基于多傳感融合技術(shù)的城軌列車主動(dòng)防撞系統(tǒng)研究及應(yīng)用

任崇會(huì)

（南寧軌道交通集團(tuán)運(yùn)營(yíng)有限公司，廣西 南寧 530001）

0 引言

現(xiàn)代化的城市軌道交通運(yùn)輸列車高密度、快速的運(yùn)行，雖然經(jīng)過(guò)嚴(yán)密的監(jiān)控，但仍然存在非預(yù)期的障礙物，對(duì)行車安全帶來(lái)不利影響。如軌道上的障礙物，對(duì)行車的安全影響最大，一旦發(fā)生障礙物的碰撞，將造成重大列車事故，產(chǎn)生巨大的經(jīng)濟(jì)損失。然而，目前有人駕駛對(duì)列車運(yùn)行前方的障礙物、人和同股道列車的檢查依靠駕駛司機(jī)的個(gè)人判斷，在發(fā)現(xiàn)緊急狀況就采取緊急制動(dòng)，一旦駕駛?cè)藛T注意力不集中或者未及時(shí)發(fā)現(xiàn)障礙物，有可能緊急制動(dòng)不及時(shí)而造成事故。因此，研制列車主動(dòng)防撞系統(tǒng)對(duì)列車運(yùn)行前方限界內(nèi)的障礙物、行人和列車等進(jìn)行防撞檢測(cè)是保證行車安全的必備條件[1]。針對(duì)列車主動(dòng)防撞系統(tǒng)的研究，目前國(guó)外已針對(duì)單一傳感設(shè)備的缺陷，采用多傳感信息融合技術(shù)作為主要技術(shù)手段，但仍無(wú)成熟產(chǎn)品。國(guó)內(nèi)在固定測(cè)試設(shè)備上已經(jīng)有比較成熟的方案，但在車內(nèi)主動(dòng)、實(shí)時(shí)監(jiān)測(cè)前方行車路況的設(shè)備也沒有形成成熟可靠產(chǎn)品。鑒于此，基于多傳感融合技術(shù)設(shè)計(jì)了一套列車主動(dòng)防撞系統(tǒng)，并在列車上進(jìn)行裝車試用。

1 系統(tǒng)原理及組成

設(shè)計(jì)的列車主動(dòng)防撞系統(tǒng)由智能檢測(cè)主機(jī)和組合傳感器構(gòu)成，其中組合傳感器包括：視覺攝像機(jī)、激光雷達(dá)、毫米波雷達(dá)。系統(tǒng)通過(guò)視覺攝像機(jī)、激光雷達(dá)、毫米波雷達(dá)采集列車前方路況數(shù)據(jù)信息，然后通過(guò)以太網(wǎng)將數(shù)據(jù)信息發(fā)送給智能檢測(cè)主機(jī)進(jìn)行融合處理，數(shù)據(jù)融合的結(jié)果和決策信息，通過(guò)I/O接口輸出報(bào)警信息至TCMS（Train Control and Management System，列車控制系統(tǒng)），并在司機(jī)室顯示器上向司機(jī)顯示報(bào)警提示信息。系統(tǒng)預(yù)留制動(dòng)干接點(diǎn)硬線接口，用于未來(lái)列車控制需求。系統(tǒng)拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)拓?fù)浣Y(jié)構(gòu)圖

1.1 智能檢測(cè)主機(jī)

智能檢測(cè)主機(jī)是整個(gè)系統(tǒng)的核心組件，負(fù)責(zé)完成視覺攝像機(jī)、激光雷達(dá)及毫米波雷達(dá)等傳感器的數(shù)據(jù)處理計(jì)算和多傳感融合與決策，在檢測(cè)到存在碰撞風(fēng)險(xiǎn)時(shí)輸出報(bào)警信息，或通過(guò)干接點(diǎn)接入緊急制動(dòng)回路實(shí)現(xiàn)控車功能（預(yù)留），并可實(shí)現(xiàn)相關(guān)故障信息記錄和數(shù)據(jù)回放。

主動(dòng)防撞系統(tǒng)的視覺感知處理是智能檢測(cè)主機(jī)的核心功能之一，該處理通過(guò)實(shí)現(xiàn)多個(gè)深度神經(jīng)網(wǎng)絡(luò)，采用深度學(xué)習(xí)的方法來(lái)對(duì)不同攝像機(jī)的目標(biāo)進(jìn)行探測(cè)，這需要智能檢測(cè)主機(jī)提供強(qiáng)大的圖像處理能力，因此，在設(shè)計(jì)智能檢測(cè)主機(jī)時(shí)，采用針對(duì)圖像智能處理能力的特別設(shè)計(jì)，為圖像深度學(xué)習(xí)算法提供強(qiáng)大的算力資源支撐。本研究的主動(dòng)防撞系統(tǒng)智能檢測(cè)主機(jī)采用高算力嵌入式GPU（Graphic Processing Unit，圖形處理器）NIVDIA Jetson TX2作為主要的圖像處理器，該處理器可以在功耗僅為15 W的情況下為系統(tǒng)提供1.26Tops的算力。

對(duì)于遠(yuǎn)距離對(duì)象的狀態(tài)感知，還需要對(duì)激光雷達(dá)和毫米波雷達(dá)數(shù)據(jù)融合處理，從而準(zhǔn)確地判斷障礙物的侵限和碰撞風(fēng)險(xiǎn)。由于激光雷達(dá)的點(diǎn)云數(shù)據(jù)量大，在進(jìn)行聚類分析時(shí)，需要較高的計(jì)算能力，以保證系統(tǒng)的實(shí)時(shí)性，因此在選擇CPU處理器時(shí)，需要在滿足功耗要求的情況下，選擇至少1.8 GHz以上主頻的多核嵌入式CPU處理器，當(dāng)前應(yīng)用較為成熟的是NXP LS1046處理器，該處理器可以在完成激光雷達(dá)點(diǎn)云處理的基礎(chǔ)上，為整個(gè)系統(tǒng)的主控調(diào)度和報(bào)警策略實(shí)施提供充足的計(jì)算性能。

在高算力嵌入式板卡作為圖像和數(shù)據(jù)融合處理的算力支撐下，增加IO接口板卡、交換板、傳感器供電板、電源板等功能單元形成智能檢測(cè)主機(jī)。為適合城軌列車的安裝，同時(shí)兼顧散熱和板位，智能檢測(cè)主機(jī)采用標(biāo)準(zhǔn)3U 84R機(jī)箱，通過(guò)背部風(fēng)扇強(qiáng)迫通風(fēng)散熱的情況下，可以保證在高溫下功能正常。

1.2 組合傳感器

視覺攝像機(jī)選擇：視覺攝像機(jī)是障礙物檢測(cè)系統(tǒng)中最為成熟的傳感器，在光線環(huán)境較好的情況下，可以達(dá)到很高的檢測(cè)和識(shí)別準(zhǔn)確率[2]。但目前市場(chǎng)上針對(duì)軌道交通車載環(huán)境設(shè)計(jì)的高性能攝像機(jī)不多，尤其是在低照度、寬動(dòng)態(tài)等技術(shù)指標(biāo)上，較難達(dá)到理想的效果。為覆蓋檢測(cè)范圍需求，主動(dòng)防撞系統(tǒng)采用定制攝像機(jī)模組，模組內(nèi)包括：

長(zhǎng)焦攝像頭（鏡頭50 mm）：負(fù)責(zé)150 m～300 m范圍內(nèi)目標(biāo)識(shí)別。

短焦攝像頭（鏡頭16 mm）：負(fù)責(zé)150 m范圍內(nèi)目標(biāo)識(shí)別。

毫米波雷達(dá)選擇：毫米波雷達(dá)是目前在汽車和航空業(yè)常用的傳感器，用于檢測(cè)目標(biāo)對(duì)象的距離、速度和方位。毫米波的波長(zhǎng)介于厘米波和光波之間，因此毫米波兼有微波制導(dǎo)和光電制導(dǎo)的優(yōu)點(diǎn)。同厘米波導(dǎo)引頭相比，毫米波導(dǎo)引頭具有體積小、質(zhì)量輕和空間分辨率高的特點(diǎn)。與紅外、激光、電視等光學(xué)導(dǎo)引頭相比，毫米波導(dǎo)引頭穿透霧、煙、灰塵的能力強(qiáng)，具有全天候全天時(shí)工作的特點(diǎn)?？紤]毫米波雷達(dá)作為本方案遠(yuǎn)距離障礙物檢測(cè)（測(cè)距、測(cè)速、側(cè)方位）的主要手段，且目前汽車和航空業(yè)常規(guī)的毫米波雷達(dá)均無(wú)法滿足系統(tǒng)檢測(cè)距離和方位分辨率的需求，主動(dòng)防撞系統(tǒng)采用定制芯片級(jí)聯(lián)的77GHz的毫米波雷達(dá)。

激光雷達(dá)選擇：激光雷達(dá)是以發(fā)射激光束來(lái)探測(cè)目標(biāo)的位置、速度等特征量的雷達(dá)系統(tǒng)，它在汽車輔助駕駛系統(tǒng)和自動(dòng)駕駛系統(tǒng)中被廣泛應(yīng)用。激光雷達(dá)相比毫米波雷達(dá)而言，可以獲取更豐富的路況信息，相比視覺而言，可全天時(shí)工作，可以作為中近距離障礙物探測(cè)的主要手段之一。為保證激光雷達(dá)可覆蓋行車前200 m，最小30 cm3障礙物的探測(cè)需求，需要選用俯仰角度更廣、線數(shù)更多、掃描頻率更快的激光雷達(dá)產(chǎn)品。最終激光雷達(dá)的選擇主要從感知范圍、使用壽命和產(chǎn)品價(jià)格三個(gè)維度進(jìn)行考慮，選用128線以上固態(tài)激光雷達(dá)。

2 關(guān)鍵技術(shù)

2.1 視覺檢測(cè)與識(shí)別技術(shù)

基于視覺的障礙物識(shí)別采用基于像素級(jí)的語(yǔ)義分割算法，可以提供20多種目標(biāo)的識(shí)別，有效工作距離在行車前方300 m以內(nèi)。和主流的多目標(biāo)像素級(jí)分割深度學(xué)習(xí)算法相比，本研究使用高效卷積神經(jīng)網(wǎng)絡(luò)和創(chuàng)新模型壓縮算法，可以在不損失檢測(cè)精度的前提下將運(yùn)算效率提升兩個(gè)數(shù)量級(jí)以上。相比于自動(dòng)駕駛行業(yè)內(nèi)動(dòng)輒數(shù)百M(fèi)B甚至GB級(jí)的深度神經(jīng)網(wǎng)絡(luò)模型，剪裁后的網(wǎng)絡(luò)模型小于10MB，可以確保功耗低，運(yùn)算速度快，能夠在障礙物檢測(cè)主機(jī)運(yùn)算平臺(tái)上實(shí)現(xiàn)。

該深度神經(jīng)網(wǎng)絡(luò)可以處理復(fù)雜光線條件以及遮擋的物體，進(jìn)行準(zhǔn)確識(shí)別。深度學(xué)習(xí)模塊針對(duì)每個(gè)像像頭輸入的信息都配置一個(gè)專屬的神經(jīng)網(wǎng)絡(luò)，用于進(jìn)行不同目標(biāo)的識(shí)別。該深度神經(jīng)網(wǎng)絡(luò)進(jìn)行像素級(jí)語(yǔ)義分割，將圖像中所有像素歸類，識(shí)別出與列車行駛相關(guān)的目標(biāo)，比如行人、列車、道岔、脫軌器等。另外，基于傳統(tǒng)計(jì)算機(jī)視覺，運(yùn)行的軌道也可以被識(shí)別出，將其與深度學(xué)習(xí)得出的軌道信息結(jié)合，從而可以根據(jù)準(zhǔn)確的軌道信息和障礙物的相對(duì)位置對(duì)可能發(fā)生的碰撞進(jìn)行檢測(cè)。視覺目標(biāo)檢測(cè)與識(shí)別輸出的結(jié)果包括：①目標(biāo)的類型；②目標(biāo)的大??；③目標(biāo)所在位置；④目標(biāo)距離攝像機(jī)的距離。

2.2 毫米波雷達(dá)檢測(cè)與跟蹤技術(shù)

本研究的大陣列天線毫米波雷達(dá)采用近遠(yuǎn)程探測(cè)的工作模式，雷達(dá)天線主陣面分為遠(yuǎn)程探測(cè)天線和近程探測(cè)天線[3]。遠(yuǎn)程探測(cè)覆蓋200 M以上區(qū)域（200 M～800 M/1KM），近程探測(cè)天線涵蓋200 M以內(nèi)區(qū)域（10M/15M～200 M）。

大陣列天線毫米波雷達(dá)將傳統(tǒng)的線性調(diào)頻連續(xù)波技術(shù)、DBF技術(shù)及微多普勒目標(biāo)識(shí)別技術(shù)相結(jié)合，獲取列車行進(jìn)方向的前方靜態(tài)和動(dòng)態(tài)信息。與傳統(tǒng)的避撞雷達(dá)相比，它融合了近/遠(yuǎn)雙程動(dòng)靜目標(biāo)數(shù)據(jù)，其獲取到的環(huán)境信息更為豐富，有效提高了對(duì)行駛環(huán)境的了解和掌握。主要偵察監(jiān)視對(duì)象有：（1）前方行人和動(dòng)物；（2）前方列車和車輛；（3）前方阻礙列車行進(jìn)的固定障礙物。

本研究采用一種多假設(shè)動(dòng)靜目標(biāo)跟蹤算法，并結(jié)合利用α-β衰減記憶濾波器對(duì)動(dòng)靜目標(biāo)進(jìn)行跟蹤，算法兼顧跟蹤精度和濾波穩(wěn)定性。通過(guò)利用衰減記憶濾波器來(lái)維持濾波器的穩(wěn)定性，解決避撞雷達(dá)目標(biāo)跟蹤的過(guò)程中，運(yùn)動(dòng)狀態(tài)改變?nèi)菀讓?dǎo)致濾波發(fā)散的問(wèn)題，如圖2所示。

圖2 目標(biāo)跟蹤算法

雷達(dá)目標(biāo)檢測(cè)與跟蹤的輸出結(jié)果包括：（1）航跡數(shù)，雷達(dá)在當(dāng)前周期檢測(cè)到的航跡個(gè)數(shù)N；（2）航跡編號(hào)，每個(gè)被檢測(cè)到的航跡的編號(hào)Num；（3）目標(biāo)距雷達(dá)中心的縱向距離X；（4）目標(biāo)距雷達(dá)中心的橫向距離Y；（5）目標(biāo)高度H；（6）目標(biāo)速度V；（7）目標(biāo)強(qiáng)度S；（8）目標(biāo)威脅等級(jí)M。

2.3 激光雷達(dá)檢測(cè)與識(shí)別技術(shù)

激光雷達(dá)主要負(fù)責(zé)列車近程150 m范圍內(nèi)的精確測(cè)量，同時(shí)彌補(bǔ)視覺傳感器在惡劣天候條件下不能有效工作的問(wèn)題。激光雷達(dá)目標(biāo)識(shí)別問(wèn)題主要針對(duì)的對(duì)象是目標(biāo)的三維離散點(diǎn)云數(shù)據(jù)，激光掃描設(shè)備采集的每一圈數(shù)據(jù)中，包含有地面、行人動(dòng)物、列車、建筑物、樹木和其他物體返回的激光點(diǎn)云數(shù)據(jù)。點(diǎn)云數(shù)據(jù)量每秒鐘達(dá)到24萬(wàn)點(diǎn)以上，直接對(duì)初始數(shù)據(jù)進(jìn)行處理，其處理困難且計(jì)算量較大，所以將其分為兩步進(jìn)行：

（1）對(duì)點(diǎn)云進(jìn)行粗分類過(guò)濾無(wú)用的點(diǎn)，減少實(shí)際需要處理的目標(biāo)點(diǎn)數(shù)量，并提取目標(biāo)的樣本數(shù)據(jù)；

（2）使用目標(biāo)識(shí)別算法對(duì)樣本進(jìn)行學(xué)習(xí)，訓(xùn)練分類，最終實(shí)現(xiàn)激光點(diǎn)云數(shù)據(jù)中的目標(biāo)識(shí)別。如圖3所示。

圖3 激光點(diǎn)云處理流程

其中，激光點(diǎn)云數(shù)據(jù)的粗分類操作主要包含：激光點(diǎn)云數(shù)據(jù)的噪點(diǎn)過(guò)濾處理、分割處理、聚類處理。點(diǎn)云分割操作時(shí)依據(jù)目標(biāo)點(diǎn)云數(shù)據(jù)在高度上的分布特點(diǎn)，將初始目標(biāo)點(diǎn)云劃分為目標(biāo)和非目標(biāo)點(diǎn)云；點(diǎn)云聚類操作是依據(jù)目標(biāo)對(duì)象激光點(diǎn)的密集程度，使用基于距離的聚類方法，提取出目標(biāo)候選區(qū)域，為特征提取和分類器訓(xùn)練提供樣本。

激光點(diǎn)云目標(biāo)識(shí)別過(guò)程，主要操作包括點(diǎn)云目標(biāo)和特征提取、分類器訓(xùn)練以及使用分類器識(shí)別目標(biāo)。在特征提取和分類器訓(xùn)練方面，依據(jù)激光點(diǎn)云特點(diǎn)，總結(jié)目標(biāo)點(diǎn)云的特征集，在算法框架下構(gòu)建弱分類器，對(duì)聚類操作獲得的樣本進(jìn)行學(xué)習(xí)，獲得目標(biāo)對(duì)象的特征向量，構(gòu)建滿足要求的分類器。分類器對(duì)目標(biāo)對(duì)象進(jìn)行識(shí)別，輸出分類結(jié)果。

2.4 視頻、毫米波數(shù)據(jù)、激光點(diǎn)云融合技術(shù)

多傳感器融合單元的算法結(jié)構(gòu)如圖4所示。

圖4 多傳感融合算法處理流程

首先，需要對(duì)輸入的信號(hào)進(jìn)行濾波處理，其次，對(duì)各傳感器探測(cè)出的不同運(yùn)動(dòng)目標(biāo)分別進(jìn)行濾波跟蹤。不同傳感器采集的數(shù)據(jù)基于其不同的時(shí)間和空間坐標(biāo)，若將所有傳感器的信息進(jìn)行綜合考慮，必然要進(jìn)行數(shù)據(jù)同步處理[4]。

實(shí)現(xiàn)同步之后，不同傳感器的信息需要進(jìn)行聚類分析，將屬于同一物體的探測(cè)點(diǎn)歸類，之后便可以基于一些統(tǒng)計(jì)學(xué)的手段，根據(jù)各自傳感器的特性，對(duì)數(shù)據(jù)進(jìn)行融合處理。融合后的數(shù)據(jù)包含的信息見表1。

表1 融合數(shù)據(jù)結(jié)構(gòu)

3 裝車應(yīng)用

3.1 裝車方案

智能檢測(cè)主機(jī)機(jī)箱安裝在靠近司機(jī)室最近的客室右側(cè)第一個(gè)座椅下方（左側(cè)座椅下方為滅火器），采用帶散熱孔的外殼將主機(jī)托起包裹隱藏，為不影響乘客，安裝的位置盡量靠近車體側(cè)壁，前端與座椅投影線保持相距100 mm以上，避免對(duì)乘客的影響。制作與封閉座椅下方的裙板尺寸一致的裙板進(jìn)行替換，容納主機(jī)箱的情況下，確保美觀。如圖5所示。

圖5 智能檢測(cè)主機(jī)安裝效果

司機(jī)臺(tái)傳感器采用一體化支架進(jìn)行安裝，集成了攝像機(jī)模組、激光雷達(dá)2種傳感器。在進(jìn)行司機(jī)臺(tái)傳感器設(shè)備安裝前，2種傳感器預(yù)先完成與支架的組裝，因此，只需要考慮支架整體與司機(jī)臺(tái)的連接。一體化支架安裝在司機(jī)臺(tái)與擋風(fēng)玻璃直接的凹槽內(nèi)。如圖6所示。

圖6 傳感器模組安裝效果

定制版高精度毫米波雷達(dá)安裝在車體外，通過(guò)高強(qiáng)度支架固定在車鉤上方，并用鋼絲繩進(jìn)行綁扎防脫（圖7）。毫米波雷達(dá)臨時(shí)試驗(yàn)安裝是為了測(cè)試在實(shí)際運(yùn)行過(guò)程中，車體外安裝形式的毫米波雷達(dá)探測(cè)精度和極限探測(cè)距離，為將來(lái)批量裝車時(shí)的毫米波雷達(dá)安裝方式提供指導(dǎo)依據(jù)，同時(shí)在無(wú)遮擋條件下，評(píng)估當(dāng)前深度定制的高精度毫米波雷達(dá)的性能。

圖7 毫米波雷達(dá)安裝效果

3.2 試驗(yàn)效果

3.2.1 目標(biāo)檢測(cè)

測(cè)試指標(biāo)定義：目標(biāo)檢測(cè)問(wèn)題中的模型的分類和定位都需要進(jìn)行評(píng)估，采用的指標(biāo)目標(biāo)檢出的準(zhǔn)確率P（對(duì)應(yīng)誤檢率）與召回率R（對(duì)應(yīng)漏檢率），同時(shí)采用F（其中×100%）作為穩(wěn)定識(shí)別效果評(píng)估指標(biāo)。項(xiàng)點(diǎn)檢出值與真實(shí)值（即人工標(biāo)注結(jié)果）的IOU大于0.5即視為正確檢出（目標(biāo)檢測(cè)置信度閾值為0.4）。IOU即交并比（Intersection over Union）是一種衡量目標(biāo)檢測(cè)定位準(zhǔn)確度的一個(gè)標(biāo)準(zhǔn)。IOU表示了檢測(cè)的邊界框與真實(shí)邊界框的交疊率或者說(shuō)重疊度，也就是它們的交集與并集的比值。相關(guān)度越高IOU越大，IOU越大說(shuō)明檢測(cè)的目標(biāo)框越準(zhǔn)確，IOU的取值范圍為[0，1]，最理想的情況是完全重疊，即比值為1。判斷目標(biāo)檢測(cè)正確需要兩個(gè)條件，即類別正確（大于目標(biāo)檢測(cè)置信度閾值）且交并比大于設(shè)定閾值，將IOU閾值設(shè)置為0.5，不同類型測(cè)試結(jié)果見表2、表3。

表2 目標(biāo)檢測(cè)項(xiàng)點(diǎn)測(cè)試結(jié)果

表3 準(zhǔn)確率對(duì)標(biāo)

3.2.2 語(yǔ)義分割

語(yǔ)義分割模型同樣采用IOU作為評(píng)價(jià)指標(biāo)，與標(biāo)注數(shù)據(jù)進(jìn)行IOU計(jì)算，計(jì)算結(jié)果見表4，其中，全圖區(qū)域是指在預(yù)測(cè)結(jié)果的1920*1080整個(gè)區(qū)域上計(jì)算IOU，當(dāng)前軌道區(qū)域是指僅在當(dāng)前軌道區(qū)域范圍內(nèi)計(jì)算IOU。當(dāng)前軌道區(qū)域是以樣本標(biāo)簽中當(dāng)前軌道的兩根鐵軌為基準(zhǔn)，往兩邊各延申5個(gè)像素點(diǎn)而確定。

表4 語(yǔ)義分割模型測(cè)試結(jié)果

由結(jié)果可知，當(dāng)前軌道區(qū)域內(nèi)的背景和行駛區(qū)域兩類IOU與全圖范圍內(nèi)相比相差不大，但鐵軌這類的IOU比全圖范圍提升較多，說(shuō)明模型對(duì)當(dāng)前軌道的鐵軌檢測(cè)效果比旁邊軌道更好。如圖8所示。

圖8 障礙物檢測(cè)試驗(yàn)效果

3.3 結(jié)果分析

從研究獲得的成果看，未來(lái)城軌主動(dòng)防撞技術(shù)的發(fā)展，在傳感器性能、算法成熟度、控車的可行性等方面，還有較大的提升空間。

傳感器性能方面，主動(dòng)防撞系統(tǒng)所用的傳感器主要參考了汽車自動(dòng)駕駛傳感器的思路進(jìn)行選型，但是在探測(cè)距離、環(huán)境適應(yīng)性方面提出了更高的要求。由于隧道環(huán)境中光線條件較差，人眼的目視距離也難以超過(guò)200 m，選擇適應(yīng)低照度、寬動(dòng)態(tài)性能的攝像機(jī)是最大的困難，隨著圖像信號(hào)處理技術(shù)的發(fā)展和新的傳感器出現(xiàn)，該問(wèn)題會(huì)得到解決。激光雷達(dá)屬于昂貴的傳感器件，且目前半固體激光雷達(dá)的實(shí)際壽命普遍不高，找到低成本高性能的解決方案十分困難，隨著汽車自動(dòng)駕駛的發(fā)展，固態(tài)激光雷達(dá)技術(shù)逐漸成熟，有望得到改善。毫米波雷達(dá)基本上被證明不適合在地鐵隧道場(chǎng)景中進(jìn)行障礙物檢測(cè)，只能用于測(cè)速，可以考慮只作為輔助器件納入系統(tǒng)。

算法成熟度方面，機(jī)器視覺算法主要基于人工神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)，帶來(lái)的問(wèn)題是極大的訓(xùn)練樣本的需求和不確定性的存在。雖然地鐵線路場(chǎng)景固定，但是障礙物形式仍然是多種多樣的，不同的光照、姿態(tài)、表面反射，都會(huì)帶來(lái)不一樣的效果，無(wú)法通過(guò)樣本實(shí)現(xiàn)全面的覆蓋，再加上隧道中低照度條件下的圖像質(zhì)量較差，對(duì)于遠(yuǎn)距離的小障礙物檢測(cè)就顯得困難，視覺模型的過(guò)度訓(xùn)練和過(guò)度泛化之間必須有一個(gè)折中，在保證準(zhǔn)確率和召回率上無(wú)法同時(shí)達(dá)到一個(gè)很高的標(biāo)準(zhǔn)。激光雷達(dá)算法目前較為成熟固定，實(shí)現(xiàn)的差異主要在于聚類參數(shù)的選擇和調(diào)整，但對(duì)于軌道限界的識(shí)別，還是無(wú)法做到期望的距離，這與激光雷達(dá)光束與軌道延伸方向夾角過(guò)小有關(guān)，在超過(guò)100 m的距離，軌道面返回的信息幾乎無(wú)法讓算法可以識(shí)別到限界的邊界。未來(lái)的方向主要是通過(guò)預(yù)建圖來(lái)達(dá)到限界的精準(zhǔn)判斷。

控車的可行性方面，當(dāng)前國(guó)內(nèi)主要的主動(dòng)防撞系統(tǒng)開發(fā)商均難以在短期內(nèi)實(shí)現(xiàn)系統(tǒng)接入緊急制動(dòng)的能力，系統(tǒng)的高誤報(bào)率是無(wú)法推廣應(yīng)用的主要障礙。AI算法的應(yīng)用和環(huán)境條件對(duì)感知系統(tǒng)的影響，本身就帶來(lái)了極大的不確定性，這與安全等級(jí)的認(rèn)證原則是相沖突的。在短期內(nèi)，主動(dòng)防撞系統(tǒng)將是作為輔助駕駛設(shè)備進(jìn)行應(yīng)用，為司機(jī)提供預(yù)警信息，降低工作強(qiáng)度，提高瞭望信心。

4 結(jié)語(yǔ)

以城軌主動(dòng)防撞系統(tǒng)的研究和應(yīng)用實(shí)踐對(duì)城市軌道交通場(chǎng)景下的機(jī)器視覺、激光雷達(dá)、毫米波雷達(dá)和多傳感融合等技進(jìn)行了深入研究，開發(fā)了機(jī)器視覺模型、激光雷達(dá)點(diǎn)云算法、毫米波雷達(dá)和多傳感融合算法，通過(guò)不斷迭代，持續(xù)提升算法的可靠性和識(shí)別率，達(dá)到系統(tǒng)對(duì)300 m列車、150 m行人、100 m小障礙物識(shí)別的設(shè)計(jì)指標(biāo)。同時(shí)，探索了77 GHz毫米波雷達(dá)在正線隧道中的障礙物探測(cè)能力，發(fā)現(xiàn)在地鐵正線隧道場(chǎng)景下，毫米波雷達(dá)優(yōu)勢(shì)不明顯，存在復(fù)雜地多徑效應(yīng)。研究結(jié)果表明，城軌主動(dòng)防撞技術(shù)宜以機(jī)器視覺和激光雷達(dá)技術(shù)為主要感知設(shè)備，其他多種傳感手段為輔助，來(lái)實(shí)現(xiàn)列車運(yùn)行限界和障礙物檢測(cè)地目的。對(duì)于接入制動(dòng)系統(tǒng)控車的目標(biāo)，無(wú)論是傳感器技術(shù)還是算法上都還有較大的提升空間。