基于多傳感器融合的列車運行環境自主感知系統設計

朱鴻濤,李 明,張 驕

(北京市地鐵運營有限公司,北京 100044)

隨著現代城市軌道交通網絡的日益復雜化,列車已成為連接城市和地區的主要紐帶。城軌交通的快速發展對列車安全和效率的要求也日益提高。然而,面對列車的高速行駛、復雜的線路布局和各種突發情況,如惡劣的天氣、道路上的突發障礙物(行人和倒伏的樹木)等都給列車的運營帶來了巨大風險。如何確保列車安全高效的運行已成為當前城市軌道交通行業亟待解決的難題[1]。在傳統的列車管理體系中,駕駛員的經驗和判斷起到了關鍵作用,但人的因素和視覺局限性無法保證百分之百的安全和準確性[2]。隧道等關鍵基礎設施的管理和維護,同樣大部分依賴人工,這不僅增加了出錯的風險,而且效率低下[3]。此外,一旦發生問題,還可能會影響到整個運營系統,給社會和經濟帶來巨大損失。因此,如何利用現代科技手段,提高列車運營的智能化程度,保障列車的安全和效率,已經成為行業和研究領域的一個重要課題[4]。

基于此,本文提出了一種基于激光選通成像技術等多傳感器融合的列車運行環境自主感知系統方案。該系統能夠有效識別和應對各種運行中的障礙物,大大提高列車在高架、地面、隧道等不同運行環境中的安全性。

1 需求現狀與線路條件分析

1.1 需求現狀

軌道交通作為城市交通系統的重要組成部分,其高效和安全運營對于城市的經濟和社會穩定至關重要。隨著城市規模的擴大和人口密度的增加,全自動運行系統已經逐漸成為軌道交通發展的必然趨勢[5]。首先,高效的運輸效率是城市軌道交通系統所追求的核心目標之一。傳統的手動駕駛模式受到駕駛員疲勞、判斷失誤等主觀因素的影響,很難始終保持最佳的運行效率。全自動運行系統可以通過精確的計算和控制來實現最佳的行車速度、停車精度和發車間隔,從而大大提高運輸效率[6]。其次,運行安全性是任何交通系統都必須優先考慮的關鍵因素。由于軌道交通系統運營環境復雜,從地面到高架再到隧道,各種自然和人為因素都可能成為安全隱患[7]。而全自動運行系統通過實時的數據收集、分析和決策,可以在第一時間發現并處理各種異常情況,大大降低事故發生的風險。此外,為了適應城市交通需求的快速變化,軌道交通系統還需要具備足夠的靈活性和適應性。全自動運行系統可以確保始終為乘客提供高效、便捷和舒適的服務[8]。

然而,盡管全自動運行系統帶來了諸多好處,但其實施和運營也面臨著許多挑戰。如何確保系統的可靠性和穩定性,如何處理各種意外和異常情況,以及如何與現有的設施和技術進行有效的集成,都是需要深入研究和解決的問題。鑒于現有列車運行環境檢測技術存在的不足(表1),本文提出了基于多傳感器融合技術的列車運行環境自主感知系統,能夠適應各種線路條件以及不同天氣環境,在列車運行過程中既能檢測線路環境病害,指導線路維護人員及時消除障礙物侵限風險,又能對已經侵限的障礙物進行安全可靠的檢測與防護,有效保障列車運行安全。

表1 幾種列車運行環境檢測技術實現原理及存在不足

1.2 線路條件

為保證系統能夠適應各種線路條件,現針對系統應用中可能存在的線路條件進行分析。

1.2.1 直道

如圖1所示,在直道行駛的列車1,需要能夠在相隔5 m的雙軌道上獨立自主地識別前方的障礙物,特別是前方軌道上的列車2,列車1對列車2識別距離≥500 m,并能識別如表2所示的障礙物類型。列車1的感知系統必須能確保即使在相鄰軌道有列車3的情況下也不會受到干擾。

圖1 直道場景

表2 障礙物識別范圍

1.2.2 坡道

坡道分為上坡和下坡兩種。根據GB 50157—2013《地鐵設計規范》,坡度場景可設為2°。在坡道的起始點和結束點,列車需要有足夠的感知能力來確定前方坡道路段是否有其他列車,并計算與其的距離。如圖2所示的上坡場景,要求列車能夠識別本軌道限界范圍內如表2所示的前方障礙物類型,而且不受相鄰軌道行車影響,識別距離≥280 m,其中上坡(3‰)激光盲區為15 m,下坡(3‰)激光盲區為23 m。

圖2 上坡場景

1.2.3 彎道

在彎道行駛時,列車需要額外注意由于隧道壁或護欄導致的視距變短的問題,因此要求系統能夠識別盡可能遠的軌道限界和列車。當列車行駛在R300 m的彎道上時,系統應能確保識別距離達到56 m。實際軌道長度與識別距離誤差為1 m左右。不同曲線半徑的彎道最大識別距離如表3所示。

表3 彎道識別范圍

考慮到不同線路條件對列車運行的影響,一個高效的自主感知系統是至關重要的,不僅可以確保列車的平穩運行,還可以有效提高乘客的安全性和舒適性。

2 列車運行環境自主感知系統設計

2.1 系統業務架構

列車運行環境自主感知系統通過一系列高精度傳感器,實時獲取列車前方的信息數據、速度數據以及定位數據。這些數據再經過計算分析,被轉化為實時結果,隨后傳輸至人機交互界面和中心系統,司機可以得到針對前方路況的及時提醒。系統的核心功能是在檢測到異常情況時自動提醒司機,并在緊急情況下實現自主制動。此外,系統還可以為線路檢修維護人員提供線路狀況信息。圖3為業務架構圖。

圖3 業務架構圖

2.2 系統功能概述

列車運行環境自主感知系統是一個高度集成、智能化的系統,它結合了先進的傳感器技術和人工智能算法,為列車運行提供了一個全方位的安全保障。其主要功能包括:

(1) 障礙物檢測,使用激光雷達、長短焦相機、毫米波雷達等傳感器進行掃描,實時感知前方的障礙物;

(2) 信號狀態檢測,識別前方的信號機狀態;

(3) 隧道病害檢測,檢測隧道是否存在裂縫、表層剝落、滲水等異常情況;

(4) 數據上傳與存儲,系統將檢測到的病害結果通過4G-VPN網絡上傳到云端,并在本地保存詳細的測量數據;

(5) 分級預警,系統根據障礙物的距離進行分級預警,幫助司機及時作出決策;

(6) 緊急制動輸出,在檢測到前方存在障礙物或異常情況時,系統能夠自動啟動緊急制動;

(7) 高精度定位,構建全線高精度的電子地圖,確保列車的準確定位。

此外,系統還具備啟動時間控制、OTA、數據存儲、測距誤差控制、響應時間控制等功能,確保列車平穩、安全運行。

2.3 系統技術架構

列車運行環境自主感知系統融合了前沿的傳感技術和先進的數據處理技術,構建了一個能夠為列車提供實時、精準的行駛環境感知的系統。如圖4所示,該系統包含激光雷達、毫米波雷達、工業相機、選通相機和高精度掃描儀等多種傳感設備,從3D點云數據、實時圖像和列車速度等維度捕獲列車前方的詳細信息。激光雷達提供了3D的空間信息,毫米波雷達在惡劣天氣條件下仍能穩定工作,而相機和掃描儀提供了清晰的視覺數據。系統通過線路的高精度地圖進行導航,確保列車在其行駛路徑上獲得準確的位置感知。系統主機在接收到來自傳感器的數據后,將其與這些高精度地圖進行匹配,準確地確定列車的位置。

圖4 系統技術架構圖

3 關鍵技術研究與實現

3.1 激光選通相機成像技術

激光選通相機成像技術為軌道交通安全帶來了一種具有革命性的視覺解決方案。在雨霧等惡劣天氣條件下,傳統成像技術往往受到各種限制,難以獲取清晰的影像,進而影響列車的運行和安全。激光選通相機成像技術的核心是利用高峰值功率脈沖激光光源的高穿透性,通過納秒脈沖激光照明與納秒門控快門同步,實現對特定距離范圍內目標的高對比度成像。由于該技術只捕獲特定空間范圍內的目標信號,因此能有效地避免環境光和散射干擾,確保在惡劣環境下仍能獲得清晰、高對比度的影像。

如圖5所示,激光選通相機成像技術原理是基于激光距離門控成像,在特定的時序下,激光照射被測物體,當物體的反射光返回時,相機門控快門開啟,僅接收這一時段的返回信號并進行處理,從而實現對特定范圍內目標的精準成像。

圖5 激光選通相機成像技術原理圖

在惡劣天氣,如大雨或濃霧中,懸浮在空氣中的水滴或其他顆粒會引起光的散射,尤其是后向散射,對相機成像造成干擾。當環境的能見度降低時,這種散射對成像的影響變得尤為嚴重,使得目標信號在大量的散射信號中幾乎難以辨認。激光選通相機成像技術正是為解決這一問題而設計的。通過控制激光發射和相機門控的同步,使得相機在大量后向散射發生時不采集圖像,只在目標反射信號返回的短時間內開啟,從而大幅減少散射帶來的干擾。

該技術的應用,不僅僅是提高列車行駛的視覺質量,更關乎到列車行駛的安全性,尤其是在諸如隧道、橋梁和交叉口等關鍵區域。通過有效避免環境光和散射的干擾,確保即使在最惡劣的條件下,列車前方的障礙物、信號燈、列車、行人等目標都能被準確、迅速地檢測到,為列車的安全運行提供了有力的技術保障。

3.2 基于多傳感器融合的自主感知技術

為了應對列車運行環境的復雜性,如隧道內的暗光環境等,結合深度學習技術,開發了一種能夠精準識別列車前方的軌道、信號機、其他列車、行人和其他障礙物的多目標識別算法。對于在軌道運行環境中尺寸較小、易于背景混淆的信號機,采用自適應邊緣檢測級聯卷積神經網絡的方法,以實現精準的信號機定位和分類。

除了視覺傳感器,本文還利用激光雷達進行前方物體的距離測量。結合機器視覺和雷達的數據,可以更精確地檢測和跟蹤前方的危險障礙物,并實時判斷其位置和狀態。

為了克服單一相機在長距離全方位感知上的局限性,提出了一種基于長焦和短焦相機融合的列車車載環境感知方案。這種方案可以解決車載感知的“近視”或“遠視”問題,確保列車可以全方位地感知前方的環境。

為了進一步增強系統的檢測和分類能力,系統建立了一個大型的圖像樣本庫,包括軌道線、列車、信號燈和線路隧道特征等多種樣本。這些樣本被標記和分類,并在深度學習平臺上進行訓練。系統采用了高效的軌道區域提取算法,可識別出列車前方的軌道區域,并為列車行駛定義了一個精準的限界范圍,基于大量先驗數據優化的深度神經網絡的多目標識別技術能夠檢測并識別出前方的障礙物。數據處理涉及同步、感知和決策等多個模塊。車載主機首先進行數據同步,確保接收到的所有數據都是同步的;然后,通過感知模塊對數據進行深度分析,檢測出列車的實時位置、前方障礙物、信號機狀態以及任何潛在的線路病害;最后,通過決策模塊決定是否需要向司機發出預警或進行其他必要的操作。

4 樣機開發與驗證

為驗證列車運行環境自主感知系統在多場景下的環境適應性,結合屏蔽門高度、環線、高架、環境等線路特點對障礙物識別精度和有效性的影響,系統功能樣機在某地鐵線路選擇1列車實際部署。通過地鐵列車正線運行的實際使用情況,驗證系統的應用價值,完成示范性應用,為后續全面推廣打下堅實基礎。

如圖6所示,列車運行環境自主感知系統功能樣機由激光掃描儀、主機、GNSS(選配)、IMU、激光雷達、毫米波雷達和相機組成。在某地鐵線路上進行的多次測試結果顯示,樣機系統的測速誤差不大于1 km/h,障礙物檢測測距誤差不大于1 m,系統響應時間不大于500 ms,并且在雨雪霧等極端天氣條件下,在視距200 m以內可以實現3倍的能見度提升。圖7為安裝系統的列車對軌旁設備的成像效果。

圖6 列車運行環境自主感知系統功能樣機

圖7 軌旁設備成像效果

不僅如此,系統還具備3D高精度地圖成像能力,在車速20 km/h情況下,可被發現的最小裂縫長度達到了20 mm。表4所示為系統經測試驗證得到的障礙物檢測性能指標。

表4 障礙物檢測性能指標

5 總結

本文構建了一種高精度的列車定位系統和隧道病害預警機制。結合高精度激光掃描儀、IMU數據融合和深度學習算法框架,列車運行環境自主感知系統可以精確捕捉列車的實時位置,并對周邊環境進行實時感知和分析。通過與預先構建的高精度地圖進行匹配,系統能夠實時地檢測并預警隧道中的各種病害。同時,該研究也成功地針對隧道環境的特殊性開發了列車高可靠定位算法,該算法包括了特征提取、編碼及閉環檢測等關鍵技術環節。本文研制的系統和提出的檢測方法可為列車的安全行駛和隧道的持續維護提供有力的技術支撐。