摘 要

煤矿井下作业面环境复杂、安全风险高、传统人工作业模式困境凸显。聚焦于数字孪生与具身智能技术在煤矿井下辅助作业的深度融合应用，通过构建智能矿井数字孪生平台，运用高效三维重建、多模态同步定位与建图(SLAM)等技术，实现煤矿井下真实场景到虚拟空间的精准映射；借助数字孪生驱动的智能体操作训练、巡检导航训练体系，让具身智能体掌握复杂工况下的作业技能与自主决策能力。

煤矿井下作业环境复杂，安全风险高，传统人工作业模式面临招工难、成本高等挑战。虽然已有煤矿机器人在井下应用，但依然不能在危重岗位完全减人，部分工序仍需要人工参与，工人面临吸入粉尘、负重作业等风险。

数字孪生通过构建物理世界的虚拟映射，实现设备状态实时监控与故障预警；具身智能依托机器人技术，完成危险、重复任务的自主作业。两者结合可形成虚实联动、自主决策的智能系统，提升煤矿生产的安全性与效率。笔者结合最新行业实践，探讨该技术体系的应用现状、关键技术及未来发展方向。

01、智能矿井数字孪生平台构建

智能矿井数字孪生平台整体框架（图1）是实现数字孪生与具身智能融合应用的基础，核心在于构建高精度、实时动态的虚拟镜像，为后续具身智能设备的高效运行和矿井数字化管理提供可靠支撑。该平台主要通过虚实映射、智能体训练体系搭建以及数据交互协同机制的完善3大关键环节实现。

图1 智能矿井数字孪生平台整体框架

在虚实映射环节，三维重建与多模态SLAM技术的协同应用，精准还原煤矿井下复杂环境，为确保平台具备强大的智能决策与动态响应能力，需同步完善数据交互协同机制，搭建数字孪生驱动的智能体训练体系，形成完整的技术闭环。

矿井数字孪生平台构建了虚实映射的双重空间体系如图2所示，在真实矿井端，完整复刻巷道布局，包括操作机器人、无人装载平台、巡检机器人和环境监测传感设备；在虚拟矿井端，通过三维建模、传感器数据实时传输、物联网协同等技术，构建与物理实体一一对应的高精度仿真环境，形成动态映射的数字孪生体。

图2 矿井虚实映射的双重空间体系

矿井数字孪生平台基于虚实互映射和数据流共时互传机制，利用多源异构数据融合算法，实现物理设备数据与虚拟模型的实时同步更新，具备设备状态监测、故障预测及生产流程优化等功能，通过双向数据交互与反馈控制，构建起物理世界与数字世界协同运行的智能决策系统，为矿井智能化作业提供可靠的技术支撑。

1.1 基于三维重建技术和多模态SLAM技术的虚实映射

矿井虚拟化过程通过搭载激光雷达、高清视觉相机、惯性导航模块（IMU）的移动智能体平台，对矿井巷道、采掘工作面等关键区域进行立体化数据采集。激光雷达以高密度采样构建厘米级精度点云模型，高清相机融合点云数据捕捉矿井环境纹理细节，惯性导航系统实时记录平台运动轨迹。各传感器数据经时间戳同步后，通过多模态SLAM算法在边缘计算单元中完成实时地图构建与位姿优化，将井下复杂环境从真实场景快速迁移至虚拟空间。

基于Fast-livo2的多传感器融合三维重建框架（图3）是一种基于激光雷达和惯性导航模块（IMU）的紧耦合SLAM框架，核心优势为通过因子图优化，实现高精度定位与建图。在煤矿井下应用中，将激光雷达获取的点云数据与IMU提供的姿态信息深度融合，克服井下光照不足、环境特征单一等难题。利用基于图优化的后端处理算法，Fast-livo2对前端构建的局部地图进行全局优化，消除累计误差，生成全局一致的高精度地图，为后续具身智能设备的路径规划和作业任务提供精准的环境模型支持。

图3 基于Fast-livo2的多传感器融合三维重建框架

（1）多传感器融合框架

Fast-livo2采用误差状态迭代卡尔曼滤波器（ESIKF）构建紧耦合框架，融合激光雷达与惯导数据。针对两者维度差异，运用顺序更新策略：首先利用激光雷达点云更新状态获取位姿初值，再用视觉图像修正光照和纹理误差，降低算法优化的计算复杂度，保证井下机器人建图与导航的实时性。该方法摒弃传统SLAM特征提取的处理模式，通过激光雷达直接配准原始点云和视觉模块基于光度误差对齐图像，减少计算耗时，在弱纹理和低光照环境下表现出更优的鲁棒性。

（2）统一的体素地图管理

通过体素化处理激光雷达数据，并与视觉像素特征建立映射关系，构建兼具几何精度和纹理细节的体素地图，实现多视角彩色地图的优化；根据视差和纹理梯度指标筛选高质量图像块作为对齐基准，并实时调整曝光参数，确保在复杂光照条件下的地图构建精度。

（3）鲁棒性增强设计

针对井下遮挡盲区导致关键区域数据缺失的问题，采用按需光线投射技术自动生成虚拟点云，补充三维信息，避免定位与建图功能失效；利用激光雷达点云拟合平面特征，并将其作为视觉对齐的几何约束，在仿射变换优化过程中引入平面先验信息，提升井下平面区域视觉定位的准确性。

通过该方法构建的高精度虚拟模型，真实还原井下环境的几何结构特征，通过图像与点云映射的方式，将巷道壁面的裂缝等纹理信息完整呈现。基于多传感器融合真实场景三维重建如图4所示，在办公室场景模拟巷道，对场景进行三维重建和高精度建图。利用多传感器融合的三维重建技术能够将场景虚拟化，还原现实场景中的纹理。

图4 基于多传感器融合真实场景三维重建

随着矿井挖掘，数字孪生平台结合煤矿井下环境的动态变化特性，系统支持实时更新与修正地图。当巷道出现掘进延伸或者设备布局调整等情况时，智能体可快速感知环境变化，自动更新地图数据，保证虚拟模型与物理世界的高度一致性，为具身智能设备的精准作业筑牢环境感知根基。

1.2 数字孪生驱动的智能体操作训练

基于数字孪生模型构建的虚拟训练环境，深度复刻了煤矿井下复杂多变的真实作业场景。运用高精度三维建模技术，将巷道结构、设备布局、地质条件等要素，以1∶1的比例进行数字化映射，为具身智能体提供逼真的训练空间。在训练过程中，借助强化学习算法与模仿学习算法，智能体通过不断试错与学习，逐步掌握复杂工况下的作业技能。

喷浆作业是1项重要的井下作业项目，具有加固井壁和提高井巷抗渗性的作用。通过数字孪生技术将喷浆场景虚拟化，喷浆机器人可通过强化学习的方式在虚拟空间中不断试错，进行喷浆技能训练来掌握喷浆技能。也可通过在虚拟空间中自动化生成大量多种模态数据和遥操作数据，通过多种模态数据，实现喷浆机器人对环境的准确感知结合遥操作数据，使喷浆机器人掌握对不同类型的喷涂区域的感知并调整喷涂方式的智能喷涂操作，喷涂机器人进行喷浆作业如图5所示。

图5 喷涂机器人进行喷浆作业

（1）基于数字孪生的具身智能强化学习

在实验室环境下利用优傲机器人模拟井下喷浆作业情形。在喷浆机器人的强化学习训练过程中，智能体从初始的随机动作开始，在数字孪生模拟的喷浆场景中，根据不同巷道壁面条件、喷浆厚度要求等环境状态，尝试不同喷浆角度、压力和移动速度，在实验室模拟喷涂环境下的具身智能强化学习如图6所示。

图6 在实验室模拟喷涂环境下的具身智能强化学习

喷浆机器人每执行1次动作后，系统依据喷涂厚度、覆盖程度等设定的奖励机制给予反馈，若喷浆均匀、符合厚度标准则获得正向奖励，反之则给予负向反馈。智能体通过不断调整自身策略，逐步掌握在复杂工况下精准控制喷浆操作的技能，从生疏到熟练，最终实现高效、稳定的喷浆作业。

（2）基于多模态数据融合的具身智能模仿学习

在矿井数字孪生平台的闭环训练体系中，通过部署多种传感器，实时采集工人喷涂作业时的三维空间轨迹、肢体运动姿态等多源异构数据，用于喷涂机器人的模仿学习训练。基于多模态的专家数据采集与具身模仿学习如图7所示。

图7 基于多模态的专家数据采集与具身模仿学习

工人通过手持遥操数据采集设备进行数据采集，采集需要喷涂区域的数据、机器人喷涂轨迹以及工人操作机器人等多种数据，包含视觉图像序列、空间坐标向量的多模态数据经过时空对齐、特征编码处理后，构建为标准化的专家示范数据集。

借助模仿学习算法，喷浆机器人通过行为克隆、扩散模型等策略，精准复刻工人在复杂巷道壁面喷涂时的轨迹规划、料浆流速控制、喷枪倾角调整等操作技巧，实现从感知输入到动作输出的端到端映射，解决传统编程控制难以应对的非结构化作业场景适应性问题。智能化喷浆作业如图8所示，机器人通过外部传感设备识别待喷涂区域，随后进行喷涂路径规划并开展喷涂作业。

图8 智能化喷浆作业

1.3 数字孪生智能体巡检导航训练

（1）数据采集与生成

松林移动平台通过模拟巷道场景利用多传感器进行数据采集，搭载速腾激光雷达实现200 m距离感知，搭载融合惯导的D455相机采集矿井巷道纹理数据，搭载多传感设备的松林移动平台如图9所示。

图9 搭载多传感设备的松林移动平台

基于构建的数字孪生模型，自动生成大量带有精确标注信息的虚拟训练数据，包括不同光照条件、复杂障碍物分布、多样化巷道结构等场景变化，此类虚拟数据与真实环境采集的数据相结合，形成丰富的训练数据集，减少了人工数据采集和标注的工作量。

通过在虚拟环境中大量仿真训练，导航算法学习到多种复杂场景下的最优路径规划策略，并通过真实数据微调适应实际井下环境的特殊性，提高具身智能模型在真实场景中的适应性和鲁棒性，为井下自主导航奠定坚实的技术基础。

（2）导航算法训练

移动平台导航分为基于鸟瞰图（BEV）感知算法训练与导航决策算法训练2大核心模块。BEV算法训练采用海量煤矿井下点云数据与视觉图像构建训练集，通过Transformer结构将多视角图像转化为BEV表征，移动机器人实时感知巷道轮廓和障碍物等环境空间信息；导航决策算法基于深度强化学习框架，融合煤矿井下作业安全规范与动态环境约束，构建多目标优化函数（如路径最短、避障优先级、能耗最低），在模拟巷道环境中进行仿真训练，实现复杂工况下的自主路径规划与动态避障决策。

（3）多智能体联合训练

数字孪生平台构建的虚拟仿真环境，建立多智能体间实时数据链共享机制，通过分布式强化学习算法，实现巡检机器人异构智能体的协同训练，提高训练效率。在训练过程中，系统基于矿井地理信息模型，对巷道结构、设备布局、风险点位等要素进行模拟，使智能体在复杂场景下不断优化决策策略。当智能体完成训练部署后，可根据预设任务指令与动态环境感知，自主规划巡检路径，通过数据交互实现跨区域、跨层级的联合巡检作业，提高智能体自主化决策水平和巡检效率。

02、数字孪生应用场景

2.1 智能巡检与安全监测

巡检机器人搭载多种传感器与图像识别系统，沿预设路径对矿井巷道、设备表面进行全覆盖巡检，漏喷涂区域巡检如图10所示。通过成像技术，精准识别喷涂区域的色差、厚度等参数，实时标注漏喷涂区域，并利用三维建模技术生成喷涂质量热力图。对于喷涂厚度不足、表面不平整等质量缺陷区域，机器人自动标记定位，同步上传检测数据至数字孪生平台，为后续补喷作业提供精确指导。搭载气体传感器和湿度传感器等设备监测矿道环境，确保矿井生产安全。

图10 漏喷涂区域巡检

2.2 无人化作业

掘进机器人通过数字孪生模型规划路径，实现巷道自动掘进与支护，提升作业效率。智能凿岩设备通过扫描生成岩壁“数字地图”，以高精度完成钻孔作业。在无人化作业场景中，掘进机器人根据数字孪生模型提供的巷道设计参数和地质信息，自动规划掘进路径，控制掘进速度和方向。利用传感器实时监测掘进过程中的各项数据，动态调整掘进策略，确保作业质量和效率，减少人工干预，降低劳动强度和安全风险。

2.3 物资智能运输与仓储管理

井下物资运输路线长、环节多，传统运输方式效率低且易出错。利用数字孪生技术构建井下物资运输与仓储的虚拟模型，实时监控物资位置、数量及仓储环境。具身智能输送机器人可根据生产需求和数字孪生系统的调度指令，自动规划最优运输路线，将物资精准运输至指定地点。在仓储环节，智能机器人能对物资进行自动盘点、分类存放，通过图像识别和物联网技术，实时更新物资库存信息，实现物资高效管理，降低人工搬运成本和物资管理误差。

03、结 语

数字孪生与具身智能技术的融合，为煤矿井下辅助作业带来了智能化提升。通过构建智能矿井数字孪生平台，运用三维重建、多模态SLAM等关键技术实现虚实映射，结合数字孪生驱动的智能体操作与巡检导航训练，形成了完整的技术体系。在实际应用中，智能巡检与安全监测、无人化作业、物资智能运输与仓储管理等场景，充分展现出该技术在提升煤矿安全生产水平、作业效率及资源利用率方面的巨大潜力。

#数字孪生 #具身智能 #SLAM #智能巡检 #智能运输 #智能仓储管理 #无人化作业

文章来源：《智能矿山》2025年第11期“矿山机器人技术创新与实践特刊”

第一作者：王圣霖，博士后，主要从事具身智能、数字孪生、工业场景智能化等方面的研究工作。Email： wangshl01@pcl.ac.cn

作者单位：鹏城实验室

引用格式：王圣霖，刘凌波，赵子莹.数字孪生驱动的具身智能及在煤矿辅助作业场景的应用展望[J].智能矿山，2025，6(11)：106-112.