基于多传感器信息融合技术的列车前方行驶环境检测系统研究

In recent years, rail traffic safety problem is still severe, and accidents happen from time to time which trains were invaded by foreign body collision in the train bound. Especially in the tram and highway traffic sharing road environment and the face of haze, fog, rain, snow and other low visibility weather conditions, the demand to detect the environment in front of the vehicle to avoid collision is particularly prominent. The driver, point monitoring, artificial patrol etc. have been difficult to respond to the needs. The intelligent environment perception system based on vehicle mounted mode has become a necessary strategy to assist the driver to observe, to avoid accidents, to reduce the loss of accidents, and to improve the function of automatic driving. In this project, the multi-sensor fusion technology is introduced into the field of understanding train bound environment, and hoping to provide a new way to solve the above problems. Methods based on the radar and machine vision sensing platform perceive the front environment, and establish the basic motion parameter model within the scope of train bound from locomotive’s visual angle. Then, combining with the visual foreground target segmentation and radar ranging parameters, the feature vector of the target pattern is constructed. According to the theory of pattern recognition, the intrusion foreign body identification model is generated, and traffic conflict early warning system will is built based on it. The research results will provide theoretical basis for railway locomotive driving environment, and have important practical significance for the realization of rail traffic safety protection.

近年来，轨道交通安全问题依旧严峻，机车遭遇异物入侵限界造成碰撞的事故时有发生。特别在有轨电车与公路交通共用道路环境且面对雾、霾、雨、雪等能见度较低天气的情况下，实现行车前方环境探测以防碰撞的需求尤为突出。原采用司机、点式监控、人工巡道等方式已难以应对需要，基于车载的智能环境感知系统成为辅助司机瞭望、避免人因事故、减少事故损失，完善自动驾驶功能的必要策略。本项目将多传感器融合技术引入机车运行限界环境理解领域中，希冀为解决以上问题提供新的思路。方法依托雷达、机器视觉多源传感平台来感知前方环境，建立机车视角下限界环境内的时空序列基本运动参数模型；结合视觉前景目标分割提取技术和雷达测距参量，构造疑似目标模式特征表征向量，依据模式识别理论，生成异物入侵限界辨识模型，并在此基础上构建行车冲突预警系统。研究成果将为铁路行车环境理解提供理论基础，对于实现轨道交通行车限界安全防护具有重要的现实意义。

异物侵限是导致铁路事故发生的主要原因，严重威胁着列车行车安全。国际电工协会规定列车运行控制系统自动化等级GOA3、GOA4等级下，自动驾驶系统应取代驾驶员，实现在不同的线路及天气状况下及时准确地监测列车前方障碍物。在复杂背景下对列车前方运行环境感知是列车实现自动驾驶的必要前提，因此具备一套可以实时连续检测列车前方障碍物的系统，是保障行车安全的现实需求。本项目的研究方向是轨道交通运输安全相关技术，主要以列车前方行驶环境检测为中心，依托车载雷达和相机多源传感器完成现场真实数据采集，采用图像处理技术和多传感器融合技术实现对列车前方行驶环境的检测。为了研究体系的完整性，将列车接触关系研究、列车组合测速方法研究和轨道电路故障诊断作为补充研究内容。主要研究内容如下：.(1) 通过对雷达实测数据分析，设计误差校正方案，利用最小二乘法对误差与探测距离之间的关系进行研究，使校正后的横向距离误差控制在0.2m以内。结合GPS提供的车载雷达的定位信息、轨道地图分段多项式表达式及铁路线路建筑限界的设计规范构建检测区域模型。将雷达获取的目标位置信息经预处理后代入构建的检测区域模型中进行障碍物检测判决。.(2) 设计基于Hu不变矩和基于直线分割检测的钢轨检测方法，构建动态背景下列车运行限界模型。以YOLO算法为核心，搭建物体识别深度学习网络。对设定的物体进行充分训练，将现场采集图像代入网络进行物体定位识别，以物体识别定位框角点坐标和图像限界模型进行比对得到物体侵限判断结果。.(3) 建立时空融合模型，设计基于决策层融合的多传感器的融合策略，采用最近时间融合策略，通过空间坐标转换使机器视觉的检测结果与雷达的检测结果统一标定在图像中，实现优势互补并提高检测的可靠性。.现场测试结果表明，利用本项目方法直轨检测正确率为91.39%，弯轨检测正确率为87.59%，岔区检测正确率为84.71%，平均正确率为87.90%，具有较好的检测性能。研究成果对于保障轨道交通行车安全具有重要的现实意义和实用价值。