肖陽俊 李擁軍 李金波 徐志榮 熊 鋼

(中車南京浦鎮(zhèn)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(tǒng)(自動控制等級為GoA4)中，障礙物識別技術(shù)是保障列車全自動運行的關(guān)鍵技術(shù)之一。只有在車輛上加裝主動探測識別系統(tǒng)，替代傳統(tǒng)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(tǒng)，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(shù)

1.1 圖像識別技術(shù)

近年來，人臉識別與車牌識別等靜態(tài)識別技術(shù)已經(jīng)相對成熟，但軌道交通車輛的圖像識別技術(shù)因有自身獨特性，尚處于不斷發(fā)展中。首先，車輛要識別的物體是完全動態(tài)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(shù)又需有優(yōu)秀的算法和良好的系統(tǒng)總體設(shè)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(qū)及場站環(huán)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(tài)過程，其環(huán)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(shù)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(huán)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(tǒng)。

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(tǒng)、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(yōu)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(qū)域(如線路岔區(qū)、車站、坡道)及列車之間會車時，環(huán)境變化劇烈。這就要求障礙物識別系統(tǒng)不僅要將障礙物識別出來，而且能根據(jù)線路條件進行智能化判斷。

例如，當列車經(jīng)過道岔區(qū)段時，必須依據(jù)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(qū)域識別示意圖。圖3中方向A為列車行駛方向，但側(cè)線的軌道上停有車輛。當車輛經(jīng)過道岔區(qū)時，如果不做技術(shù)處理，則激光雷達、紅外及超聲波雷達技術(shù)均會識別到障礙物從而產(chǎn)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(qū)域的識別

此時，選用圖像識別技術(shù)，結(jié)合地理信息系統(tǒng)數(shù)據(jù)和線路基礎(chǔ)數(shù)據(jù)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(shè)背景下能源與動力工程專業(yè)人才培養(yǎng)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(qū)間與封閉區(qū)間對檢測設(shè)備的干擾

地鐵列車多數(shù)情況下是在地面和地下交替行駛。地面開放環(huán)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(huán)境光線等問題，均對檢測技術(shù)存在巨大影響。例如：超聲波在小半徑曲線的隧道內(nèi)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(qū)域作用有限；GPS(全球定位系統(tǒng))定位不能在隧道內(nèi)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。可見，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(tǒng)會生成安全區(qū)域的動態(tài)限界(矩形框內(nèi))。如果有異物侵入，則識別系統(tǒng)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(tǒng)的識別性能指標要求見表2。

4 多技術(shù)融合的障礙物檢測方案

上述幾種檢測手段，在技術(shù)上和應用上都存在各自的局限性，要提高障礙物檢測技術(shù)本身很困難。因此建議采用融合多檢測技術(shù)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(shù)和紅外傳感器技術(shù)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(tǒng)(GIS)定位，就能較好地解決障礙物檢測問題。各種技術(shù)在曲線上探測障礙物的范圍示意圖見圖5。

圖4 動態(tài)限界(右)

性能指標參數(shù)說明系統(tǒng)有效監(jiān)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(xù)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(tǒng)結(jié)構(gòu)及處理流程

4.1.1 系統(tǒng)結(jié)構(gòu)

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

檢測系統(tǒng)結(jié)構(gòu)如圖6所示，分為5個模塊及2個數(shù)據(jù)庫。傳感器融合模塊處理多種檢測設(shè)備的輸入、列車定位信息及線路基礎(chǔ)數(shù)據(jù)。處理識別核心模塊根據(jù)障礙物特征比對數(shù)據(jù)庫及各傳感器數(shù)據(jù)采集進程，判斷生成列車狀態(tài)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(tài)信息及制動系統(tǒng)的狀態(tài)。用戶接口模塊為系統(tǒng)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(chǔ)數(shù)據(jù)庫包含線路的地圖數(shù)據(jù)、彎道、坡度、限速、設(shè)備位置坐標等信息；障礙物特征比對數(shù)據(jù)庫主要是為圖像識別系統(tǒng)進行比對識別和深度學習的數(shù)據(jù)倉庫，是圖像識別系統(tǒng)的基礎(chǔ)。

圖6 檢測系統(tǒng)結(jié)構(gòu)圖

4.1.2 檢測系統(tǒng)數(shù)據(jù)信息處理流程

檢測系統(tǒng)的主要數(shù)據(jù)信息處理流程如圖7所示。

圖7 檢測系統(tǒng)信息處理流程圖

檢測系統(tǒng)的信息處理流程主要分為：數(shù)據(jù)采集、數(shù)據(jù)分析并優(yōu)化執(zhí)行策略、系統(tǒng)輸出。在數(shù)據(jù)采集階段，多檢測技術(shù)同時工作，采集的數(shù)據(jù)經(jīng)過提取、精簡及優(yōu)選融合，為系統(tǒng)建模提供準確數(shù)據(jù)。在數(shù)據(jù)分析并優(yōu)化執(zhí)行策略階段，依據(jù)線路基礎(chǔ)數(shù)據(jù)及參照物識別，生成動態(tài)進路及列車運行的動態(tài)限界；通過優(yōu)選融合策略，判斷車輛、物體的運動狀態(tài)。在系統(tǒng)輸出階段，檢測系統(tǒng)的輸出包含安全輸出(緊急制動和報警)和非安全輸出(系統(tǒng)日志及監(jiān)控人員可視界面)。此外，還輸出采集信息到特征數(shù)據(jù)庫。

4.2 優(yōu)化軟件設(shè)計

(1) 容錯設(shè)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(shè)計處理疊加的誤識別。

(2) 模式匹配。檢測系統(tǒng)可自動識別車輛外界環(huán)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(tǒng)可在線實時檢測，輔助報警，并智能協(xié)助調(diào)度人員處理行車故障。

(3) 權(quán)值動態(tài)分配。不同模式下，各檢測設(shè)備數(shù)據(jù)計算可按分配的權(quán)重不同，累加優(yōu)化輸出結(jié)果。權(quán)重分配采用學習算法，可動態(tài)分配權(quán)重。例如，檢測系統(tǒng)會自動在列車會車時降低圖像識別技術(shù)數(shù)據(jù)的權(quán)重。

(4) 數(shù)據(jù)庫比對和特征深度學習。檢測系統(tǒng)的核心技術(shù)是圖像識別技術(shù)。其數(shù)據(jù)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(tǒng)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(shù)據(jù)庫，優(yōu)化參數(shù)閾值。具體識別算法參考Adaboost算法的演化版本。

4.3 優(yōu)化機械結(jié)構(gòu)

檢測系統(tǒng)的機械結(jié)構(gòu)應具備一定穩(wěn)定性，能減弱沖擊振動的干擾，或者利用阻尼系統(tǒng)穩(wěn)定振動，以保證傳感器在數(shù)據(jù)采集時的穩(wěn)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(shè)備的方向性和防抖狀態(tài)。關(guān)鍵部位的伺服電機可保證檢測設(shè)備的穩(wěn)態(tài)。

5 融合技術(shù)的識別效果

檢測系統(tǒng)經(jīng)過實驗室仿真試驗及真實線路現(xiàn)場測試，測試結(jié)果見圖8～9。安裝在列車司機頭上部左右兩側(cè)的3D攝像機通過雙目識別技術(shù)采集圖像，生成立體數(shù)據(jù)。軟件實時生成車輛延伸的動態(tài)限界區(qū)域。當車輛尚未進入該限界區(qū)域時，如在此區(qū)域內(nèi)發(fā)現(xiàn)障礙物特征，則系統(tǒng)將輸出警報。如果該區(qū)域內(nèi)未出現(xiàn)異常，則系統(tǒng)認為正常，并將數(shù)據(jù)采集結(jié)果存到特征庫。

圖8 障礙物識別的仿真試驗

測試系統(tǒng)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(tǒng)主要采用多傳感器+圖像識別技術(shù)，將泡沫板替代人和物體放置在軌道限界內(nèi)。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(jié)果可見，測試系統(tǒng)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(jié)論

本文詳細介紹了一種多檢測技術(shù)融合平臺的設(shè)計方案及核心架構(gòu)。通過建立統(tǒng)一平臺、數(shù)據(jù)融合、優(yōu)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(shù)融合的障礙物檢測技術(shù)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(tǒng)安全行車提供了保障。