列车智能障碍物检测系统在北京新机场线全自动运行中应用的研究

张 强， 杨 峰， 张 宝

(1 交控科技股份有限公司， 北京 100070；2 北京市轨道交通运营管理有限公司 车辆部， 北京 100068；3 北京市轨道交通建设管理有限公司 设备管理总部， 北京 100068)

全自动运行系统对提高轨道运行效率、降低交通事故有着重要意义。随着城市轨道交通技术的日趋成熟，全自动运行系统成为当前城市轨道交通的重要发展方向及研究重点。全自动运行系统系统涵盖了现代数据通信、自动控制、高可靠定位等先进技术，代表了轨道交通现代化的最高水平。一方面，全自动运行系统不受驾驶员主观因素干扰，对提高车辆运行安全有着重要意义[1-2]。另一方面，全自动运行系统，相比于传统手动驾驶列车，其系统的运行效率提升，在运输服务的供给及配置等方面具有较强的灵活性和适应性，有效保证了列车运营的准点性和舒适性，对改善了交通系统的服务质量有着重要意义[3]。

然而，全自动运行系统是一个高度复杂的系统，现有的全自动运行列车主要依赖于信号系统通过车-地-车的交互保证安全，列车本体缺乏主动环境感知设备，无法实现对车辆运行前方的主动感知。车辆运行完全依赖于线路封闭以及驾驶员目视前向运行环境，此时轨道环境中前向列车、行人、箱体等障碍物均增加车辆运行安全隐患，给车辆运行安全带来更多不确定因素。另一方面，虽然全球各国的研究机构及相关企业花费了巨大的人力和财力成本进行了较长时间的探索，但由于轨道列车运行环境复杂，列车由于其体积大、质量重等特性，对主动环境感知距离要求更远，因此技术上仍存在巨大挑战，现有相关研究成果均未得到有效的实际应用。

针对上述问题，北京新机场线全自动运行系统中开展了列车智能障碍物检测系统研究，该系统融合了视觉与激光雷达信息，实现了新机场线无人驾驶列车前方的轨道、列车、障碍物等精准识别，增强了新机场线列车行车安全性，保证列车能够准确识别前方障碍物并采取相应的预警或制动措施。

1 系统架构

基于视觉的列车智能障碍物检测系统包含有感知层、认知层和决策层组成。感知层主要用于接收视觉传感器数据，主要包括来自两路相机的图像信息和来自一路激光雷达的激光点云信息，用于感知不同距离处环境；认知层主要对输入的两路视觉以及激光雷达信息进行处理并深层次融合，通过神经网络算法识别出每一路视频中的轨道，同时通过激光雷达和视觉信息进行融合感知出前向的列车以及障碍物信息；决策层通过认知层的感知结果结合车身姿态信息进一步的对数据进行处理，判断识别出的前方列车是否影响本车的正常行驶，并根据可行驶距离和列车速度判断是否需要进行超速报警或对车辆进行制动。列车智能障碍物检测系统架构图如图1所示。

图1 智能障碍物识别系统架构图

2 系统方法

列车智能障碍物识别系统的核心功能包括轨道识别模块、列车识别模块以及视觉与激光雷达融合模块，其中轨道识别模块应用视觉信息识别出列车前方的轨道信息，列车识别模块应用视觉信息识别轨道前方的列车，视觉与激光雷达融合模块用于对视觉模块识别的结果进行修正，同时进一步识别出轨道中的障碍物。

2.1 轨道区域识别

列车智能障碍物检测系统的核心功能是轨道区域识别，即识别出输入的图像中的轨道范围。精准可靠的轨道区域识别不仅可以提供精准的列车行驶限界[4-5]，还可以为障碍物识别提供精准的感兴趣区域[6-7]，从而使障碍物识别更加精准高效。然而，由于列车运行环境中轨道区域环境复杂，弯道、直道等各种场景相互交错，传统的图像处理算法很难适应所有的场景。另一方面，近年来，人工智能尤其是深度学习取得了迅速发展，并在各个领域得到了广泛应用，我们发现语义分割算法有较强的图像特征提取能力，因此在文中我们尝试应用语义分割进行轨道区域识别，轨道区域识别算法网络架构如图2所示。

图2 轨道区域识别网络架构图

轨道区域识别网络主要包括编码部分和解码部分组成。编码部分主要用于分析并提取轨道区域的特征，主要包含有卷积层和池化层，此外，编码部分还包含有空洞卷积层。卷积层主要用于提取每一层的轨道区域特征，池化层主要用于降低图像的分辨率，一方面可以使后续的卷积层有更大的感受野，另一方面可以减低后续卷积操作的运算量，从而保证算法的实时性。空洞卷积通过应用不同的空洞卷积系数提取不同尺度的特征，并将这些特征进行融合，从而实现在不改变图像特征图大小的前提下，实现不同尺度的特征提取。在编码部分后面是解码部分。解码部分主要包括了一系列的上采样层，主要对编码部分提取的特征进行语义信息提取，并恢复成原始尺寸大小，从而实现像素级别的图像理解与分类。在网络的最后部分是softmax层，主要用于对图像中每个像素进行分类，从而实现轨道区域的像素提取，轨道区域识别的网络具体结构如表1所示。

表1 轨道区域识别网络图

2.2 列车识别

在列车实际运行过程中，车辆信号系统故障会导致车辆通信失败，使得正常行驶的车辆无法精准的获取前方车辆的距离信息，从而存在有车辆碰撞隐患。精准有效的列车识别可以有效的识别出轨道前方的列车，此外，结合精准的轨道区域识别可以进一步的判断出识别的列车是否影响本车的正常行驶，从而有效的预防列车碰撞事故的发生。

为了实现车载端嵌入式实时应用需求，应用了18层的残差网络作为列车识别的主干网络，列车识别的网络结构图如图3所示。在卷积神网络中，深层次的特征图可以提取图像的全局特征，然而由于深层次的特征图分辨率较低，因此会影响较小像素的目标尤其是远距离的列车识别。受快速高效目标识别算法SSD[8]的启发，选择在不同的层级进行列车预测[9]，我们选择的用于预测目标的层主要包括：res3b, res4b, res5b, Conv6_2, Conv7_2 和Conv8_2。

图3 列车识别网络结构图

用于预测列车的先验框从低层次特征图到高层次特征图逐渐增大。用于预测第K层先验框计算式如式(1)所示：

(1)

其中，smin是用于预测的最小尺度，smax是用于预测的最大尺度，m是用于预测的特征图个数。另外，在列车识别网络的最后，我们添加了3个额外层用于提高列车识别的精度，额外层的具体结构如表2所示。

表2 额外层的结构

2.3 图像与激光雷达融合

单一的视觉信息难以实现精准的障碍物距离测量，此外，视觉信息易受光线变化等因素影响。另一方面，单一的激光雷达难以确定障碍物的类型，同时对轨道的限界难以精准划分。北京新机场线列车智能障碍物检测系统将视觉信息与激光雷达信息进行融合，实现精准全天候的障碍物感知。视觉与激光雷达融合系统框图如图4所示。

图4 视觉与雷达融合系统结构图

列车智能障碍物检测系统的视觉模块主要用于轨道区域识别和列车识别，与此同时，激光雷达模块在获取激光雷达点云后进行激光点云数据的预处理，对点云高度过大或过小的数据进行滤除。在完成点云数据预处理后，通过数据关联，将空间激光雷达点映射至图像中去，从而获取稀疏的图像深度信息。

获取图像的深度信息后，通过轨道区域识别模块，将空间映射的激光雷达点进行提取，从而获取空间中轨道区域点云，在此基础上通过随机采样一致性(RANSAC)[10]算法对轨道点云进行轨道面拟合，从而获取轨道面的空间方程。基于轨道面空间方程，进一步结合轨道面空间激光点云，对高出轨道面的点云进行聚类，从而识别出轨道内的障碍物。

3 系统安装及测试

北京新机场线列车智能障碍物检测系统传感器设计分布图如图5所示，本系统包含有两路相机(左右各一个)，一路激光雷达(中间)。

图5 智能障碍物检测系统传感器分布图

列车智能障碍物检测系统安装于新机场线车辆顶部，能极大的较小感知盲区，此外，本系统安装于挡风玻璃内，能很好的对传感器进行保护并降低设备维护成本，传感器车辆安装示意图如图6所示。

图6 智能障碍物检测系统车辆安装示意图

为了对列车智能障碍物识别系统有效性进行量化分析，采集了大量的列车正常运行视频数据，用于分析列车智能障碍物检测系统的性能，采集的视频数据分辨率大小均为1 280×720，中采集的数据集包含有227 398帧数据，其中前向有车的数据为1 707帧。

选取两个指标用于评估前向列车的识别精度，并且用于统计的列车均为当前轨道前向的列车。选取的用于评估系统精度的指标主要包括漏识别率和误识别率，漏识别率指漏识别的列车个数占数据中所有样本的比例，误识别率指的是错误识别的列车占数据集中所有样本的比例，列车误识别的帧数为34帧，漏识别帧数为0帧，识别结果如表3所示。

表3 试验结果

智能障碍物识别算法可以适应类型的轨道区域识别，包括直道、弯道、道岔场景等，此外，对不同的环境也有较强的适应性，如白天、夜晚、隧道、高架等。轨道识别、轨道前方列车识别以及视觉与雷达融合识别的效果分别如图7～图9所示。

图7 轨道区域识别效果.

图8 前向列车识别效果

图9 视觉与雷达融合识别效果

4 结束语

列车智能障碍物检测系统通过对获取车载相机数据，应用人工智能处理算法，实现对前方轨道区域以及轨道区域列车进行高可靠感知，进一步的结合激光雷达数据实现像素级融合，从而实现全天候的环境感知。本系统的建成将对提高北京新机场线列车运行安全以及提升车辆运输效率具有重要意义。