1.一种井下运输车移动测量系统，其特征在于：

包括感知测量模块，

计算模块，用于处理感知测量模块传输的数据；

隔离模块，用于为感知测量模块提供与计算模块的通信隔离；

通讯模块，用于井下不同区域的无线通信；

本安电源模块，用于为感知测量模块、计算模块、隔离模块、通讯模块分路供电，转换为对应电器的电压等级；

供电模块，用于输出直流电为各类用电设备供电；

显示屏，用于本地显示建模、监测状态；

计算模块、隔离模块、本安电源模块、通讯模块、供电模块安装于运输车的隔爆控制柜内，隔爆控制柜安装于运输车上，隔爆控制柜上设置有传感器支架，感知测量模块安装于传感器支架上；

感知测量模块包括线激光传感器，用于扫描巷道区域；

本质安全型激光雷达，用于采集三维点云数据；

本质安全型相机，用于观测巷道断面形态以及线激光扫描区域；

惯性测量单元，用于获取姿态信息；

超宽带测距单元，用于实现无线传感器网络定位；

本质安全型激光雷达的数量和安装角度根据运输车与运载设备的情况进行部署，本质安全型激光雷达在行进过程中采集巷道断面的三维点云数据；本质安全型相机安装于运输车的传感器支架上，本质安全型相机为视觉相机，本质安全型相机的数量根据实际需求进行部署，本质安全型相机用于观测前方巷道断面整体形态以及线激光扫描区域；感知测量模块中的惯性测量单元根据实际情况部署于隔爆控制柜上；超宽带测距单元通过与基站交互测距实现无线传感器网络定位。

2.根据权利要求1所述的井下运输车移动测量系统，其特征在于：计算模块包括CPU、GPU处理器、存储器，用于执行移动测量与数据采集、多源信息融合建模、图形用户界面人机交互、运载状态仿真模拟、关键参数生成、防撞避障策略生成的核心功能运算；计算模块输入输出接口包括通信端口、SD卡槽。

3.根据权利要求1所述的井下运输车移动测量系统，其特征在于：隔离模块包括多路信号隔离电路；本安电源模块包括不同电压等级的多路本安供电。

4.根据权利要求1所述的井下运输车移动测量系统，其特征在于：通讯模块采用网桥、WIFI6、无线Mesh组合方式，天线外置并符合本质安全型要求；供电模块包括若干个浇封兼本安电源箱以及电源开关、航空插头。

5.一种运载通行状态模拟方法，其特征在于：包括以下步骤：

S101，感知测量模块外参标定：对感知测量模块的传感器进行内外参标定，获得激光雷达畸变校正参数、视觉相机内参、惯性测量单元零偏、超宽带测距修正系数；

S102，感知测量模块安装：根据装载设备尺寸，现场安装测量设备，调整本质安全型激光雷达、本质安全型相机、线激光传感器的位置、方向，根据实际情况在运输车上安装照明设备；

S103，原始数据采集录制：驾驶或远程遥控空载运输车，往复一次并采集巷道数据，包括三维点云、巷道周围环境图像、线激光被观测相机图像、超宽带测量距离、加速度、角速度原始信息；利用机器人操作系统的工具进行数据采集录制；

S104，多源信息融合SLAM建模：SLAM为同步定位与地图构建，利用多个不同位姿部署的雷达、相机、惯性数据与UWB传感器信息，执行多源信息融合SLAM建模，获得三维原始点云模型与三维彩色点云模型；多源信息融合SLAM建模过程中，利用激光‑视觉‑惯性‑超宽带紧耦合方式进行信息融合；

S105，模型离线优化：将多源信息融合SLAM建模结果进行后处理，对点云模型进行降噪、滤波处理，对冗余数据进行裁剪和精简；

S106，巷道模型关键信息提取：综合利用视觉与线激光三角测量方法、多源信息融合SLAM获得的三维点云模型参数估计方法，对巷道横截面、轮廓尺寸、中轴线进行联合估计；

S107，运载设备装载与包络面尺寸测量：在运输车上装载设备，测量装载设备的包络面关键尺寸；

S108，生成装载模型：利用包络面尺寸，输入软件界面并生成简化装备模型，根据设备类型生成立方体、圆柱、球体的实体模型；

S109，生成运载模型：根据采用的运输车运载设备体积、尺寸的基本参数，在软件界面选项卡中选择并加载运输车模型，将运输车模型与被载设备模型进行组合，生成最终的运载模型；

S110，运行状态模拟：基于机器人操作系统使用框架平台，导入运载模型，加载多源信息融合SLAM获得的运行轨迹，驱动运载模型运动，开展运行状态模拟动态演示，观察实际运行情况；在运行状态模拟中，加载的运输车型号根据平板车类型进行多选项卡的选择，通过人机交互界面设置挂载设备的大小、形状参数，生成对应的标志，实现与运输车的同步驱动动态演示；

S111，数据分析与预警预测：基于运行状态模拟过程，输出相关测量数据、关键参量，对危险区域报警信息进行分析处理，对无法通行区域的参数进行计算输出，输出全巷道的通行性分析报告；设定阈值，对无法通行或有风险区域进行等级划分、预警和预测。

6.根据权利要求5所述的一种运载通行状态模拟方法，其特征在于：S106中，巷道模型关键信息提取过程中，视觉与线激光三角测量方法，通过将线束激光进行投影，利用投影光斑在巷道内壁上形成线状条纹，基于视觉图像计算条纹每个点的投影高度，采用黎曼积分将每点高度累加得到轮廓投影的截面积，实现对巷道横截面、轮廓尺寸、中轴线巷道关键参数的测量与估计；三维点云模型参数估计方法，利用多源信息融合SLAM建模获得的三维点云模型进一步开展点云拼接、降噪与精简，基于投影法计算中轴线、利用多项式函数拟合外轮廓曲线，实现对巷道横截面、轮廓尺寸、中轴线巷道关键参数的测量与估计；通过加权平均计算上述两种方法获得的关键参数实现联合估计。

7.根据权利要求5所述的一种运载通行状态模拟方法，其特征在于：S111中，在数据分析与预警预测过程中，根据生成的三维点云模型中点云的坐标、运输车运载模型的位姿，计算并生成运输车运载模型与巷道点云的距离S，S小于设定阈值Sth，则进行预警并提示预警位置的装载模型位置与姿态、距离大小，预测即将撞击的位置并高亮显示。

8.一种运载通行状态监测方法，其特征在于：包括以下步骤：

S201，巷道、运载装备数字孪生模型构建：利用运载通行状态模拟方法中的多源信息融合SLAM建模获得的巷道点云模型构建巷道数字孪生模型，利用生成的运载模型构建运载装备的数字孪生模型，导入Unity3D仿真引擎中，构建初始可视化仿真模型；

S202，基于多源信息融合SLAM的运载状态实景更新、实时位姿驱动：以Unity3D中巷道的初始可视化数字孪生模型为基础，在运输车运载设备运动过程中，基于多源信息融合SLAM获得的高精度点云模型对基础模型进行实景更新，基于多源信息融合SLAM获得的实时位姿驱动数字孪生仿真模型运动；

S203，基于多传感器融合的多类型目标实时检测、识别、分割与定位：运载装备移动过程中，利用激光点云、视觉图像进行基于深度学习网络的目标检测、目标识别及语义分割，对人员、车辆、装备这些动静态物体进行检测、识别、分割与定位；

S204，基于强化学习的运载通行过程智能决策、预警、监测：基于AirSim+ Unity3D+ROS仿真引擎构建软件开发平台，实时导入运行过程中的巷道、运载装备数字孪生模型，以及多类型多目标实时检测、识别、分割、定位结果，基于强化学习方法对孪生体仿真模型进行场景拓展、对未来状态进行自主推演，综合仿真推演结果与现场反馈观测数据修正决策方案，生成防撞避障策略，对车辆运行过程的危险情况进行在线预警，实现车辆运行状态的智能监测；

S205，运载通行状态虚实交互与人机可视化：基于多源信息融合SLAM构建的巷道实时点云模型与已构建的巷道孪生体进行虚实叠加与融合显示，基于增强现实实现沉浸式多感知互动的人机可视化交互。

9.根据权利要求8所述的一种运载通行状态监测方法，其特征在于：S203中，基于多传感器融合的多类型目标实时检测、识别、分割与定位过程，利用多任务多模态深度学习网络进行检测、识别与分割任务，基于多传感器外参标定结果、基于多源信息融合SLAM的实时位姿估计，实现多类型多目标的六自由度位姿估计，实现定位。

10.根据权利要求8所述的一种运载通行状态监测方法，其特征在于：S205中，运载通行状态虚实交互与人机可视化中，孪生体虚实叠加与融合显示过程，以巷道实时构建的局部彩色点云模型实现实时映射、实景映射、高频更新的物理体与虚拟体数字孪生功能；基于增强现实的沉浸式多感知互动，包括防爆AR头盔、眼镜、显示屏幕、音频接口共同组成综合交互平台，对运载过程、危险区域、工作计划进行文字提示、语音播报，实现人机交互与可视化预警。