当前阶段，我国煤炭开采以井下井工开采为主，占比高达 90%，平均开采深度接近 500 米，复杂的地质条件使得瓦斯、顶板、水害等灾害风险先天突出。而矿山自动驾驶与具身智能技术，作为 “少人则安、无人则安” 理念的终极技术支撑，其核心价值正是将人员从井下直接暴露于风险的作业场景中彻底移除，从 “人在场域避险” 转向 “设备替人作业” 的本质安全形态。
本报告以特别重大事故为安全逻辑原点，结合国家矿山智能化强制政策、行业头部矿区规模化落地的技术实践与可验证的工程参数，系统阐述矿山自动驾驶与具身智能技术在重构矿山安全防线、提升作业效率、规避事故中的核心价值；完整呈现从井下初级智能化工作面的基础人机替代，到采掘环节具身智能的全流程自主作业，再到无人矿卡实现 “最后一公里” 全场景闭环运输的全层级技术框架；深入解析 AI 技术如何破解矿山非结构化地质场景下的自适应作业难题，为行业以技术手段遏制重特大事故提供可落地的技术路径与决策参考。
1.矿山安全的沉痛现实：事故刚性风险与技术替代必然性
当前阶段，煤炭开采业用工达250万人，其中约40%的人员从事井下一线工作。
由于开采过程中地质条件复杂多变，工作高度非标，导致采煤行业存在大量用工需要。由国家统计局数据，截至2025 年 5月，煤炭开采和洗选业规模以上工业企业的平均用工人数为252万人，占总体制造业人数的4%。我们通过设备保有量、煤炭产量占比、项目招标书人员需求量等数据，对从业人员数量进行拆分，开采/地面运输/洗选流程从业人员数量分别为 200/24/28 万人，其中，开采环节中地下开采/露天开采从业人员数量分别为160/40万人。对地下开采人数进行拆分，其中一线回采/掘进工作面从业人员数量分别为14/43万人，加上一部分服务队和准备队也需要下井，井下一线工人的数量或在100万人左右的量级。
图表1： 煤炭开采和洗选业从业人员数量拆分
煤矿开采近年来的政策更加倾向于“无人则安”，政策硬指标要求深入推进矿山智能化。我国煤炭资源多数埋藏较深，全国地下开采方式的煤矿数量占比超过90%，250万煤炭开采业工人中有约100万人从事有一定危险性的井下一线工作。我国煤层赋存条件复杂且埋深较深，开采过程面临地质环境极端不稳定的问题，导致采煤事故时有发生。24年4月，国家矿山安监局等7部门联合印发《关于深入推进矿山智能化建设促进矿山安全发展的指导意见》，要求至2026年，全国煤矿智能化产能/智能化工作面数量占比不低于60%/不低于30%。
图表2： 煤矿智能化建设政策梳理
1.1.矿山自动驾驶 / 具身智能的安全价值逻辑：从 “人在场域避险” 到 “设备替人作业” 的本质安全重构
矿山自动驾驶与具身智能技术，并非简单在现有生产流程中增加智能设备的 “效率优化型” 技术工具，而是以 “全环节技术替代” 为核心，对矿山安全生产逻辑进行系统性重构的 “生存必须型” 技术方案 —— 其核心逻辑，是将 “人工作业、人员现场值守” 的传统矿山生产形态，彻底重构为 “设备自主作业、人员远程监控” 的本质安全形态，这也是从根源上消除矿山安全伤亡风险的唯一可行路径。
从安全逻辑层面看，这两类技术的核心价值，共同构成了 “减人 - 隔险 - 闭环控险” 的三重安全防护体系，其价值逻辑可以拆解为三个层级：
l直接减人，将人员从风险场域中彻底移除：这两类技术的首要价值，是将井下采掘、运输、巡检等高风险岗位的作业人员数量压缩至安全阈值内，甚至实现部分岗位的无人化作业。以国家能源集团的初级智能化工作面标准为例，通过智能化改造，井下综采工作面的单班作业人数，从传统人工模式下的 15 人以上，直接压缩至 5 人；而在中级智能化工作面中，这一数字进一步降至 3 人；到高级智能化阶段，工作面可以实现完全无人常态化作业。人员的大量减少，意味着事故发生时的伤亡概率大幅降低。
l隔离风险，以设备作为物理屏障阻断风险传导路径：矿山具身智能装备具备远超人体的环境耐受能力，其防护架构完全覆盖煤矿井下的粉尘、水雾、强电磁场等复杂恶劣作业环境，能够在瓦斯超限、顶板变形、透水预兆等直接危及生命的风险场景中稳定执行任务，替代人工进入这类风险区域作业。这相当于在 “风险区域” 与 “作业人员” 之间，建立了一道智能设备组成的物理屏障，将风险对人的直接伤害彻底屏蔽。
l闭环控险，将安全管理从 “被动处置” 转向 “主动防控” ：这两类技术的协同配合，能将矿山的安全生产管理逻辑，从 “事故后应急处置” 升级为 “事故前风险防控”。一方面，装备在作业过程中，可以实时采集井下环境数据、设备运行状态数据，通过算法分析提前识别瓦斯浓度异常、顶板位移、设备故障等安全隐患，在事故触发前完成风险预警；另一方面，在预警发出后，智能装备还可自主执行停机、切断动力电源、开启通风设备等应急处置指令，将风险隐患在初始阶段予以消除，避免事故发生或扩大。
从价值载体的维度来看，矿山自动驾驶与具身智能技术各自承担了不同场景的替代职能，二者互为补充，共同覆盖了矿山生产的全流程风险场景，没有任何技术替代缺口：
l矿山具身智能：指具备环境感知、决策规划、精准执行能力，能够适配矿山非结构化作业场景的智能采掘装备，主要覆盖井下掘进、支护、截割等核心生产的高频风险场景，替代人工完成井下最危险的直接作业环节。这类装备将人工智能技术与矿山设备的物理作业能力深度融合，不仅能完成预设的作业动作，还能根据井下实际环境变化自适应调整作业策略，实现了 “设备会作业、作业能适配、适配能保安全” 的目标。
l矿山自动驾驶技术：以无人矿卡为核心载体，主要覆盖矿山 “最后一公里” 运输场景 —— 即井下采掘工作面到地面洗选车间、或者露天矿山采掘工作面到破碎站的短距离运输环节。这类技术的核心逻辑，是将矿山运输这一事故多发的 “动态风险场景”，转化为智能装备集群协同作业的 “闭环可控场景”，替代人工完成运输环节的高风险作业，实现 “装 - 运 - 排” 全流程无人化闭环作业
需要特别说明的是，这两类技术并非孤立存在的 “技术孤岛”，而是需要相互协同、联动配合，共同完成矿山全流程无人化作业的闭环：在井下作业场景中，具身智能完成煤炭的截割、破碎、装载等初处理工序后，无人矿卡会自主完成装载物的运输、卸载任务；二者之间的作业衔接、时序配合，完全由后端的智能调度系统根据环境数据自动完成匹配，无需任何人工干预。二者的无缝衔接，构成了矿山 “采掘 - 运输 - 处理” 全流程的完整无人化作业闭环，彻底覆盖了矿山生产中几乎所有的高风险作业环节。
2.矿山无人化的技术前提：流程拆解与政策顶层支撑
2.1.煤矿开采全流程技术拆解：风险与用工集中场景的技术替代导向
矿山自动驾驶与具身智能的技术布局，并非无差别覆盖所有生产环节，而是必须锚定矿山实际生产流程中的风险集中点、用工密集点 —— 也就是事故的高发场景，精准匹配替代技术。只有明确区分各环节的风险等级与技术适配性，才能让这两类技术真正覆盖安全短板，实现 “减人减险、换人保安” 的目标。
采煤可分为开采、运输、洗选三大流程，开采环节我国以地下为主。以井下井工开采为核心的煤炭生产全流程，可系统性拆解为三大核心工序，各环节的风险等级、用工密集度与技术适配性存在显著差异，技术替代的优先级也有明确区分：煤炭生产环节中，开采环节从土层中开采获得原煤，运输环节将原煤运输至加工厂，洗选环节对原煤筛选加工获得精煤。根据煤炭储藏条件的不同，煤炭开采可分为露天煤矿开采和地下煤矿开采，露天开采是指将覆盖在煤层上的土壤和岩石全部移除，露出煤层后进行采掘；地下煤矿开采是指从地面凿井通达煤层，在煤层中掘进挖出巷道，再回采获得原煤。我国煤炭资源多数埋藏较深，全国地下开采方式的煤矿数量占比超过 90%。在运输环节，地下采煤产物通常由带式输送机直接运至选煤厂，部分大型矿山视需求采用标准轨车运输；而露天煤矿在地面进行大规模开采，因此采用矿用卡车车队在矿山中进行运输。
图表3： 采煤流程介绍
采煤及矿卡无人驾驶已有解决方案，掘进及巡检机器人仍需技术突破。目前，我国煤矿智能化建设处于初级阶段，从山西省煤矿智能化建设指导手册对初级智能化的要求来看，采煤工作面智能化程度较高，主要设备可实现远程集控，同时由于采煤机作业标准化程度较高，目前已能实现记忆切割，可沿示范记忆轨迹进行工作面全循环采煤；掘进工作面智能化程度较低，掘进机、锚杆钻机暂无成熟的自主切割、自主支护方案，主要原因为巷道掘进时围岩稳定性判别方法缺乏且在复杂环境下掘、支、锚较难多工序协同；巡检机器人方面，因其工作环境恶劣、作业非标，目前渗透率较低；矿卡无人驾驶方面，矿区长尾场景较少，有望成为自动驾驶最先开始放量的场景，目前无人矿卡已在常态化试运营阶段。
图表4： 初级智能化工作面配置需求
2.2.开采为煤矿生产的核心环节，智能化方案助力其减人增效
供能保障、采支运作业、智能集成三层控制系统，助力采煤自动化到智能化转型。无人化智能开采控制系统可分为作业设备控制系统（包括煤机、液压支架、刮板机）、保障设备控制系统（包括供液、供电设备）和集成系统。煤机控制系统通过电机驱动完成自动割煤及行进；液压支架电液控制系统（SAC）通过控制主阀液路通断实现液压支架协同采煤机、运输机移动；刮板输送机控制系统通过变频调速控制技术调节刮板链运动速度实现煤炭的运输；智能供液控制系统（SAP）通过动态调节变频器输出频率实现恒压供液。在各单机设备自动化水平逐渐提高后，综采自动化控制系统（SAM）通过工业以太网、现场总线连
接工作面信息，形成集感知、决策、执行、控制为一体的集中控制系统，完成从自动化到智能化、从“减人”到“无人”的转型升级。
图表5： 无人化智能开采控制系统解决方案
图表6： 采煤工作面技术发展阶段
智能开采系统赋能采矿作业提质增效，可替代50%以上的一线开采人员。综采控制系统通 过对设备进行自动化、智能化控制，减少作业人数、提高设备运行速度、延长核心部件寿 命，从而提升工作面综合能效。SAC系统中，液压支架实现跟机作业，替代传统人工手动 操作液压支架手柄；SAP系统中，供液系统从单泵就地控制改善为多泵集中联动控制，协 同作业提升了调控的精确度；SAM系统中，采煤机、刮板机、液压支架、转载机、破碎机、 泵站等设备接收SAM 系统统一指令，实现工作面各设备各系统联动控制和远程集中控制， 进一步减少作业人数。智能化赋能开采作业提质增效，由天玛智控招股书数据，综采控制 系统可将作业人数由10人缩减至1~5人，即可替代50%以上的一线开采人员，同时作业 效率提升20%。
图表7： SAM、SAC、SAP系统应用前后采煤工作各项效能指标变化情况
2.3.矿井环节复杂、矿压预测难，AI发展使自适应截割/支护的实现成为可能
我国煤层赋存条件复杂多变，已有自动化采煤方案泛化能力有限。我国煤炭资源禀赋复杂，极薄煤层与特厚煤层、近水平与急倾斜煤层广泛分布，复杂地质条件煤层占比高达 70%，以大倾角煤层为例，开采难度导致我国各地区煤层厚度和矿井产能不匹配，储量优势无法有效转化为产能优势。我国采煤智能化尚处初级阶段，采煤机记忆截割、液压支架自动跟机、工作面自动找直等自动化开采技术对于西部矿区赋存条件简单煤层适应性较好，但对复杂煤层的适应性较差。AI模型能够通过多层神经网络训练，从训练数据中得出通用结论，进而对未知问题得出生成式决策，AI 的泛化性为复杂煤层智能化开采提供解决方向，如采煤机自适应截割、液压支架自适应支护、智能预警等，AI 逐步赋能智能开采各环节，助力设备价值量提升。
图表8： 我国各区域各煤厚有大倾角煤层的矿井数量统计
图表9： 我国各区域各产能区间有大倾角煤层的矿井数量统计
AI 赋能地质模型搭建、轨迹预测，提升采煤机在复杂工况中的自适应截割能力。目前自动 化采煤主要采用记忆切割，作业流程为人工示教、自动切割、人工修正，仍依赖人工操作， 难以适应煤层变化复杂的地质条件。自适应截割技术则是一种基于实时数据分析和自动调 节的煤矿开采技术，根据矿层厚度、岩石硬度和地质变化等工况自动调整截割参数，从而 优化采煤效率和精准度。实现过程为 SAM2.0 集控系统完成地质模型搭建，并随着开采推 进产生新切面，巡检机构扫描数据更新地质模型；神经网络完成轨迹预测，对地质模型、 传感器数据等输入参数进行深度学习，搭建截割轨迹预测模型，生成高度模板。据天玛智 控李森等 23 年发布的论文《基于透明地质的综采工作面规划截割协同控制系统》，在该方 案的实际应用中，人工干预次数进一步降低64%～69%，且三角煤区域完全没有人工干预， 智能化程度大幅提升。
图表10： 高度模板生成原理
AI 正在通过智能感知赋能掘进作业，但因实时感知决策要求较高落地困难。目前，AI在围岩环境感知、监测运维环节有较高渗透，对于掘进环节的复杂工作面，通过提取可见光、红外光等多源图像以及作业设备的位移、压力、扭矩等传感器数据，实现掘进工作面成巷空间模型的高效重建，同时基于神经网络及多源异构数据搭建预测模型，实现对快速掘进正常和异常工况的智能判断。然而，因为掘进环节的感知部分需要的数据多且质量差，决策则需要控制钻孔、注浆、锚杆、搅拌、预紧等多个环节，输入输出参数多导致神经网络模型难以训练，同时掘进中的支护环节涉及土层扰动，对模型的实时性也提出较高要求，多因素综合导致目前掘进环节智能化渗透率较低。
图表11： 掘进工作面高精度三维重建流程
3.矿卡无人驾驶进入规模化部署阶段，渗透率及市场规模快速提升。
近年来，随着人工智能、云计算、大数据、物联网、5G、传感、电控等技术不断成熟，感知、预测、决策等无人驾驶技术模块走向应用阶段。矿区因环境封闭、长尾场景较少，是无人驾驶技术率先落地的场景之一，2019年，我国第一台无人驾驶矿卡进行试运营，至今运营已成熟并进入规模化部署阶段。由中国煤炭工业协会数据，2024年露天煤矿无人驾驶矿卡数量达2500台，无人化渗透率达8%，预计2026年无人化渗透率将快速增长至30%。无人矿卡市场规模广阔，
根据Frost & Sullivan 数据，2024 至 2030 年，全球无人矿卡市场规模将由50亿增长至580亿，CAGR为63%，中国市场规模将由20亿增长至301亿，CAGR为72%，中国在无人矿卡领域全球领先，市场规模占比将保持在50%以上。
图表12： 中国露天煤矿矿卡数量及无人化渗透率
图表13： 全球矿区无人驾驶解决方案市场规模及中国占比
3.1.AI 赋能无人驾驶数据及算法端，矿山场景有望率先商业化落地
数据是算法模型训练的基础，大模型赋能降低获取、标注难度。大模型的可靠性随训练数 据数量的提升而提升，在实际工程应用中，数据不足往往成为大模型尤其是垂类模型的落 地堵点，目前智能驾驶数据获取方式有真实数据、仿真模拟、影子模型三种。数据采集的 下一步是对数据进行识别、标注，数据需求多，叠加智能感知需要摄像头、激光雷达等多 源数据，采集信息数量进一步增加，人工标注成本高、效率低，AI自动标注应运而生。
1）数据获取：真实-虚拟数据双轮驱动，仿真突破corner case数据瓶颈。在自动驾驶追 求“零事故”的终极目标中，corner case是技术落地的主要瓶颈。矿山场景特殊，具有暴 雨、塌方、设备故障等罕见场景，难以获得大量真实数据。类似特斯拉的 FSD、英伟达的 Omniverse，数字孪生技术生成可矿山环境的动态模型，通过仿真丰富数据覆盖特殊工况。 如踏歌智行发布露天矿区无人驾驶场景闭环仿真测试系统 MineSim，支持露天矿区无人驾 驶安全关键场景生成，可模拟各种极端、复杂和危险的场景，让无人驾驶矿车在虚拟环境 中迭代优化。
图表14： 露天矿区无人驾驶场景闭环仿真测试系统MineSim构建过程
2）数据标注：AI大模型完成自动标注，大幅降低训练成本。大模型的准确性受输入数据的 优质程度影响，数据标注为原始数据打上明确的“标签”，让模型能够理解图像中的物体是 什么、在什么位置、处于何种状态等关键信息。大模型赋能可大幅降低标注成本，据2023 年 4 月毫末智行 DriveGPT 发布会显示，行业人工标注的成本约每张图为 5 元，毫末 DriveGPT 的成本为0.5元。同时，图像大模型也在不断迭代，如2024年7月，Meta发布 SAM2（SegmentAnythingModel2），可对为静态图像和动态视频内容实现实时、可提示对 象分割，自动标注能力有望进一步提升。
算法：分为感知、预测、决策三个模块，矿区环境封闭降低预测、决策模块要求。感知模块，常见的环境感知手段有激光雷达、毫米波雷达、超声波传感器、红外传感器、视觉传 感器等，对于安全性要求较高的露天矿运输场景，通常采用多传感器融合。预测模块，有 高精度地图、导航地图+神经网络预测两种方案，输出多条带概率的预测轨迹。决策模块， 以rulebase 和 querybase 两种模型为主，通过对预测轨迹打分选择最优路径、得出运动目 标点及目标车速，通过输出油门、制动、转向盘、档位的参数控制矿卡。
1）感知模块：采用多传感器融合的环境感知。目前提升感知系统的思路为，将不同传感器 所获数据利用联合概率数据关联等算法进行融合处理，以提高数据准确性。算法实现方面， 前融合算法将各传感器所获原始目标数据同步，而后通过感知算法对融合后的多维综合数 据进行感知，从而达到端到端的目标识别效果。 露天矿山环境极端，感知难点在于多源数据的处理及融合。露天矿山有较多极寒高温天气、 扬沙粉尘、雨雪天气以及路面湿滑等极端环境，同时矿区多为随生产动态变化的非标准化 土路，对感知设备输出数据的质量有较大影响。易控智驾“BEV+Transformer+OCC”多模态感知方案在矿卡上安装多个激光雷达、毫米波雷达、摄像头等传感器以获得多源数据， 采用鸟瞰视角，通过Transformer模型进行特征融合，最后使用OCC进行三维空间占据状 态建模，使得方案具备更强的准确性和鲁棒性，可实现对交通参与者与环境进行准确识别， 对雨、雾、雪、煤灰、扬尘等恶劣环境达到强适应，减少因感知误检引起的刹停、减速等 问题，保障无人驾驶车辆全天候高效作业。
图表15： 矿区复杂场景下BEV-based感知算法示意图
2）预测模块：矿区场景基于高精度地图预测。要实现道路拓扑关系预测，有基于高精度地 图预测和基于导航地图+神经网络预测两种方案。高精度地图方案下，利用车道拓扑和交通 规则生成候选路径，使用机器学习模型预测物体选择每条路径的概率和具体轨迹，输出多 条符合地图约束的、带有概率的预测轨迹；导航地图+神经网络方案下，输入为实时生成的 BEV场景特征+导航地图提供的拓扑/语义信息+物体历史轨迹，通过神经网络学习，输出多 条可能的未来轨迹及其概率。导航地图+神经网络方案不依赖精确地图，但实时计算压力大 且面临更多长尾风险，在实际工程应用中安全隐患更大。而矿区为封闭生产环境，矿车行 进路线较为固定，搭建高精度地图成本较小，工程化落地更快。
图表16： 高精地图+高精定位保障无人矿卡行进安全
3）决策模块：矿区长尾场景收敛，主要采用rule base决策。决策层面有rule base和querybase 两种模型，query base 即将决策问题转化为“在状态空间中搜索最优行为”，利用机 器学习实时计算结果；rule base则是预定义专家规则，以if-then逻辑判断行为是否进行。 目前智能驾驶决策的难点在于多方的交互与对路权的博弈，而矿区因环境封闭，长尾场景 收敛，专家模型可以覆盖绝大多数决策情况。矿卡行驶速度慢，反应延时对矿卡影响更小。自动驾驶大脑分为感知、规划、控制、执行 几个模块，主控芯片决策链路长，不同模块间通信损耗较大，导致反应延时；同时，传感 器存在迟滞，如激光雷达受刷新帧率、环境因素和信号处理能力的影响存在感知延迟。多 模块智能驾驶会带来响应时间较长的问题，驾驶时的理论最小安全车距=当前车速对应的制 动车距+响应时间*当前车速，毫秒级的响应延迟会被车速放大至十几米。为保证行车安全 智能驾驶需保持较低速度，导致许多需快车速以保证运输效率的场景落地难度高，而矿卡 因体积大、运载量大，车速较慢，反应延时问题不会成为无人驾驶矿区落地的堵点。
露天矿山涉及多设备协调作业，决策难点在于集群调度算法。矿山运输过程涉及与其他生 产设备的协同作业，采掘区矿卡需要配合挖掘机作业，难点为无人矿用卡车对装载位快速 变化的适应力，主要包括连续挖掘作业动态适应性和挖机走铲后快速匹配能力；运输过程 涉及与其他有人或无人矿卡、巡检车辆混行，难点在于对这些动态设备的实时感知和预测 其行为轨迹；排土场单卸载位具备多车卸载，需无人驾驶矿卡在排土场卸载位挡墙位置精 准停靠，同时排土过程改变地图信息，需高精地图采图后完成分钟级建图。通过算法优化、 流程优先级设定等，集群调度算法的优化正在不断提升矿卡无人作业的可靠性。
图表17： 无人驾驶解决方案在露天矿区的典型部署场景示意图
4.以技术确定性应对事故随机性，矿山无人化的价值优先级重构
矿山安全的核心逻辑，不能只依赖事后的应急处置，而需要前置到生产流程中的每一个作业环节；被动的安全防护、人工的现场处置，都无法在重特大事故发生时，保障井下人员的生命安全 —— 只有将井下的危险岗位用技术装备替代，将作业人员从井下高风险场景中彻底移除，才能真正构建起牢不可破的安全防线。
推动矿山自动驾驶与具身智能技术的规模化落地，将人员从井下高风险作业场景中彻底移除，用技术装备替代人工完成所有高风险作业环节，才能真正构建起的矿山安全防线。我们有理由相信，随着行业智能化改造的持续深入，随着这类技术的不断成熟、不断普及，矿山行业将告别 “人在险中作业” 的传统生产模式，真正实现 “智能装备作业、人员远程监控” 的本质安全形态，让矿山生产的安全底线构筑在技术的坚实基础之上。
10个月宝宝每天需要喝多少奶粉？
