基于傳感器信息融合的地鐵車輛在途障礙物檢測(cè)

何佳博

摘要 由于地鐵車輛在行駛過(guò)程中會(huì)面臨許多復(fù)雜路況及障礙，導(dǎo)致行駛過(guò)程中面臨的危險(xiǎn)性升高?；诖耍恼绿岢龌趥鞲衅餍畔⑷诤系牡罔F車輛在途障礙物檢測(cè)方法。通過(guò)傳感器信息融合進(jìn)行識(shí)別鐵軌數(shù)據(jù)，利用軌道邊緣的一個(gè)特征點(diǎn)并使用直方圖均值化增強(qiáng)圖片與周邊環(huán)境的對(duì)比度，選定視覺雷達(dá)傳感器實(shí)時(shí)監(jiān)測(cè)鐵軌情況，檢查障礙物的位置，最后融合障礙物的圖像與信息，實(shí)現(xiàn)對(duì)地鐵車輛在途障礙物的檢測(cè)。實(shí)驗(yàn)結(jié)果表明：基于傳感器信息融合的地鐵車輛在途障礙物檢測(cè)最大誤差為0.42 m，而其余兩種方法的誤差較大，方法1的最大誤差距離相較該文方法超出了1.71～0.42=1.29 m，方法2的最大誤差距離相較該文方法超出了3.5～0.42=3.08 m，證明了該文方法的可行性。

關(guān)鍵詞 傳感器；信息融合；地鐵車輛；在途障礙物；檢測(cè)分析

中圖分類號(hào) D26.4文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 2096-8949（2023）16-0014-03

0 引言

現(xiàn)代科技水平不斷增高，障礙物檢測(cè)目前被許多城市開始關(guān)注，軌道交通的發(fā)展、無(wú)人機(jī)、無(wú)人車、無(wú)人船等技術(shù)的發(fā)展，推動(dòng)了城市軌道交通無(wú)人駕駛地鐵的發(fā)展，而對(duì)其中障礙的探測(cè)直接影響到列車的安全運(yùn)行，是當(dāng)前研究的熱點(diǎn)和難點(diǎn)。該文在對(duì)地鐵車輛在途障礙物探測(cè)技術(shù)和國(guó)內(nèi)外無(wú)人駕駛車輛探測(cè)技術(shù)進(jìn)行深入研究的基礎(chǔ)上，提出一種基于傳感器信息融合的地鐵車輛在途障礙物檢測(cè)方法。文獻(xiàn)[1]使用多傳感器數(shù)據(jù)融合技術(shù)建立一種障礙物判定系統(tǒng)，該方法使用攝像機(jī)探測(cè)出障礙物位置，繪制出物體行進(jìn)過(guò)程中的危險(xiǎn)區(qū)域，增加雷達(dá)傳感器的控制，當(dāng)檢測(cè)到障礙物時(shí)，會(huì)產(chǎn)生緊急制動(dòng)，保障物體安全，因此，該文提出相同傳感器信息融合技術(shù)的地鐵車輛在途障礙物檢測(cè)方法。

1 基于傳感器信息融合的地鐵車輛在途障礙物檢測(cè)方法

1.1 基于傳感器信息融合的鐵軌識(shí)別

傳感器信息融合技術(shù)是指在傳感器中獲取相關(guān)數(shù)據(jù)進(jìn)行聯(lián)系與綜合，實(shí)現(xiàn)對(duì)目標(biāo)的精確位置與狀態(tài)的精確估計(jì)，并對(duì)目標(biāo)的態(tài)勢(shì)、威脅及嚴(yán)重性做出全面、及時(shí)、實(shí)時(shí)的評(píng)估。將其應(yīng)用于車輛在途障礙物識(shí)別領(lǐng)域，可利用多源異構(gòu)傳感器之間的互補(bǔ)特性，獲取的數(shù)據(jù)更為完整，從而確保車輛對(duì)障礙物的準(zhǔn)確探測(cè)，使其能夠?qū)Ω鞣N復(fù)雜的外部環(huán)境進(jìn)行自適應(yīng)[2]。

鐵軌識(shí)別是地鐵車輛在軌道上安全行駛的重要保證，可有效避免列車與邊界內(nèi)的障礙物、鄰近軌道上的設(shè)備、建筑發(fā)生碰撞。在鐵路智能邊界監(jiān)測(cè)中，確定軌道邊界，是保證列車對(duì)行駛前環(huán)境感知的基礎(chǔ)與先決條件?；趥鞲衅餍畔⑷诤系能壍雷R(shí)別是利用軌道邊緣的一個(gè)特征點(diǎn)，它的邊緣與邊緣之間的灰度差異較大，軌道邊緣的連續(xù)性比較好，軌道邊緣的密度相對(duì)于周圍的環(huán)境來(lái)說(shuō)比較稀疏，其識(shí)別流程如圖1所示。

根據(jù)圖1可以了解到圖像進(jìn)行預(yù)處理后，使用直方圖均值化增強(qiáng)圖片與周邊環(huán)境的對(duì)比度，再應(yīng)用傳感器信息融合技術(shù)完成鐵軌的檢測(cè)，其圖像頻域分辨率的函數(shù)表達(dá)公式如下：

1.2 選定視覺雷達(dá)傳感器

地鐵車輛在行駛途中對(duì)軌道內(nèi)的障礙物進(jìn)行規(guī)避是至關(guān)重要的，鐵路中存在的障礙可導(dǎo)致列車發(fā)生側(cè)向碰撞、脫軌、翻車等重大安全事故，對(duì)列車的安全運(yùn)營(yíng)和人民的生命財(cái)產(chǎn)構(gòu)成了極大的威脅。障礙探測(cè)是城市軌道列車行車安全的前提，對(duì)城市軌道列車行車的安全有著十分重要的作用[4]。

對(duì)鐵軌完成識(shí)別后，則要安裝視覺雷達(dá)傳感器。雷達(dá)傳感器安裝于地鐵車輛的車頭位置，實(shí)施掃描軌道平面的情況，檢測(cè)是否存在障礙物存在的情況。視覺傳感器安裝在駕駛室的左側(cè)位置，以便實(shí)時(shí)監(jiān)測(cè)鐵軌情況，檢查障礙物的位置。圖2則為傳感器安裝的位置示意圖。

基于視覺傳感器對(duì)危險(xiǎn)區(qū)域進(jìn)行劃分，確定障礙物的存在范圍和雷達(dá)傳感器的探測(cè)范圍，然后對(duì)視覺傳感器已經(jīng)知道的障礙物，與雷達(dá)傳感器聯(lián)合探測(cè)，對(duì)未知障礙物或者光線較差的情況，使用雷達(dá)傳感器進(jìn)行探測(cè)。雷達(dá)傳感器的種類優(yōu)缺點(diǎn)如表1所示。

通過(guò)對(duì)比上述產(chǎn)品，選擇的雷達(dá)傳感器為velodyne產(chǎn)品。由于激光雷達(dá)傳感器和視覺傳感器的數(shù)據(jù)傳輸量都較大，所以需要工業(yè)計(jì)算機(jī)和主控板進(jìn)行大量的數(shù)據(jù)處理，從而導(dǎo)致了生產(chǎn)熱量的增加，所以為了保證工業(yè)計(jì)算機(jī)和主控板能夠長(zhǎng)期工作，必須在計(jì)算機(jī)上安裝一臺(tái)冷卻風(fēng)扇。

激光雷達(dá)含有16條掃描線，水平方向的掃描角度為360°，發(fā)射對(duì)人眼安全的激光束進(jìn)行掃描，與此同時(shí)通過(guò)旋轉(zhuǎn)電機(jī)帶動(dòng)激光器組件飛速旋轉(zhuǎn)，從而獲得激光掃描的點(diǎn)云數(shù)據(jù)，其表達(dá)公式如下：

1.3 融合障礙物的圖像與信息

利用激光雷達(dá)傳感器的測(cè)量結(jié)果，可以得到目標(biāo)物體與列車之間的距離信息，并通過(guò)列車的坐標(biāo)系來(lái)確定目標(biāo)物體與列車之間的距離。在雷達(dá)傳感器獲取圖像的同時(shí)，將攝像機(jī)獲取的圖像信息通過(guò)校準(zhǔn)矩陣映射到相機(jī)的坐標(biāo)系統(tǒng)，使攝像機(jī)的圖像信息包含在圖像像素中。不同傳感器的數(shù)據(jù)融合，首先要考慮的就是這兩個(gè)傳感器采集的數(shù)據(jù)在空間和時(shí)間上的同步。因?yàn)橐陨蠈?duì)不同傳感器的標(biāo)定已經(jīng)完成，所以使用的兩個(gè)傳感器采集的數(shù)據(jù)在空間上實(shí)現(xiàn)了同步，在收集數(shù)據(jù)時(shí)，設(shè)定不同的傳感器具有相同的收集頻率，在接收到數(shù)據(jù)后，利用時(shí)間定時(shí)器設(shè)定固定的時(shí)間間隔，使得不同的傳感元件所收集到的數(shù)據(jù)在時(shí)間上是同步的。在對(duì)障礙物圖像進(jìn)行灰度變換之后，再采用彩色門限分割的方法，實(shí)現(xiàn)了對(duì)障礙物的提取。這樣就能對(duì)障礙物對(duì)象的大概位置范圍有一個(gè)直觀的認(rèn)識(shí)。該方法采用了基于平均濾波的方法，在三維空間中對(duì)障礙物進(jìn)行濾波，以提高障礙物定位的精度。

2 實(shí)驗(yàn)測(cè)試與分析

為證明該文提出的基于傳感器信息融合的地鐵車輛在途障礙物檢測(cè)方法的有效性，現(xiàn)進(jìn)行實(shí)驗(yàn)測(cè)試，通過(guò)對(duì)比該文方法與傳統(tǒng)方法1、2的檢測(cè)效果。為驗(yàn)證該文方法的正確性，將該文方法運(yùn)用到試驗(yàn)測(cè)試中，并對(duì)其能否滿足規(guī)定的檢測(cè)標(biāo)準(zhǔn)，能否取得良好的檢測(cè)效果進(jìn)行檢驗(yàn)。在實(shí)驗(yàn)測(cè)試之前，需要一些準(zhǔn)備工作，保證該實(shí)驗(yàn)的準(zhǔn)確性。

2.1 實(shí)驗(yàn)準(zhǔn)備

該次實(shí)驗(yàn)選擇在Matlab軟件中進(jìn)行模擬測(cè)試，將該方法與其余兩種障礙物探測(cè)方法進(jìn)行對(duì)比，將實(shí)際應(yīng)用在A市的某一輛地鐵車輛的參數(shù)數(shù)據(jù)與圖像輸入軟件環(huán)境中。首先，制作軟件中所需的實(shí)驗(yàn)數(shù)據(jù)集，選取該地鐵的路線，生成需要的數(shù)據(jù)格式，主要步驟如下：選擇不同路段的軌道圖片，設(shè)定圖片大小為1 024×1 024。利用標(biāo)記器對(duì)所選擇的圖片進(jìn)行標(biāo)記器，生成訓(xùn)練所需要的文檔格式。產(chǎn)生的16位圖片被加工為具有可識(shí)別性的8位圖片。由于實(shí)驗(yàn)所用的數(shù)據(jù)集對(duì)應(yīng)的為地鐵A線，需要人工標(biāo)注所需的數(shù)據(jù)集位置所在，使用Python軟件進(jìn)行匯編語(yǔ)言，使用QT軟件作為標(biāo)注的界面，并且標(biāo)注的操作簡(jiǎn)單。

該實(shí)驗(yàn)選擇5 000張圖像作為測(cè)試的數(shù)據(jù)集，其中包括鐵軌直道、彎道等一些路況，數(shù)據(jù)集的詳細(xì)數(shù)據(jù)如表2所示。

實(shí)驗(yàn)中卷積層的參數(shù)主要包括：卷積核的大小、卷積運(yùn)算的步長(zhǎng)等。隨著網(wǎng)絡(luò)規(guī)模的增大，網(wǎng)絡(luò)的復(fù)雜性也隨之增大，但由于其數(shù)目可以減小，所以其尺寸應(yīng)與真實(shí)網(wǎng)絡(luò)的尺寸一致。學(xué)習(xí)率的大小決定了參數(shù)學(xué)習(xí)到最優(yōu)值的速度。相反，如果學(xué)生的就業(yè)率太低，就會(huì)被拉低到最好的水平。適當(dāng)?shù)膶W(xué)習(xí)率是保證收斂的先決條件，可以盡可能快速地實(shí)現(xiàn)收斂，如果在最初的訓(xùn)練過(guò)程中，發(fā)現(xiàn)目標(biāo)函數(shù)的損失函數(shù)值會(huì)迅速增加，說(shuō)明設(shè)置的學(xué)習(xí)率過(guò)大，應(yīng)該減小學(xué)習(xí)率。

2.2 實(shí)驗(yàn)結(jié)果與分析

由上述實(shí)驗(yàn)準(zhǔn)備完成后，進(jìn)行三種方法依次相同過(guò)程地進(jìn)行障礙物距離探測(cè)測(cè)試，試驗(yàn)結(jié)果如表3所示。

由表3試驗(yàn)結(jié)果可以清楚地看出，使用該文方法進(jìn)行地鐵列車障礙物探測(cè)的結(jié)果與實(shí)驗(yàn)設(shè)置的障礙物距離探測(cè)結(jié)果趨于一致，最大誤差為0.42 m，而其余兩種方法的誤差較大，方法1的最大誤差距離相較該文方法超出了1.29 m，方法2的最大誤差距離相較該文方法超出了3.08 m，因此證明了該文使用的基于傳感器信息融合的地鐵車輛在途障礙物檢測(cè)方法的可行性，對(duì)相關(guān)研究有一定的借鑒意義。

3 結(jié)語(yǔ)

該文針對(duì)機(jī)器人輔助駕駛和地鐵車輛在途中存在的障礙物探測(cè)這一核心問(wèn)題，研究基于視覺和超聲波傳感器信息融合的障礙物探測(cè)方法。傳統(tǒng)障礙物探測(cè)大多使用單一傳感器進(jìn)行識(shí)別，沒(méi)有發(fā)揮出真正的優(yōu)勢(shì)。而目前對(duì)于傳感器信息融合技術(shù)的研究，可以在科技方面，給予了很大支持。地鐵車輛可以對(duì)所在的環(huán)境進(jìn)行監(jiān)測(cè)與評(píng)價(jià)，并具備很強(qiáng)的適應(yīng)性，可以完成一些復(fù)雜、危險(xiǎn)、多樣化的任務(wù)，對(duì)工農(nóng)業(yè)生產(chǎn)與社會(huì)生活有著深刻的影響。

參考文獻(xiàn)

[1]羅盆琳， 方艷紅， 王學(xué)淵， 等. 基于多傳感器數(shù)據(jù)融合的障礙物判定系統(tǒng)[J]. 制造業(yè)自動(dòng)化， 2022（11）： 114-118.

[2]韓永奇， 張芳芳， 紀(jì)鵬， 等. 基于多傳感器信息融合的智能泊車系統(tǒng)研究[J]. 齊魯工業(yè)大學(xué)學(xué)報(bào)， 2021（6）： 53-60.

[3]崔瑞超， 盧亞娟. 基于多傳感器數(shù)據(jù)融合技術(shù)的機(jī)器人運(yùn)動(dòng)姿態(tài)檢測(cè)應(yīng)用研究[J]. 河南科技， 2020（16）： 19-21.

[4]羅亞萍， 尚永強(qiáng)， 柳志博， 等. 基于多傳感器信息融合的無(wú)人車導(dǎo)航系統(tǒng)設(shè)計(jì)[J]. 蘭州工業(yè)學(xué)院學(xué)報(bào)， 2020（2）： 71-76.

[5]馮清泉， 張陽(yáng)， 韋文夏， 等. 基于傳感器數(shù)據(jù)融合的車輛目標(biāo)匹配[J]. 儀表技術(shù)與傳感器， 2021（1）： 113-116+126.