一種多技術融合的全自動無人駕駛軌道障礙物檢測系統設計

肖陽俊 李擁軍 李金波 徐志榮 熊 鋼

(中車南京浦鎮車輛有限公司， 210031， 南京//第一作者，高級工程師)

在全自動無人駕駛系統(自動控制等級為GoA4)中，障礙物識別技術是保障列車全自動運行的關鍵技術之一。只有在車輛上加裝主動探測識別系統，替代傳統司機值守的功能，才能稱作真正意義上的全自動無人駕駛系統，從而讓地鐵的運行更智能化、更自動化、更安全。

1 障礙物檢測技術

1.1 圖像識別技術

近年來，人臉識別與車牌識別等靜態識別技術已經相對成熟，但軌道交通車輛的圖像識別技術因有自身獨特性，尚處于不斷發展中。首先，車輛要識別的物體是完全動態變化的圖像，故物體特征難以捕捉；其次，識別的物體種類繁多，需要建識別比較庫；再次，識別時不僅要識別圖形差異，還要判斷出障礙物距離。可見，圖像識別技術又需有優秀的算法和良好的系統總體設計支持。

1.2 激光雷達

激光雷達的應用場景如圖1～2所示。

圖1 軌檢車安裝激光雷達圖2 車載激光雷達的識別

圖2 車載激光雷達的識別

激光雷達安裝于車輛前方上部[2]，可檢測行進方向前方的障礙物。但在地鐵岔區及場站環境下，單一激光雷達檢測效果一般。

1.3 超聲波雷達

類似地，超聲波測距原理與激光雷達測距原理基本是一樣的，只是反射波的波長不一樣。

1.4 紅外測距傳感器

車輛行駛是動態過程，其環境背景的紅外特征和需要識別障礙物的紅外特征均變化很快。因此，紅外檢測技術在列車低速運行情況下，是一種比較好的輔助手段。

2 影響障礙物檢測的因素

2.1 環境光因素

晝夜光線存在變化，當列車交替行駛在隧道與地面之間時，光線也存在變化。光線差異將嚴重干擾圖像識別系統。

2.2 天氣因素

雷雨、霧、霾、暴雪等不良天氣，會對圖像識別系統、激光雷達及紅外測距傳感器造成巨大影響。同樣條件下，超聲波雷達由于具有一定的穿透力，反而在識別準確率上具備優勢。

2.3 車輛行駛沖擊振動

當各種傳感器安裝在車輛上，列車的高頻振動會對激光雷達、攝像頭及超聲波雷達造成影響。尤其是高清攝像頭對振動干擾極敏感。

2.4 線路條件干擾

當列車行駛進入特定區域(如線路岔區、車站、坡道)及列車之間會車時，環境變化劇烈。這就要求障礙物識別系統不僅要將障礙物識別出來，而且能根據線路條件進行智能化判斷。

例如，當列車經過道岔區段時，必須依據自身的行進方向，判斷障礙物是否存在列車行進的線路上。圖3為道岔區域識別示意圖。圖3中方向A為列車行駛方向，但側線的軌道上停有車輛。當車輛經過道岔區時，如果不做技術處理，則激光雷達、紅外及超聲波雷達技術均會識別到障礙物從而產生誤報，而實際上所停車輛處于其他軌道上，不會對列車安全造成影響。

圖3 道岔區域的識別

此時，選用圖像識別技術，結合地理信息系統數據和線路基礎數據條件，通過機器學習，可智能判斷出障礙物是否真實存在于列車的行駛方向，可極大地減少誤判概率。

“新工科”建設背景下能源與動力工程專業人才培養模式改革探索 蔣潤花，左遠志，陳佰滿，徐勇軍，楊敏林(118)

2.5 開放區間與封閉區間對檢測設備的干擾

地鐵列車多數情況下是在地面和地下交替行駛。地面開放環境具有干擾因素多、氣候條件復雜等特點，而隧道存在線路彎道、坡道起伏及環境光線等問題，均對檢測技術存在巨大影響。例如：超聲波在小半徑曲線的隧道內干擾很大；視頻識別及激光等長距離探測手段在線路曲線區域作用有限；GPS(全球定位系統)定位不能在隧道內使用，而只能改用慣性陀螺儀定位等。

3 對障礙物的定義和要求

障礙物即軌道上影響列車行駛安全的、大于特定尺寸的物體?？梢?，判斷障礙物需滿足3個條件：侵入車輛前進方向的限界，威脅行車安全，具備一定的尺寸。部分障礙物尺寸要求見表1。

表1 部分障礙物尺寸要求

如圖4所示，當列車行駛時，障礙物識別系統會生成安全區域的動態限界(矩形框內)。如果有異物侵入，則識別系統會判斷小于尺寸的物體對行車沒有危害，認為是非障礙物。

障礙物檢測系統的識別性能指標要求見表2。

4 多技術融合的障礙物檢測方案

上述幾種檢測手段，在技術上和應用上都存在各自的局限性，要提高障礙物檢測技術本身很困難。因此建議采用融合多檢測技術的手段，利用軟件算法和機器學習來提升識別率。如圖5所示，當車輛處于小半徑曲線時，圖像識別技術和紅外傳感器技術的方向靈活性較差，其裝置會隨車體偏移，考慮到車輛在小半徑曲線行駛時速度較低，故可采用廣角(120°)激光雷達加地理信息系統(GIS)定位，就能較好地解決障礙物檢測問題。各種技術在曲線上探測障礙物的范圍示意圖見圖5。

圖4 動態限界(右)

性能指標參數說明系統有效監測距離100～200 m直/彎道的最大距離列車安全運行時速80 km/h以最大速度考慮障礙物識別時間<300 ms即識別障礙物的時間障礙物尺寸>40 cm×40 cm 必須限定的障礙物尺寸最小值誤識率1%將物體誤作障礙物的概率拒識率<1%將障礙物識別為其它物體的概率識別正確率98%識別達到的正確率容錯時間500 ms當識別出障礙物時,必須持續一段時間確認,才認為是障礙物

圖5 曲線上探測障礙物示意圖

4.1 障礙物檢測系統結構及處理流程

4.1.1 系統結構

本研究設計了一種融合了多項技術的模塊化障礙物檢測系統(以下簡為“檢測系統”)。檢測系統以圖像識別技術為主，兼顧激光雷達識別技術，輔以超聲波識別和紅外識別技術，同時還包含了線路數據庫及GIS。

檢測系統結構如圖6所示，分為5個模塊及2個數據庫。傳感器融合模塊處理多種檢測設備的輸入、列車定位信息及線路基礎數據。處理識別核心模塊根據障礙物特征比對數據庫及各傳感器數據采集進程，判斷生成列車狀態信息，并將制動指令輸出到車輛接口模塊。車輛接口模塊匯集車輛狀態信息及制動系統的狀態。用戶接口模塊為系統的人機接口界面(HMI)輸出或報警信息。列車制動模塊為安全輸出。線路基礎數據庫包含線路的地圖數據、彎道、坡度、限速、設備位置坐標等信息；障礙物特征比對數據庫主要是為圖像識別系統進行比對識別和深度學習的數據倉庫，是圖像識別系統的基礎。

圖6 檢測系統結構圖

4.1.2 檢測系統數據信息處理流程

檢測系統的主要數據信息處理流程如圖7所示。

圖7 檢測系統信息處理流程圖

檢測系統的信息處理流程主要分為：數據采集、數據分析并優化執行策略、系統輸出。在數據采集階段，多檢測技術同時工作，采集的數據經過提取、精簡及優選融合，為系統建模提供準確數據。在數據分析并優化執行策略階段，依據線路基礎數據及參照物識別，生成動態進路及列車運行的動態限界；通過優選融合策略，判斷車輛、物體的運動狀態。在系統輸出階段，檢測系統的輸出包含安全輸出(緊急制動和報警)和非安全輸出(系統日志及監控人員可視界面)。此外，還輸出采集信息到特征數據庫。

4.2 優化軟件設計

(1) 容錯設計。如同時采用多種檢測手段，則誤報率會相應累加。所以，需要容錯設計處理疊加的誤識別。

(2) 模式匹配。檢測系統可自動識別車輛外界環境模式，并相應切換工作模式(如地面模式、隧道模式、夜晚模式及車輛段模式等)。檢測系統可在線實時檢測，輔助報警，并智能協助調度人員處理行車故障。

(3) 權值動態分配。不同模式下，各檢測設備數據計算可按分配的權重不同，累加優化輸出結果。權重分配采用學習算法，可動態分配權重。例如，檢測系統會自動在列車會車時降低圖像識別技術數據的權重。

(4) 數據庫比對和特征深度學習。檢測系統的核心技術是圖像識別技術。其數據庫，包含特征庫和參照物庫，都需不斷豐富更新，以提高自動識別的準確率。

(5) 改進識別算法和深度學習。檢測系統針對軌道交通特點，改進使用三維點云分割雙目視覺障礙物檢測算法，通過深度學習算法來豐富數據庫，優化參數閾值。具體識別算法參考Adaboost算法的演化版本。

4.3 優化機械結構

檢測系統的機械結構應具備一定穩定性，能減弱沖擊振動的干擾，或者利用阻尼系統穩定振動，以保證傳感器在數據采集時的穩定。為此，攝像機等傳感器是加裝在機械防抖云臺上的。云臺附屬的陀螺儀和加速度計可檢測設備的方向性和防抖狀態。關鍵部位的伺服電機可保證檢測設備的穩態。

5 融合技術的識別效果

檢測系統經過實驗室仿真試驗及真實線路現場測試，測試結果見圖8～9。安裝在列車司機頭上部左右兩側的3D攝像機通過雙目識別技術采集圖像，生成立體數據。軟件實時生成車輛延伸的動態限界區域。當車輛尚未進入該限界區域時，如在此區域內發現障礙物特征，則系統將輸出警報。如果該區域內未出現異常，則系統認為正常，并將數據采集結果存到特征庫。

圖8 障礙物識別的仿真試驗

測試系統在印度的孟買地鐵1號線和蘇州地鐵試驗線的線路上分別進行試驗。試驗的測試系統主要采用多傳感器+圖像識別技術，將泡沫板替代人和物體放置在軌道限界內。在長為11.4 km的孟買地鐵1號線上，共測試156次，有效識別了153次，誤報3次，識別正確率達98%。由測試結果可見，測試系統的障礙物識別率較高，滿足了障礙物識別的基本要求。

圖9 真實線路的障礙物識別測試

6 結論

本文詳細介紹了一種多檢測技術融合平臺的設計方案及核心架構。通過建立統一平臺、數據融合、優化策略和學習算法，最終提高了障礙物識別的正確率。多技術融合的障礙物檢測技術為未來列車插上智慧的“眼睛”和“耳朵”，為全自動無人駕駛系統安全行車提供了保障。