城市軌道交通列車自主感知系統及關鍵技術研究

吳 昊

(上海富欣智能交通控制有限公司， 201203， 上海∥高級工程師)

近年來,在我國核心技術自主化的倡導下，一批城市軌道交通信號企業已掌握核心技術，如FAO(全自動運行)已從DTO(有人值守的列車全自動運行)發展到UTO(無人值守的列車全自動運行)，并得到廣泛運用[1]。在此過程中，行業從業者一方面要面臨城市軌道交通運營新需求、新場景的挑戰；另一方面，得益于科學技術的快速發展，使行業從業者有機會采用新技術來解決新挑戰。

本文從城市軌道交通列車運行控制系統的角度出發，面向FAO的新運營場景和需求，闡述自主感知系統及其功能；并結合具體項目應用，介紹該系統中涉及的關鍵技術。

1 城市軌道交通運營的新需求

城市軌道交通安全運營的核心是在一定環境條件下，實現設備系統與管理手段的高效融合，實現安全、高效、經濟的運輸。對FAO而言，運營列車上不再設置司機崗位，環境、設備系統和管理手段等的融合關系發生了變化[2-3]，主要體現在：

1)運營環境。正常的FAO運營場景下，列車主要依靠機電系統實現運營，異常場景下則由機電系統和運營管理人員協同完成。上述模式的前提是在“封閉”路權下討論“場景”。而在實際運營過程中，所謂“封閉”的運營環境只是一種假設，是依靠運營維護人員和司機在運營階段共同監督完成。因此，FAO系統在運營階段尚未能做到全線、全時段的實時監控，存在運行線路被障礙物“侵限”的可能性。

2)設備系統。一些特別繁忙和客流不均衡的線路，一方面需要車輛設備系統高可靠性運行，另一方面存在列車聯掛運行等高級功能需求。綜合考慮車輛設備系統實際運行的可靠性指標，以及公共交通運營中斷對社會的影響等因素，往往采用預留降級系統方案實現后備運營，以降低車輛設備系統故障的影響。目前，后備運營系統方案采用點式方案，由于設備較多且系統較為復雜，相應的運營維護工作量亦較大。

3)運營管理。FAO系統的核心是降低運營管理要素中人的參與度，從而達到提升效率、降低成本的目的。這勢必對車輛設備系統的可靠性和可用性提出更高要求。因此，列車需要在薄弱環節增加設備冗余和運營管理手段。在列車不再設置司機崗位的情況下，中心調度員缺少運營現場的聯絡員，無法有效掌握現場情況，存在監管盲區。因此，需在車端和地面設置相應設備系統，實現現場的監看和基本分析，解決缺少“現場聯絡員”的問題。

上述是城市軌道交通行業在新階段、新時期亟待解決的問題。在此背景下，立足于行業技術發展路線和工業社會基礎技術發展的機遇，提出城市軌道交通自主感知系統，以求從環境感知入手，提升車輛設備系統能力，從而解決城市軌道交通的新問題。

2 自主感知系統構成及關鍵技術

自主感知系統是指城市軌道交通移動載體(主要是列車車輛)和地面固定機電設施對周圍環境信息的獲取和識別。自主感知系統需通過各種傳感器獲取包括本車狀態、設備狀態、線路狀況、延線標志等大量環境信息。自主感知系統對環境的感知，是幫助補充FAO系統對環境信息感知的不足，是加強運營指揮的重要手段。通過自主感知系統，可以實現以下功能：①運行環境中的障礙物檢測;②運行環境中的侵限監測;③基礎設施的檢測與監督。基于以上功能，可以支撐后備運營、列車自主運行、列車輔助駕駛、在線編解掛等新的運營需求。

作為具有自主環境感知能力和對環境施加影響的自主感知系統，無論其屬于移動端或地面，均包括傳感器(組)、原始感知數據處理、感知數據融合、感知決策及感知輸出等基本構成要素，如圖1所示。這些要素形成自主感知系統的主要處理邏輯，并通過特定形式的輸出反饋于城市軌道交通環境中，構成完整的閉環感知體系[4]。

圖1 自主感知系統的基本要素構成Fig.1 Fundamental elements of autonomous perception system

2.1 傳感器(組)

傳感器(組)是自主感知系統的數據來源，負責對城市軌道交通環境進行多種形式的檢測。目前，廣泛使用的傳感器包括攝像機類(可見光、紅外等)、雷達類(毫米波、激光等)、定位類(全球定位系統，城市軌道交通專用定位信標、計軸、軌道電路等)、測速測距類(速度計、加速度計等)及環境監控類(液位、氣體、溫度等)等。根據不同的應用場景，同一類傳感器可能配置多個，或同時配置不同類傳感器構成傳感器組，以實現數據冗余、延續和互補。

2.2 原始感知數據處理

原始感知數據處理通過接收前端傳感器(組)傳遞來的環境信息，結合特定傳感器的檢測原理和設備規格，將原始環境信息轉化為具備一定邏輯意義的初級感知結果。例如，攝像機傳來的圖像可被解釋為包含特定種類的視覺目標，激光雷達傳來的點云數據轉換為結構化目標，等等。由于原始環境信息包含的信息量巨大，且不確定性強，實踐中一般使用人工智能作為關鍵處理措施，通過大量數據的反復迭代和訓練完善數據處理模型，實現對原始環境信息的充分解析和利用。

2.3 感知數據融合

感知數據融合是自主感知系統的關鍵處理環節。不同的初級感知結果被用于數據融合，形成對城市軌道交通環境的完整、有效并有一定冗余度的復合感知結果。感知數據融合的主要思路是基于數據本征的相似性(前融合)或互補性(后融合)，將不同源的數據進行對齊(如時間同步和空間對準)、拼接(如將多塊局部數據合并為完整數據)和補充(如補齊缺失的目標屬性等)。

2.4 感知決策

感知決策是在復合感知結果的基礎上，根據場景特點和用戶要求，以自主感知為主要依據，判定對城市軌道交通運營系統和運營人員的影響和反饋。感知決策主要包括提示和控制兩類。提示類決策用于判定感知結果應如何使運營與操作人員、交通參與者知曉，并引導其做出及時、合理和安全的行為。控制類決策用于判定感知結果如何使機電設備動作(如車輛加速或制動、信號機燈色切換、道岔開向等)，以規避運營風險、提高行車效率。感知決策主要面向城市軌道交通運營需要，故其決策邏輯不僅需要考慮自主感知系統自身的能力，也需要兼顧城市軌道交通實際運營工作的規程規范、人員的操作習慣、安全要求等。

2.5 感知輸出

感知輸出用于將感知決策的決策結果以客觀形式反饋給人員、被控設備或環境。提示類決策一般輸出給運營人員(是否輸出給交通參與者，取決于其業務需要)，輸出手段多采用界面顯示、聲光提示等；控制類決策則輸出給被控設備，輸出手段包括網絡報文、硬線電信號等。

2.6 與城市軌道交通環境的交互

自主感知系統在城市軌道交通運營場景下運行時，其輸出會對環境造成影響。例如，若一列正常運營的列車發現障礙物，可能導致后續列車的運營時刻表變更；路面行駛的有軌電車根據路口擁堵情況動態調節自身車速，其自身的行駛又會使路口的通行狀態發生改變，從而緩解或加劇擁堵等。自主感知系統通過與城市軌道交通環境的持續交互，不斷確定城市軌道交通與社會交通、運營系統等協作的平衡點，從而能夠在感知驅動下構成協作共生的交通和社會體系。

3 自主感知系統的工程實踐

有軌電車是運行在路面上，具有半獨立或開放路權(與社會交通混行)的一類城市城市軌道交通制式，車重大、車速快(旅行速度可達50～70 km/h)。其主要依靠司機目視駕駛，對行駛環境的監控提出了較高要求，需要利用先進的技術手段實現自主感知需求。結合上海富欣智能交通控制有限公司近年來在有軌電車司機輔助駕駛(障礙物檢測)系統方面的研發成果，具體介紹自主感知系統的工程實踐。

3.1 技術路線選擇

自主感知系統面向有軌電車司機輔助駕駛的障礙物檢測，其目的是判定列車前方是否存在影響行車安全的障礙物，為司機行車提供指導，減輕其行車壓力，從而保障行車安全。在各種障礙物檢測手段中，基于視覺的方法依靠相機獲取圖像數據，通過綜合圖像處理方法和深度學習模型對障礙物進行識別[5-6]，具有成本低、速度快和定制靈活等特點。為此，采用基于視覺傳感器融合的檢測方法和系統解決該問題。該方法結合長、短焦相機數據建立大范圍視場，通過深度學習模型對同步后的相機數據進行目標檢測，并對結果進行數據融合；最后通過對軌道進行識別，以軌道作為限界，判斷目標是否侵界危及列車運行。

3.2 自主感知系統及感知流程

用于障礙物檢測的自主感知系統包括感知模塊、車載主機(含處理軟件)和用戶/駕駛員界面3個部分，如圖 2所示。感知模塊對應第2.1節所述傳感器(組)，由不同規格的相機構成；車載主機負責執行所有傳感器數據的獨立處理、數據融合和決策輸出；用戶/駕駛員界面為感知輸出的主要手段，用于向列車駕駛員進行前方路況提示。

圖2 自主感知系統構成Fig.2 Structure of autonomous perception system

嵌入車載主機的感知軟件，其處理流程主要分為4個模塊：相機驅動模塊，目標檢測模塊，數據融合模塊及侵界判斷模塊。感知軟件處理流程框架如圖3所示。相機驅動模塊用以獲取實時的圖像數據，長焦相機和廣角相機結合使用可以分別解決遠距離識別和寬范圍識別的問題。同時為保證數據一致性，需對上述兩路數據進行同步處理。目標檢測模塊以深度學習網絡模型為核心，并增加測距模塊，使模型原本的二維輸出轉換為帶有目標距離的三維輸出，并提供障礙物距離信息給駕駛員作為判斷依據。數據融合模塊通過相機聯合標定獲得參數，將圖像數據進行匹配投影；并對比不同檢測結果的重合度，過濾掉其中重復的檢測結果。侵界判斷模塊通過對軌道進行識別，以軌道作為限界，對檢測結果進行劃分。

3.3 測試效果

試驗以采集到的行人類障礙物圖像作為測試數據集(數據集中包含有軌電車前方0～250 m距離內不同位置出現的行人圖片)，利用機器人操作系統(ROS)和Open CV軟件編寫測試程序進行驗證。基本感知效果如圖4所示。有軌電車與路面車輛同行，對于非侵界的車輛或行人的檢測結果，若與侵界的檢測結果輸出一致，會影響司機判斷。因此，對非軌道限界內的障礙物及侵界障礙物使用不同顏色進行標記。

圖3 感知軟件處理流程Fig.3 Flowchart of perception software processing

圖4 自主感知系統的基本感知效果Fig.4 Basic perception effects of autonomous perception system

通過對數據及集中圖像進行感知處理和結果統計，得到總幀數、識別數/識別率、漏檢數/漏檢率誤檢數/誤檢率等一系列指標，如表1所示。從試驗結果中可看出，自主感知系統在有軌電車前方200 m內的圖像具有非常好的識別效果；而對于有軌電車前方200 m以外的圖像，由于圖像中的目標過小導致部分幀出現漏檢，可通過優化模型、增加目標跟蹤等措施進行改善。

表1 自主感知系統試驗結果

4 結語

本文面向城市軌道交通列車FAO帶來的需求與挑戰，以現代傳感器技術、人工智能技術與FAO系統的結合為基礎，提出了城市軌道交通自主感知系統的概念與作用、系統體系、功能、構成要素及關鍵技術。將自主感知系統應用在有軌電車上，其實踐結果表明，自主感知系統能夠與有軌電車運營場景充分結合，能夠有效發揮各種傳感器和算法在環境感知中的優勢，支撐運營系統提高安全性和運營效率，以進一步發揮城市軌道交通制式的優越性。