軌道交通系統主動障礙物檢測研究綜述

師 帥

（西安市軌道交通集團有限公司運營分公司，西安 710000）

0 引言

異常入侵軌道限界的障礙物會導致車輛與障礙物相撞，嚴重影響著城市軌道交通的運營安全。廣泛地講，列車、行人、設備工具、周圍建筑等均為影響列車正常行車安全的障礙物，障礙物的侵限導致列車最終與障礙物相撞，對軌道交通的運營及乘客安全造成損傷。目前城市軌道交通列車運行安全主要由列車自動防護系統（ATP）實施保障。該系統具有高度的安全性，通常安全完整性水平達到SIL4等級，危險側事件發生概率THR≤10－9/h[1]。對于當前大部分地鐵運行線路，ATP中不包含障礙物檢測功能，即使設備完全正常工作，除了列車距離可以通過信號防護外，大部分障礙物都無法通過現有的ATP系統進行防護。對于落石、人、物等隨機障礙物，目前尚無成熟的主動檢測運營案例，目前僅在特殊地段安裝防護網，對橋隧關鍵點架設視覺監控設備或相關監測設備，同時采用巡道工和司機瞭望的人工檢查方式共同完成侵限障礙物的監控。

雖然防止障礙物與運行列車相撞的問題已逐漸受到重視，且已經采取了部分手段，但是障礙物侵限事故仍然屢見不鮮。依靠巡道工、單點監控防護、司機難以有效檢測到前方障礙物，對于當前的城市軌道交通車輛，亟需一套能夠實現主動安全防護的系統，擺脫行車過程中單純依靠司機瞭望等單純通過人工操作來檢查前方軌行區狀態，避免障礙物與車輛碰撞的現況。

當前的列車障礙物檢測GB/T 32590（ICE 62290）中將列車的自動駕駛等級分為4級，分別為非自動化駕駛運行模式（GOA1）、半自動化駕駛運行模式（GOA2）、無人駕駛運行模式（GOA3）和無干預運行模式（GOA4），除上述4個等級以外，還包括人工駕駛模式，即GOA0[2]。對于城市軌道交通運輸管理和指令/控制系統（UGTS），可以在上述不同自動化等級下運行，且不同等級的自動化運行列車需要在系統內部實現對應的基本功能，如圖1所示。

圖1 自動化等級功能要求

對于障礙物檢測功能，在GOA0－2等級下，該部分可交由運營人員工作完成，但是隨著自動化等級的提高，對于GOA3和GOA4等級的列車系統，對障礙物（下將包括隨機障礙物、行人及同線路行駛的車輛統稱為障礙物）的檢測功能需要納入到ATP防護下。因此，伴隨著我國城市軌道交通自動化技術的發展，一套可靠性高、響應速度快的主動安全防護系統是必不可少的。

對于障礙物主動檢測系統，根據檢測設備的安裝位置可分為軌旁障礙物檢測和車載障礙物檢測，分別對當前國內外軌旁障礙物檢測和車載障礙物檢測的研究現狀進行介紹，并最終總結主動障礙物檢測目前存在的問題，展望其研究趨勢和應用前景。

1 軌旁主動障礙物檢測

軌旁主動障礙物檢測的檢測設備安裝在線路端，將設備安裝在重點防護區段進行障礙物檢測。通常軌旁的檢測設備安裝位置固定，因此檢測對象相對簡單，對算法復雜度相對較低。但是單個的軌旁檢測設備只能檢測部分路段區域，若需要覆蓋整條線路，需要對整條線路監控覆蓋，整體成本較高。

1.1 紅外柵欄

西班牙學者Garcia J J等[3]設計了一種紅外柵欄的方式檢測是否有障礙物入侵軌道，在鋼軌兩側交叉安裝紅外線收發裝置，當障礙物入侵軌道時，切割紅外線，使紅外線接收器無法正常接收紅外線信號，觸發報警。如圖2所示。

圖2 紅外柵欄工作示意圖

本文在紅外柵欄的基礎上進行改進，在軌道限界外兩側安裝紅外和超聲波發射器和接收器，形成一道檢測屏障，通過多傳感器融合的方式檢測障礙物，當尺寸超過50 cm×50 cm×50 cm的外界障礙物入侵限界時，傳感器可以檢測到障礙物的入侵[4]。此檢測系統的靈敏度很高，同時紅外傳感器和超聲波傳感器安置在室外，受太陽照射、天氣變化等影響較大，可能會造成一定的虛警。如圖3所示。

圖3 改進紅外柵欄工作示意圖

1.2 振動檢測

通過在鋼軌上加裝傳感器檢測鋼軌的振動狀態，可以實現對侵限障礙物的檢測。Sinha D等[5]使用貝葉斯分類法檢測鋼軌的振動數據，并以此區分鋼軌的振動是由于列車經過引起的還是障礙物與鋼軌碰撞裝所導致，該方法每個測點可以具有400 m的測量范圍，但是目前仍處于前期研究階段。對于通過振動實現測量障礙物，其方法不應局限于一般的振動傳感器，通過光纖、壓電、應變等傳感器同樣能達到相似的檢測效果。

1.3 視覺檢測

視覺檢測是一種常用的檢測手段，對于設置在軌旁的障礙物視覺檢測研究也相對較多。對于軌旁的視覺障礙物檢測，其背景相對固定，通過“幀間差分法”即可有效提取出畫面中移動的物體，算法復雜度相對較低[6－7]，在識別出障礙物的基礎上增加卡爾曼濾波器，即可實現對障礙物的追蹤[8]。差分法識別及追蹤障礙物如圖4所示。

圖4 差分法識別及追蹤障礙物

基于視覺的檢測手段除了使用常規的高清攝像機外，還可以使用紅外成像功能的攝像機進行檢測。相對于常規的攝像機通過感光可見光成像，紅外攝像機通過紅外探測器接受紅外的熱輻射，形成紅外圖片。紅外攝像機雖然不能形成彩色的圖像信息，但是會根據物體的熱輻射產生灰度圖像，且不依賴于外部的照明，可在夜間工作，受光照和電磁干擾較少[9－10]。

1.4 激光雷達

激光雷達通過多條激光線束測距，并向四周掃描實現三維立體成像，基于高精度激光回波信號測量技術能夠有效探測列車周圍的地形分布和四周環境。激光雷達已廣泛應用于汽車自動駕駛領域的實驗探索中。激光雷達完成軌旁障礙物檢測的研究方面，通過在鐵路站臺平臺安裝激光雷達傳感器來檢測墜落站臺的行人、障礙物和列車?？壳闆r，使用激光雷達能分辨因雨、雪、粉塵等環境因素造成的干擾，具有較好的識別準確度[11－13]。軌旁激光雷達檢測如圖5所示。

圖5 軌旁激光雷達檢測

2 車載主動障礙物檢測

車載主動障礙物檢測即將主要的傳感器和計算單元安裝在車輛端的檢測方法，通常將傳感器安裝在列車兩端頭車上，無需沿線布置。在硬件層面，相比于軌旁障礙物檢測，車載障礙物檢測受車載環境影響，通常無法使用算力較高的計算設備，同時對設備的可靠性具有更高的要求。在算法層面，不同于軌旁障礙物檢測，車載檢測設備檢測過程中的背景是不斷變化的，需要更加復雜的算法才能實現障礙物的提取功能。相比于汽車的車載障礙物檢測，由于軌道交通車輛制動距離較遠，因此障礙物檢測的感知范圍也需要相應提升，對于城市軌道交通車輛通常需要對不低于200 m的障礙物實現有效檢測。

2.1 無線車車通信

對于實際車輛的日常運行，相同股道的其他車輛也屬于一種障礙物，且嚴重威脅著行車安全，當信號出現故障，車輛ATP切除行駛時，由于司機視野受限，容易引起前后車相撞的嚴重事故。基于上述情況，同濟大學的沈拓等[14－15]提出使用二次雷達，在獨立于現有信號設備的基礎上實現車車通信，通過對前車距離和速度的實時監測作為信號系統故障后的最終防護手段。二次雷達通過在每輛車上安裝射頻天線，在列車ATP系統故障時通過射頻天線進行車車通信，測量相同運行方向的前車距離，實現對車輛的防撞功能。主要技術手段包括2.4 GHz擴頻通信和UWD超寬帶定位技術等，該方法能夠在1 000 m以上的距離下探測到前車，同時能夠有效克服彎道視野受限的問題。如圖6所示。

圖6 無線車車通信工作示意圖

除了二次雷達以外，通過GPS與GSM相結合的方式也可以實現獨立于當前信號系統的車輛定位和車車通信[16]。但是對于城市軌道交通車輛，其大部分運行工況位于地下，衛星定位信號弱，依賴于GPS定位的檢測方式在城市軌道交通領域的應用受限。

2.2 視覺檢測

通過車載前視攝像機拍攝列車前方軌行區域的圖像，通過算法檢測可以判斷是否存在障礙物侵限。不同于軌旁的視覺檢測防護，車載前視相機的圖像背景不斷在變化，依靠“幀間差分法”不能有效提取出實際的障礙物物體，需要更復雜的算法實現車載工況下的障礙物檢測。

視覺的障礙物檢測主要可以分為機器學習法、背景過濾法、三維成像法。

對于機器學習法，即通過機器學習的手段學習障礙物的特征，訓練得到障礙物檢測的模型，在實際檢測過程中，將圖像帶入到訓練模型中檢測圖像中是否存在障礙物。該方法通?？捎糜跈z測特定類別的障礙物，可使用傳統的機器學習方法[17－18]或者深度學習方法[19]。傳統的機器學習方法計算速度快、算力要求低；而深度學習的方法準確率高，但是算力消耗大，對硬件依賴性高。

將列車運行圖像錄入數據庫，在列車運行時將前視圖像與數據庫圖像匹配，得到匹配圖像。將檢測圖像與匹配圖像比對，判斷是否出現障礙物[20]。該方法對線路要求較高，若線路發生變化則需要重新錄入數據。

三維成像法通過視覺圖像建立三維模型，將二維圖轉化成為三維特征圖，從而檢測前方是否存在障礙物。常用的方法包括雙目視覺成像法、TOF深度相機等[21]。深度學習視覺障礙物檢測如圖7所示。

圖7 深度學習視覺障礙物檢測

2.3 激光雷達

通過激光雷達的點云數據可以有效探測到列車前方的目標到列車的距離。目前，激光雷達的有效工作范圍一般在200 m左右，與探測物體表面反射激光的能力有關。常見的包括機械旋轉式激光雷達、固態激光雷達和半固態激光雷達。車載探測只需要探測列車前方部分，不需要360°全方位檢測，因此常使用固態或半固態激光雷達。一般使用激光雷達和前視攝像機等傳感器融合使用實現障礙物檢測。國內某公司使用激光雷達、超聲波雷達、紅外傳感器、攝像機、GPS及慣性測量單元等多傳感器融合的方式處理軌道數據，并在國外某地鐵一號線和國內某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結合圖像識別技術，將泡沫板替代人和物體放置在軌道限界內[22－23]；中車株洲電力機車有限公司、中車長春軌道客車股份有限公司等也同樣對多傳感器融合的方式展開了研發[24－25]。

2.4 毫米波雷達

毫米波雷達是工作頻段在30～300 GHz范圍內的雷達，該波段由于其波長一般處于1～10 mm范圍內，因此被統稱為毫米波。毫米波的波長介于微波和厘米波之間，因此其兼有微波雷達和光電雷達的一些優點。毫米波雷達能分辨識別很小的目標，而且能同時識別多個目標；現有的毫米波雷達大多有二維成像能力，且體積較??；相比于激光雷達，檢測計算在雷達端完成，基本不占用計算機資源；毫米波雷達能夠測量周圍環境的同時，還能依靠發射波束的多普勒效應探測車輛的運動速度，具有多種功能。毫米波雷達相比于其他測量方法，受鐵制物等外部物體干擾影響較大，誤報率相對較高。在隧道等工作區域受限的工況下，毫米波雷達會產生多徑效應，可能會干擾檢測結果。其在障礙物檢測的應用有待進一步研究。激光雷達檢測效果如圖8所示。

圖8 激光雷達檢測效果

另外，隨著4D毫米波雷達技術的發展，具有三維成像能力的毫米波雷達逐漸進入公眾視野，隨著將來三維毫米波雷達產品的落地，或許會為當前的障礙物檢測帶來新的解決方案。4D毫米波雷達檢測效果如圖9所示。

圖9 4D毫米波雷達檢測效果

3 結束語

本文所介紹的主動障礙物檢測研究可以提前識別軌行區域內的障礙物，實現對列車的防護。其不僅能夠擺脫依賴人工巡查，提升檢測效率，保障運行安全，同時也是列車實現GOA4自動駕駛等級的必經之路，越來越多的研究機構和人員進入積極推動該領域的技術發展，為提升軌道交通的安全運行提供解決方案。但是仍存在有待改進的方面，具體如下。

（1）對于軌旁障礙物檢測，相比于車載檢測，其算法復雜度相對較低，可實現性較強，但是軌旁障礙物檢測只能檢測傳感器附近區域，通常只用于檢測終點防護區域，全線防護則需要沿線布置，實現成本較高。

（2）在實際的復雜運行環境下，周邊環境干擾多，實際檢測過程中易受到影響導致誤報。對于列車防護設備，設備應具有足夠的可靠性，誤報率不應過高，因此實際檢測算法的魯棒性有待進一步提升。

（3）隨著深度學習技術的發展，算法層面的檢測準確率實現了巨大提升，為實現主動障礙物檢測帶來新的機遇。但是深度學習仍然需要大量的算力實現，如何優化算法、提升硬件性能，實現檢測精度和速度的平衡仍是一大難點。

（4）當前嵌入式芯片的性能越來越強，一部分算法可以通過邊緣計算在傳感器端完成，從而減輕主機的運算壓力甚至替代主機直接完成檢測算法。如何實現對障礙物檢測系統的架構進行設計優化，提升整個系統的性能和運行效率也是值得研究的對象。

（5）對于用于主動障礙物檢測的防護設備，應具有足夠的可靠性，需要設計主動障礙物檢測系統及其對應裝備，使其滿足SIL2、SIL4的安全完整性等級。

綜上所示，隨著當前計算機性能、傳感器性能、邊緣計算、深度學習等技術的發展，以及研究人員和企業之間的不斷探索，主動障礙物檢測技術也將愈加成熟，成為維護列車運行安的重要保障。