郭雙全，董昱

基于雷達(dá)的列車直軌運(yùn)行前方障礙物檢測(cè)方法研究

郭雙全，董昱

(蘭州交通大學(xué) 自動(dòng)化與電氣工程學(xué)院，甘肅 蘭州 730070)

針對(duì)視覺傳感器檢測(cè)列車運(yùn)行前方障礙物時(shí)存在環(huán)境適應(yīng)能力差及對(duì)距離判別能力弱的缺陷，提出一種基于雷達(dá)的列車直軌運(yùn)行前方障礙物檢測(cè)判別方法。通過最小二乘法進(jìn)行雷達(dá)測(cè)量數(shù)據(jù)誤差矯正得到較準(zhǔn)確的目標(biāo)位置信息。結(jié)合鐵路機(jī)車車輛限界、雷達(dá)方位角及雷達(dá)測(cè)量量程，構(gòu)建檢測(cè)區(qū)模型。將預(yù)處理后的目標(biāo)點(diǎn)位置信息代入構(gòu)建的檢測(cè)區(qū)模型中進(jìn)行障礙物檢測(cè)判別。現(xiàn)場(chǎng)測(cè)試結(jié)果顯示，利用該方法檢測(cè)不僅具有較高的準(zhǔn)確性，而且克服了環(huán)境因素的影響。

列車前方環(huán)境理解；最小二乘法；檢測(cè)區(qū)域模型；障礙物檢測(cè)

IEC62290標(biāo)準(zhǔn)按照列車運(yùn)行的所需操作，自動(dòng)化程度不同劃分自動(dòng)化系統(tǒng)等級(jí)：GOA1到GOA4。列車在GOA1和GOA2等級(jí)運(yùn)行時(shí)，監(jiān)控軌道避免列車與軌道上的維修人員碰撞，是由機(jī)車司機(jī)目視前方行車環(huán)境，當(dāng)發(fā)現(xiàn)前方行車環(huán)境中有維修人員時(shí)，司機(jī)鳴笛提示前方人員起到預(yù)警作用，同時(shí)對(duì)列車實(shí)施制動(dòng)，將碰撞事故盡可能的降低。而隨著列車的運(yùn)行速度的提高，僅僅依靠司機(jī)難以實(shí)現(xiàn)對(duì)行車環(huán)境的實(shí)時(shí)可靠監(jiān)測(cè)且司機(jī)目視監(jiān)測(cè)距離相對(duì)較短容易發(fā)生碰撞維修人員事故。故需利用自動(dòng)化監(jiān)測(cè)設(shè)備輔助司機(jī)實(shí)行監(jiān)測(cè)感知前方運(yùn)行環(huán)境，即逐漸實(shí)現(xiàn)列車的全自動(dòng)駕駛，達(dá)到GOA3和GOA4的要求。隨著軌道交通全自動(dòng)駕駛信號(hào)系統(tǒng)的研發(fā)和鐵路視覺和雷達(dá)監(jiān)測(cè)技術(shù)的應(yīng)用，實(shí)現(xiàn)行車前方鐵路限界環(huán)境的智能化監(jiān)測(cè)已然成為研究的熱點(diǎn)課題，具有重要的現(xiàn)實(shí)意義[1-4]。近幾年，國(guó)內(nèi)外學(xué)者提出采用視覺傳感器和雷達(dá)傳感器構(gòu)建列車環(huán)境感知系統(tǒng)，實(shí)現(xiàn)對(duì)行車環(huán)境的實(shí)時(shí)可靠檢測(cè)。史紅梅等[5]基于機(jī)器視覺與嵌入式技術(shù)設(shè)計(jì)了異物侵限自動(dòng)檢測(cè)系統(tǒng)。Ruder等[6]構(gòu)建了一個(gè)基于3臺(tái)攝像機(jī)的機(jī)車前方軌道障礙物檢測(cè)系統(tǒng)，實(shí)現(xiàn)對(duì)障礙物目標(biāo)跟蹤與檢測(cè)。Fonseca等[7]以車載前視視覺傳感器為視角，提出了采用基于Hough變換的方法來檢測(cè)鐵路軌道線區(qū)域并在此區(qū)域內(nèi)掃描搜索可能的障礙物目標(biāo)。Berg等[8]采用單目熱敏相機(jī)進(jìn)行障礙物檢測(cè)。超木日力格[9]提出了通過特征匹配和光流法的機(jī)車司機(jī)視野擴(kuò)展系統(tǒng)，對(duì)路軌障礙物目標(biāo)檢測(cè)。董昱等[10]采用單目攝像機(jī)獲取鐵路線路圖片并提取軌道線的Hu不變矩特征實(shí)現(xiàn)鐵路軌道識(shí)別檢測(cè)。王前選等[11]推導(dǎo)出用于鋼軌識(shí)別檢測(cè)的Bresenham直線算法，提出鋼軌直線檢測(cè)實(shí)現(xiàn)方法。龐博[12]設(shè)計(jì)了一種隨車激光雷達(dá)軌道障礙物探測(cè)系統(tǒng)，根據(jù)反饋信號(hào)判斷行車路線是否存在障礙物。雖然視覺傳感器能夠獲取目標(biāo)詳細(xì)的屬性信息，但其對(duì)于獲取目標(biāo)的位置信息以及環(huán)境適應(yīng)能力都相對(duì)較差(如：當(dāng)碰到暴雨、雪以及霧等不佳的天氣環(huán)境時(shí)，判斷效果會(huì)大打折扣)。針對(duì)司機(jī)視覺、巡道工和單點(diǎn)監(jiān)控防護(hù)的方式及視覺傳感器目標(biāo)檢測(cè)跟蹤的不足，本文采用雷達(dá)傳感器進(jìn)行鐵路異物侵限檢測(cè)研究，其既可以解決司機(jī)視覺、巡道工和單點(diǎn)監(jiān)控防護(hù)的方式帶來的實(shí)時(shí)性不足的問題,也可以解決視覺傳感器目標(biāo)檢測(cè)跟蹤獲取目標(biāo)位置不準(zhǔn)確及環(huán)境適應(yīng)能力差的問題。障礙物檢測(cè)算法架構(gòu)如圖1所示。首先，獲取目標(biāo)點(diǎn)位置信息，并對(duì)其進(jìn)行預(yù)處理消除系統(tǒng)誤差，得到較精確的目標(biāo)點(diǎn)位置信息；其次，根據(jù)鐵路限界輪廓結(jié)合雷達(dá)參數(shù)信息構(gòu)建檢測(cè)區(qū)；最后，將經(jīng)矯正后的目標(biāo)點(diǎn)位置代入構(gòu)建的檢測(cè)區(qū)模型中進(jìn)行障礙物檢測(cè) 判別。

圖1 障礙物檢測(cè)算法架構(gòu)

1 研究問題描述及雷達(dá)選型

本研究的主要目的是分析雷達(dá)探測(cè)到的目標(biāo)位置是否處在機(jī)車車輛限界內(nèi)方。若處在機(jī)車車輛限界內(nèi)方，則對(duì)行車構(gòu)成威脅，將其判別為障礙物。否則，對(duì)行車無影響，將其判別為非障礙物。

如圖2所示，雷達(dá)安裝于列車頭部正中心，周期性的發(fā)射探測(cè)波，將反射回的波形信息在雷達(dá)系統(tǒng)中進(jìn)行信號(hào)處理分析，解析出前方目標(biāo)的位置信息，用于本文障礙物檢測(cè)研究。

圖2 雷達(dá)障礙物檢測(cè)示意圖

根據(jù)功能需求選取適當(dāng)?shù)睦走_(dá)設(shè)備，本課題研究中選取的雷達(dá)型號(hào)為FD4—1000CJ10，該雷達(dá)環(huán)境適應(yīng)性強(qiáng)，雷達(dá)性能不受光照、灰塵、雨雪、霧霾等惡劣環(huán)境影響。主要的電氣參數(shù)如表1所示。

表1 雷達(dá)主要電氣參數(shù)

2 雷達(dá)測(cè)量數(shù)據(jù)預(yù)處理

雷達(dá)測(cè)量數(shù)據(jù)預(yù)處理環(huán)節(jié)的目的是為了消除雷達(dá)測(cè)量數(shù)據(jù)的系統(tǒng)誤差[13-14]，提高雷達(dá)測(cè)量數(shù)據(jù)的質(zhì)量，使后續(xù)目標(biāo)侵限判斷更準(zhǔn)確。

2.1 測(cè)量點(diǎn)函數(shù)擬合

采用最小二乘法對(duì)測(cè)量點(diǎn)進(jìn)行曲線擬合，即可得測(cè)量點(diǎn)函數(shù)，具體擬合步驟如下。

步驟1：確定擬合曲線的形式。將雷達(dá)獲取的測(cè)量點(diǎn)(x,y)用Matlab繪制成散點(diǎn)圖，如圖3所示。由圖3可知，4次測(cè)量結(jié)果的測(cè)量點(diǎn)均位于一條直線的附近，故可以用線性函數(shù)(直線)來擬合測(cè)量點(diǎn)數(shù)據(jù)，即令

式中：和為待定常數(shù)。

步驟2：構(gòu)造目標(biāo)函數(shù)。選取最佳的使偏差平方和最小構(gòu)造相應(yīng)的目標(biāo)函數(shù)，即

(a) 第1次測(cè)量；(b) 第2次測(cè)量；(c) 第3次測(cè)量；(d) 第4次測(cè)量

圖3 測(cè)量點(diǎn)散點(diǎn)圖

Fig. 3 Measurement point scatter plot

步驟3：建立方程組。對(duì)目標(biāo)函數(shù)求未知參數(shù)的一階偏導(dǎo)并令其偏導(dǎo)為0構(gòu)造方程組，將其寫成矩陣形式即為法方程組，即

式中：為擬合點(diǎn)數(shù)。

步驟4：求解函數(shù)表達(dá)式。對(duì)式(3)方程組求解即可得和的值，將求得的和的值代入式(1)中，即可得擬合函數(shù)表達(dá)式，如式(4)所示。

2.2 系統(tǒng)誤差矯正

將雷達(dá)固定，讓目標(biāo)在軸方向的距離保持不變，使其僅沿軸方向運(yùn)動(dòng)，分析軸的測(cè)量值隨軸變化的函數(shù)關(guān)系(注：由于檢測(cè)邊界在軸向的變化比較小，故對(duì)由軸引起的誤差未做研究)。其具體過程如下。

步驟1：測(cè)量點(diǎn)函數(shù)繪制。用3.1所提方法對(duì)多次測(cè)量結(jié)果均擬合出測(cè)量點(diǎn)函數(shù)表達(dá)式。

步驟2：誤差函數(shù)求解。用步驟一中獲取的測(cè)量點(diǎn)函數(shù)減去目標(biāo)實(shí)際運(yùn)動(dòng)的軌跡函數(shù)獲取誤差函數(shù)，即

步驟3：實(shí)際誤差函數(shù)。對(duì)獲取的誤差函數(shù)的系數(shù)求取均值，即可獲得實(shí)際誤差函數(shù)[14]，即

2.3 實(shí)際誤差函數(shù)求解

將雷達(dá)固定，讓目標(biāo)沿著軸方向運(yùn)動(dòng)，即此時(shí)實(shí)際目標(biāo)運(yùn)動(dòng)軌跡函數(shù)為=0。進(jìn)行了4次測(cè)量實(shí)驗(yàn)，分別計(jì)算各自的誤差函數(shù)表達(dá)式。

目標(biāo)運(yùn)動(dòng)的實(shí)際軌跡和雷達(dá)測(cè)量點(diǎn)擬合軌跡仿真如圖4所示，4(a)，4(b)，4(c)和4(d)分別為第1次至第4次的仿真結(jié)果圖。其中，虛線條代表目標(biāo)運(yùn)動(dòng)實(shí)際軌跡函數(shù)，橫坐標(biāo)粗線條代表測(cè)量點(diǎn)軌跡函數(shù)。根據(jù)式(1)~(4)結(jié)合測(cè)量點(diǎn)數(shù)據(jù)可求得各自的測(cè)量點(diǎn)函數(shù)表達(dá)式分別如表2所示。

(a) 第1次測(cè)量；(b) 第2次測(cè)量；

表2 測(cè)量點(diǎn)函數(shù)表達(dá)式

已知各次測(cè)量點(diǎn)函數(shù)表達(dá)式，又已知實(shí)際目標(biāo)運(yùn)動(dòng)軌跡函數(shù)表達(dá)式，則可根據(jù)式(6)計(jì)算獲取單次誤差函數(shù)表達(dá)式，如表3所示。

表3 單次誤差函數(shù)表達(dá)式

由表3已知單次誤差函數(shù)表達(dá)式，則可根據(jù)式(7)計(jì)算獲取實(shí)際誤差函數(shù)表達(dá)式，如式(8)所示，其實(shí)際誤差函數(shù)如圖5所示。

2.4 預(yù)處理后雷達(dá)數(shù)據(jù)誤差估計(jì)

利用雷達(dá)隨機(jī)測(cè)量個(gè)數(shù)據(jù)點(diǎn)，并記錄各個(gè)數(shù)據(jù)點(diǎn)的實(shí)際位置點(diǎn)坐標(biāo)為(x,y)和雷達(dá)測(cè)量點(diǎn)位置坐標(biāo)為(x,y)。具體估計(jì)過程如下。

步驟1：雷達(dá)測(cè)量點(diǎn)數(shù)據(jù)預(yù)處理。將獲取的雷達(dá)測(cè)量點(diǎn)數(shù)據(jù)減去雷達(dá)在該點(diǎn)的系統(tǒng)誤差值獲得預(yù)處理后的雷達(dá)數(shù)據(jù)。即如式(9)所示。

式中：(x,y)為雷達(dá)測(cè)量點(diǎn)數(shù)據(jù)經(jīng)預(yù)處理后的位置點(diǎn)坐標(biāo)；Δx代表雷達(dá)測(cè)量點(diǎn)在該點(diǎn)的x軸向距離誤差。

步驟2：誤差范圍及平均誤差估計(jì)分析。利用距離公式計(jì)算雷達(dá)數(shù)據(jù)點(diǎn)位置坐標(biāo)(x,y)與對(duì)應(yīng)的實(shí)際位置點(diǎn)坐標(biāo)(x,y)之間的距離和平均距離即可求得誤差范圍和平均誤差。其中誤差范圍求解如式(10)，平均誤差求解如式(13)。

式中：min為誤差范圍的下限；max為誤差范圍的上限；為誤差變量。min和max計(jì)算如式(11)和 式(12)。

步驟3：誤差范圍及平均誤差估計(jì)。對(duì)隨機(jī)測(cè)量的100個(gè)數(shù)據(jù)點(diǎn)首先代入式(9)中進(jìn)行預(yù)處理操作，然后再將預(yù)處理后的雷達(dá)測(cè)量數(shù)據(jù)和數(shù)據(jù)點(diǎn)的實(shí)際位置代入式(10)~(13)中進(jìn)行誤差范圍及平均誤差估計(jì)，經(jīng)估計(jì)分析的預(yù)處理后雷達(dá)的誤差范圍大概為[0 m,0.2 m]。平均誤差值大約為0.11 m。

通過誤差估計(jì)分析可知，將雷達(dá)原始目標(biāo)數(shù)據(jù)通過預(yù)處理環(huán)節(jié)后，有效的消除了由于雷達(dá)精度及設(shè)備缺陷帶來的系統(tǒng)誤差，提高了障礙物檢測(cè)的判別準(zhǔn)確性。

3 雷達(dá)障礙物檢測(cè)

3.1 檢測(cè)區(qū)模型構(gòu)建

鐵路機(jī)車車輛上部限界基本輪廓如圖6所示，經(jīng)限界基本輪廓可知[15]，列車安全運(yùn)行的限界橫向輪廓值應(yīng)至少為機(jī)車車輛限界基本輪廓在橫向的最寬值3.4 m外加列車信號(hào)裝置限界輪廓值0.2 m，即列車安全運(yùn)行的限界橫向輪廓值為3.6 m。

圖6 機(jī)車車輛上部限界圖

結(jié)合雷達(dá)參數(shù)信息、列車安全運(yùn)行的橫向輪廓值及預(yù)處理后雷達(dá)數(shù)據(jù)的誤差范圍構(gòu)建檢測(cè)區(qū)模型，其檢測(cè)區(qū)邊界參數(shù)設(shè)置如圖7所示。

圖7 檢測(cè)區(qū)構(gòu)建示意圖

圖7中，坐標(biāo)原點(diǎn)對(duì)應(yīng)雷達(dá)的發(fā)射中心，軸為雷達(dá)的發(fā)射中軸線。3.6 m為列車安全運(yùn)行的橫向輪廓值，0.4 m為誤差補(bǔ)償值。Low值為檢測(cè)區(qū)近邊界距離雷達(dá)中心點(diǎn)的距離；High值為檢測(cè)區(qū)遠(yuǎn)邊界距離雷達(dá)中心的距離；為雷達(dá)方位角。其中，Low值由雷達(dá)方位角決定，具體計(jì)算公式如式(9)所示。High值由雷達(dá)的量程決定。根據(jù)表1中雷達(dá)參數(shù)信息并將其值代入式(9)中可得Low值大約為11 m，而High根據(jù)雷達(dá)測(cè)量量程信息知其值為 600 m。

根據(jù)以上分析可以構(gòu)建相應(yīng)的雷達(dá)檢測(cè)區(qū)模型如式(15)所示[16]。

3.2 障礙物檢測(cè)判別

雷達(dá)獲取到目標(biāo)信息后首先要經(jīng)過預(yù)處理環(huán)節(jié)進(jìn)行系統(tǒng)誤差的矯正，消除雷達(dá)測(cè)量數(shù)據(jù)的系統(tǒng)誤差。

設(shè)雷達(dá)測(cè)量原始點(diǎn)坐標(biāo)為(x,y),經(jīng)式(9)預(yù)處理后得到的雷達(dá)目標(biāo)點(diǎn)的位置坐標(biāo)為(x,y) 。將經(jīng)預(yù)處理之后獲取的目標(biāo)點(diǎn)位置坐標(biāo)(x,y)代入到檢測(cè)區(qū)模型中進(jìn)行判決，判別是否滿足檢測(cè)區(qū)模型，若滿足則判別其為障礙物。即如式(16)所示。

4 仿真實(shí)驗(yàn)與結(jié)果分析

在本次實(shí)驗(yàn)中，共選取3個(gè)場(chǎng)景中測(cè)得的500幀雷達(dá)測(cè)試數(shù)據(jù)來驗(yàn)證所提方法的合理性及檢測(cè)準(zhǔn)確性。其3個(gè)場(chǎng)景分別為：白天無霧、白天有霧及夜間。

4.1 仿真驗(yàn)證實(shí)例

FD4—1000CJ10型雷達(dá)一次最多可以測(cè)量60個(gè)目標(biāo)位置信息。選取一幀雷達(dá)測(cè)試數(shù)據(jù)進(jìn)行仿真展示。所選雷達(dá)測(cè)試數(shù)據(jù)如下表4所示(注：由于現(xiàn)場(chǎng)測(cè)試距離限定，故僅分析<200 m的目標(biāo)點(diǎn)，滿足此條件的目標(biāo)點(diǎn)共有5個(gè))。

表4 雷達(dá)測(cè)試數(shù)據(jù)展示

對(duì)表4中的雷達(dá)測(cè)試數(shù)據(jù)利用式(8)和式(9)消除誤差，得到處理后的雷達(dá)檢測(cè)數(shù)據(jù)，如表5所示。

表5 處理后的雷達(dá)檢測(cè)數(shù)據(jù)

將表5中的雷達(dá)檢測(cè)數(shù)據(jù)代入式(16)中進(jìn)行障礙物檢測(cè)判別，其仿真結(jié)果如圖8所示。并在Matlab界面中提示Traget4為障礙物。

圖8 障礙物檢測(cè)判別仿真

4.2 性能評(píng)價(jià)

通過檢測(cè)正確率及誤檢率對(duì)本文提出的檢測(cè)方法進(jìn)行評(píng)價(jià)，具體見表6。

表6 本文檢測(cè)方法評(píng)價(jià)指標(biāo)

由表6可知，本文提出的障礙物檢測(cè)方法當(dāng)在惡劣行車環(huán)境下時(shí)檢測(cè)正確率為88.33%，而當(dāng)在正常環(huán)境中行駛時(shí)檢測(cè)正確率超過了90%。而采用文獻(xiàn)[10]當(dāng)在光照條件良好時(shí)直軌障礙物的識(shí)別率為89.64%，當(dāng)在光照條件較差時(shí)識(shí)別率嚴(yán)重下降。由此可以看出，本文方法具有良好的環(huán)境適應(yīng)能力和檢測(cè)準(zhǔn)確率。

5 結(jié)論

1) 提出基于雷達(dá)的直道列車運(yùn)行前方障礙物檢測(cè)，克服了機(jī)器視覺檢測(cè)環(huán)境適應(yīng)能力差及縱向距離判別能力弱兩方面的問題。

2) 利用最小二乘法對(duì)雷達(dá)數(shù)據(jù)進(jìn)行預(yù)處理，消除了雷達(dá)系統(tǒng)誤差，提高了障礙物檢測(cè)判別的準(zhǔn)確度。

3) 通過Matlab仿真驗(yàn)證，結(jié)果顯示，本文所提障礙物檢測(cè)方法是合理的且具有良好的檢測(cè)性能，具有較高的理論價(jià)值和實(shí)際應(yīng)用前景。

[1] 路向陽(yáng), 呂浩炯, 廖云, 等. 城市軌道交通全自動(dòng)駕駛系統(tǒng)關(guān)鍵裝備技術(shù)綜述[J]. 機(jī)車電傳動(dòng), 2018(2): 1-6. LU Xlangyang, LYU Haojlong, LIAO Yun, et al. A review of key apparatus of urban rail transit full automatic operation system[J]. Electric Drive for Locomotive, 2018(2): 1-6.

[2] Punekar N S, Raut A A. Improving railway safety with obstacle detection and tracking system using GPS-GSM model[J]. International Journal of Science & Engineering Research, 2013, 4(8): 288-292.

[3] 肖衍, 蘇立勇. 軌道交通全自動(dòng)駕駛系統(tǒng)集成技術(shù)研究[J]. 中國(guó)鐵路, 2015(5): 109-113. XIAO Yan, SU Liyong. Research on the integrated technology of the automatic driving system for rail transit[ [J]. Chinese Railways, 2015(5): 109-113.

[4] Kazanskiy N L, Popov S B. Integrated design technology for computer vision systems in railway transportation[J]. Pattern Recognition and Image Analysis, 2015, 25(2): 215-219.

[5] 史紅梅, 柴華, 王堯, 等. 基于目標(biāo)識(shí)別與跟蹤的嵌入式鐵路異物侵限檢測(cè)算法研究[J]. 鐵道學(xué)報(bào), 2015, 37(7): 58-65. SHI Hongmei, CHAI Hua, WANG Yao, et al. Study on railway embedded detection algorithm for railway intrusion based on object recognition and tracking[J]. Journal of the China Railway Society, 2015, 37(7): 58- 65.

[6] Ruder M, Moler N, Faruque A. An obstacle detection system for automated trains[C]// Proceedings Intelligent Vehicles Symposium IEEE, 2003: 180-185.

[7] Fonseca Rodriguez L A, Uribe J A, Vargas Bonilla J F. Obstacle detection over rails using hough transform[C]// 2012 XVII Symposium of Image, Signal Processing, and Artificial Vision (STSIVA), September 12-14, 2012. Medellin, Antioquia, Colombia. New York, USA: IEEE, 2012.

[8] Berg A, ?fj?ll K, Ahlberg J, et al. Detecting rails and obstacles using a train-mounted thermal camera[M]// Cham: Springer International Press, 2015: 492-503.

[9] 超木日力格. 機(jī)車司機(jī)視野擴(kuò)展系統(tǒng)及路軌障礙物檢測(cè)的研究[D]. 北京: 北京交通大學(xué), 2012. CHAO Murilige. Locomotive Driver’s vision expansion system and roadblock detection algorithm[D]. Beijing: Beijing Jiaotong University, 2012.

[10] 董昱, 郭碧. 基于Hu不變矩特征的鐵路軌道識(shí)別檢測(cè)算法[J]. 鐵道學(xué)報(bào), 2018, 40(10): 64-70. DONG Yu, GUO Bi. Railway track detection algorithm based on Hu invariant moment feature[J]. Journal of the China Railway Society, 2018, 40(10): 64-70.

[11] 王前選, 梁習(xí)鋒, 劉應(yīng)龍, 等. 鐵路鋼軌視覺識(shí)別檢測(cè)方法[J]. 中南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014, 45(7): 2496- 502. WANG Qianxuan, LIANG Xifeng, LIU Yinglong, et al. Railway rail identification detection method using machine vision[J]. Journal of Central South University (Science and Technology), 2014, 45(7): 2496-2502.

[12] 龐博. 高速機(jī)車軌道障礙物激光掃描探測(cè)系統(tǒng)技術(shù)研究[D]. 天津: 天津大學(xué), 2010: 9-43. PANG Bo. Research on laser scanning system and technology for obstacle detection of high-speed railway[D]. Tianjin: Tianjin University, 2010: 9-43.

[13] 董大鈞. 誤差分析與數(shù)據(jù)處理[M]. 北京: 清華大學(xué)出版社, 2013: 69-83. DONG Dajun. Analysis and date processing[M]. Beijing: Tsinghua University Press, 2013: 69-83.

[14] 李鵬飛, 郝宇, 費(fèi)華平, 等. 基于多直線融合的雷達(dá)誤差標(biāo)定算法研究[J]. 雷達(dá)科學(xué)與技術(shù), 2017, 15(6): 682-686. LI Pengfei, HAO Yu, FEI Huaping, et al. Radar calibration error correction algorithm based on segment track linear fitting[J]. Radar Science and Technology, 2017, 15(6): 682-686.

[15] 王瑞峰. 鐵路信號(hào)運(yùn)營(yíng)基礎(chǔ)[M]. 北京: 中國(guó)鐵道出版社, 2008: 11-14. WANG Ruifeng. Railway signal operation foundation [M]. Beijing: China Railway Press, 2008: 11-14.

[16] 黃偉. 基于雷達(dá)和機(jī)器視覺的車輛前方障礙物檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 武漢: 武漢理工大學(xué), 2010. HUANG Wei. Design and implementation of vehicle obstacle ahead detection system based on radar and computer vision[D]. Wuhan: Wuhan University of Technology, 2010.

Research on detection method of obstacle in front of straight track operation of train based on radar

GUO Shuangquan, DONG Yu

(College of Automation and Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

To address the problem of poor environmental adaptability and weak distance discrimination in the detection for obstacle based on visual sensors,aradar-based method for detecting obstacles in front of straight track operation of trains was proposed. Firstly,the method performed the error correction of the radar measurement data by the least squares method to obtain more accurate target position information. Secondly,combined with the railway locomotive vehicle limit, radar azimuth and radar measurement range, the detection zone model was constructed. Finally, the pre-processed target point position information was substituted into the constructed detection area model for obstacle detection and discrimination. The field test results show that the method is not only highly accurate but also overcomes the influence of environmental factors.

environmental understanding of the front of the train; least squares; detection area model; obstacle detection

10.19713/j.cnki.43-1423/u.T20190293

U213.2

A

1672 - 7029(2020)01 - 0224 - 08

2019-04-12

國(guó)家自然科學(xué)基金資助項(xiàng)目(61763023)

董昱(1962-)，男，河南鄧州人，教授，從事鐵路交通信息工程及控制研究；E-mail：1761853586@qq.com

(編輯 蔣學(xué)東)