способов и методов машинного зрения позволяет автоматической системе управления механизированной шагающей крепи осуществлять движение и маневрирование в забое с учётом ситуационной осведомленности. Эффективность достигается за счёт оптимизации алгоритмов, которые нетребовательны к вычислительным ресурсам бортовых ЭВМ.

Ключевые слова: механизированная крепь, шагающая крепь, проходческие работы, автономность работы, автоматизированное управление, машинное зрение, распознавание образов, световой маркер, лазерная сетка

Благодарности: Работа выполнена в рамках государственного задания Федеральный исследовательский центр угля и углехимии СО РАН проект FWEZ-2024-0025 «Разработка научных основ создания автономных и автоматизированных горных машин, оборудования, технических и управляющих систем на базе перспективных цифровых и роботизированных технологий (продление)».

Для цитирования: Никитенко М.С., Худоногов Д.Ю., Кизилов С.А. Подходы к определению положения механизированной шагающей крепи в горной выработке. Горная промышленность. 2026;(4):147–152. https://doi.org/10.30686/1609-9192-2026-4-147-152

Информация о статье

Поступила в редакцию: 19.03.2026

Поступила после рецензирования: 21.05.2026

Принята к публикации: 08.06.2026

Информация об авторах

Никитенко Михаил Сергеевич – кандидат технических наук, доцент, заведующий лабораторией перспективных методов управления горнотехническими системами, Федеральный исследовательский центр угля и углехимии Сибирского отделения Российской академии наук, г. Кемерово, Российская Федерация; https://orcid.org/0000-0001-8752-1332; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Худоногов Данила Юрьевич – научный сотрудник, Федеральный исследовательский центр угля и углехимии Сибирского отделения Российской академии наук, г. Кемерово, Российская Федерация; https://orcid.org/0000-0002-0208-790X; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Кизилов Сергей Александрович – научный сотрудник, Федеральный исследовательский центр угля и углехимии Сибирского отделения Российской академии наук, г. Кемерово, Российская Федерация; https://orcid.org/0000-0003-2554-1383; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Список литературы

1. Pu Y. An analysis of laser distance measuring by different laser rangefinders. Theoretical and Natural Science. 2024;38:235–239. https://doi.org/10.54254/2753-8818/38/20240585

2. Bui X.-N., Drebenstedt C., Nguyen H., Duc N.V., Hieu T.Q., Long N.Q., Ninh L.N. Smart mining - opportunities and challenges for Vietnam’s mining industry. In: Hai T.T. (ed.) Proceedings of the International Workshop on Advances in Surface Mining for Environmental Protection and Sustainable Development-2025 (ASMES-2025), Hanoi, Vietnam, October 17, 2025. Hanoi: Transport Publishing House; 2025, pp. 24–41.

3. Yu X., Marinov M. A Study on recent developments and issues with obstacle detection systems for automated vehicles. Sustainability. 2020;12(8):3281. https://doi.org/10.3390/su12083281

4. Sonawane M.G., Patel N.S. Review of obstacle detection by ultrasonic and laser sensor for automated guided vehicles. In: Pawar P.M. et al. (eds) Techno-societal 2022: Proceedings of the 4th International Conference on Advanced Technologies for Societal Applications. Cham: Springer; 2024. Vol. 1, pp. 985–992. https://doi.org/10.1007/978-3-031-34644-6_101

5. Dunn M., Reid P., Malos J. Development of a protective enclosure for remote sensing applications – case study: laser scanning in underground coal mines. Resources. 2020;9(5):56. https://doi.org/10.3390/resources9050056

6. Tampier C., Mascaró M., Ruiz-del-Solar J. Autonomous loading system for load-haul-dump (LHD) machines used in underground mining. Applied Sciences. 2021;11(18):8718. https://doi.org/10.3390/app11188718

7. Ren Z., Wang L., Bi L. Robust GICP-Based 3D LiDAR SLAM for underground mining environment. Sensors. 2019;19(13):2915. https://doi.org/10.3390/s19132915

8. Богданова К.А. Применение алгоритмов SLAM при построении трехмерной модели подземных горных выработок. Известия Тульского государственного университета. Технические науки. 2021;(2):134–140. Bogdanova K.A. Application of SLAM algorithms for three-dimensional modelling of mine workings. Izvestiya Tulskogo Gosudarstvennogo Universiteta. Tekhnicheskie Nauki. 2021;(2):134–140. (In Russ.)

9. Memon S., Arain R.H., Mallah G.A., Rehman S., Barkat J., Siddiqui M.A. A review on deep learning-based approaches for image dehazing. Spectrum of Engineering Sciences. 2024;2(3):310–328.

10. Su Y., Bu W., Chen J., Li S., Liu M. Design of the autonomous path planning system for mining robots based on stereo vision. In: In: Liu XJ., Nie Z., Yu J., Xie F., Song R. (eds) Proceedings of the 4th International Conference on Intelligent Robotics and Applications (ICIRA 2021), Yantai, China, October 22–25, 2021. Cham: Springer; 2021. Part 4, pp. 596–605. https://doi.org/10.1007/978-3-030-89092-6_54

11. Храмов В.В. Способ описания объектов сцены системы технического зрения робота средствами нечеткой триангуляции Делоне с использованием адаптивной сетки. Современные информационные технологии и ИТ-образование. 2020;16(4):833–840. https://doi.org/10.25559/SITITO.16.202004.833-840 Khramov V.V. A method of describing objects in a scene of a robot vision system by means of fuzzy Delaunay triangulation using an adaptive mesh. Modern Information Technologies and IT-Education. 2020;16(4):833–840. (In Russ.) https://doi.org/10.25559/SITITO.16.202004.833-840

12. Крамаров С.О., Митясова О.Ю., Темкин И.О., Храмов В.В. Методология интеллектуальной навигации для управления автономными подвижными объектами на основе триангуляции Делоне. Горный информационно-аналитический бюллетень. 2021;(2):87–98. https://doi.org/10.25018/0236-1493-2021-2-0-87-98 Kramarov S.O., Mityasova O.Yu., Temkin I.O., Khramov V.V. Delaunay triangulation-based methodology of intelligent navigation and control of mobile objects. Mining Informational and Analytical Bulletin. 2021;(2):87–98. (In Russ.) https://doi.org/10.25018/0236-1493-2021-2-0-87-98

13. Лупенко Н.Л., Богуш Р.П., Чен X. Анализ методов определения абсолютного расстояния до объекта по изображению с одной видеокамеры с использованием нейронных сетей. Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки. 2024;(2):24–33. https://doi.org/10.52928/2070-1624-2024-43-2-24-33 Lupenko N., Bohush R., Chen H. Analysis of methods for distance estimation to an object from a single video camera image using neural networks. Vestnik of Polotsk State University. Part C. Fundamental Sciences. 2024;(2):24–33. (In Russ.) https://doi.org/10.52928/2070-1624-2024-43-2-24-33

14. Дугинов Д.Е. Идентификация размеров объекта с использованием эталонного объекта. Вестник науки. 2021;2(1):52–54. Режим доступа: https://www.вестник-науки.рф/article/3993 (дата обращения: 28.03.2026). Duginov D.E. Identification of object dimensions using a reference object. Science Bulletin. 2021;2(1):52–54. (In Russ.) Available at: https://www.вестник-науки.рф/article/3993 (accessed: 28.03.2026).

15. Mustafah Y.M., Azman A.W., Ani M.H. Object distance and size measurement using stereo vision system. Advanced Materials Research. 2012;622-623:1373–1377. https://doi.org/10.4028/www.scientific.net/amr.622-623.1373

16. Du Y., Zhang H., Liang L., Zhang J., Song B. Applications of machine vision in coal mine fully mechanized tunneling faces: a review. IEEE Access. 2023;11:102871–102898. https://doi.org/10.1109/ACCESS.2023.3317048

17. Черкасов П.В., Никитенко М.С., Кизилов С.А. Обоснование параметров стенда для измерения объема выпускаемой горной массы с использованием машинного зрения и проецирования сетки лазерных линий. Наукоемкие технологии разработки и использования минеральных ресурсов. 2024;(10):120–126. Cherkasov P.V., Nikitenko M.S., Kizilov S.A. Substantiation of the parameters of the stand for measuring the volume of produced rock mass using machine vision and projection of a grid of laser lines. Naukoemkie Tekhnologii Razrabotki i Ispolzovaniya Mineralnykh Resursov. 2024;(10):120–126. (In Russ.)

18. Shi J., Tomasi Good features to track. In: 1994 Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, Seattle, WA, USA, June 1–23, 1994. IEEE; 1994, pp. 593–600. https://doi.org/10.1109/CVPR.1994.323794

19. Mu Z., Li Z. A novel shi-tomasi corner detection algorithm based on progressive probabilistic Hough transform. In: 2018 Chinese Automation Congress (CAC), Xi’an, China, November 30 – December 2, 2018. IEEE; 2018, pp. 2918–2922. https://doi.org/10.1109/CAC.2018.8623648