任崇會

（南寧軌道交通集團運營有限公司，廣西 南寧 530001）

0 引言

現(xiàn)代化的城市軌道交通運輸列車高密度、快速的運行，雖然經(jīng)過嚴(yán)密的監(jiān)控，但仍然存在非預(yù)期的障礙物，對行車安全帶來不利影響。如軌道上的障礙物，對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)濟損失。然而，目前有人駕駛對列車運行前方的障礙物、人和同股道列車的檢查依靠駕駛司機的個人判斷，在發(fā)現(xiàn)緊急狀況就采取緊急制動，一旦駕駛?cè)藛T注意力不集中或者未及時發(fā)現(xiàn)障礙物，有可能緊急制動不及時而造成事故。因此，研制列車主動防撞系統(tǒng)對列車運行前方限界內(nèi)的障礙物、行人和列車等進行防撞檢測是保證行車安全的必備條件[1]。針對列車主動防撞系統(tǒng)的研究，目前國外已針對單一傳感設(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，但仍無成熟產(chǎn)品。國內(nèi)在固定測試設(shè)備上已經(jīng)有比較成熟的方案，但在車內(nèi)主動、實時監(jiān)測前方行車路況的設(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)計了一套列車主動防撞系統(tǒng)，并在列車上進行裝車試用。

1 系統(tǒng)原理及組成

設(shè)計的列車主動防撞系統(tǒng)由智能檢測主機和組合傳感器構(gòu)成，其中組合傳感器包括：視覺攝像機、激光雷達、毫米波雷達。系統(tǒng)通過視覺攝像機、激光雷達、毫米波雷達采集列車前方路況數(shù)據(jù)信息，然后通過以太網(wǎng)將數(shù)據(jù)信息發(fā)送給智能檢測主機進行融合處理，數(shù)據(jù)融合的結(jié)果和決策信息，通過I/O接口輸出報警信息至TCMS（Train Control and Management System，列車控制系統(tǒng)），并在司機室顯示器上向司機顯示報警提示信息。系統(tǒng)預(yù)留制動干接點硬線接口，用于未來列車控制需求。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 智能檢測主機

智能檢測主機是整個系統(tǒng)的核心組件，負(fù)責(zé)完成視覺攝像機、激光雷達及毫米波雷達等傳感器的數(shù)據(jù)處理計算和多傳感融合與決策，在檢測到存在碰撞風(fēng)險時輸出報警信息，或通過干接點接入緊急制動回路實現(xiàn)控車功能（預(yù)留），并可實現(xiàn)相關(guān)故障信息記錄和數(shù)據(jù)回放。

主動防撞系統(tǒng)的視覺感知處理是智能檢測主機的核心功能之一，該處理通過實現(xiàn)多個深度神經(jīng)網(wǎng)絡(luò)，采用深度學(xué)習(xí)的方法來對不同攝像機的目標(biāo)進行探測，這需要智能檢測主機提供強大的圖像處理能力，因此，在設(shè)計智能檢測主機時，采用針對圖像智能處理能力的特別設(shè)計，為圖像深度學(xué)習(xí)算法提供強大的算力資源支撐。本研究的主動防撞系統(tǒng)智能檢測主機采用高算力嵌入式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。

對于遠(yuǎn)距離對象的狀態(tài)感知，還需要對激光雷達和毫米波雷達數(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。由于激光雷達的點云數(shù)據(jù)量大，在進行聚類分析時，需要較高的計算能力，以保證系統(tǒng)的實時性，因此在選擇CPU處理器時，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點云處理的基礎(chǔ)上，為整個系統(tǒng)的主控調(diào)度和報警策略實施提供充足的計算性能。

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主機。為適合城軌列車的安裝，同時兼顧散熱和板位，智能檢測主機采用標(biāo)準(zhǔn)3U 84R機箱，通過背部風(fēng)扇強迫通風(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

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

長焦攝像頭（鏡頭50 mm）：負(fù)責(zé)150 m～300 m范圍內(nèi)目標(biāo)識別。

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

毫米波雷達選擇：毫米波雷達是目前在汽車和航空業(yè)常用的傳感器，用于檢測目標(biāo)對象的距離、速度和方位。毫米波的波長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。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。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，具有全天候全天時工作的特點?？紤]毫米波雷達作為本方案遠(yuǎn)距離障礙物檢測（測距、測速、側(cè)方位）的主要手段，且目前汽車和航空業(yè)常規(guī)的毫米波雷達均無法滿足系統(tǒng)檢測距離和方位分辨率的需求，主動防撞系統(tǒng)采用定制芯片級聯(lián)的77GHz的毫米波雷達。

激光雷達選擇：激光雷達是以發(fā)射激光束來探測目標(biāo)的位置、速度等特征量的雷達系統(tǒng)，它在汽車輔助駕駛系統(tǒng)和自動駕駛系統(tǒng)中被廣泛應(yīng)用。激光雷達相比毫米波雷達而言，可以獲取更豐富的路況信息，相比視覺而言，可全天時工作，可以作為中近距離障礙物探測的主要手段之一。為保證激光雷達可覆蓋行車前200 m，最小30 cm3障礙物的探測需求，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產(chǎn)品。最終激光雷達的選擇主要從感知范圍、使用壽命和產(chǎn)品價格三個維度進行考慮，選用128線以上固態(tài)激光雷達。

2 關(guān)鍵技術(shù)

2.1 視覺檢測與識別技術(shù)

基于視覺的障礙物識別采用基于像素級的語義分割算法，可以提供20多種目標(biāo)的識別，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，可以在不損失檢測精度的前提下將運算效率提升兩個數(shù)量級以上。相比于自動駕駛行業(yè)內(nèi)動輒數(shù)百MB甚至GB級的深度神經(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，運算速度快，能夠在障礙物檢測主機運算平臺上實現(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，進行準(zhǔn)確識別。深度學(xué)習(xí)模塊針對每個像像頭輸入的信息都配置一個專屬的神經(jīng)網(wǎng)絡(luò)，用于進行不同目標(biāo)的識別。該深度神經(jīng)網(wǎng)絡(luò)進行像素級語義分割，將圖像中所有像素歸類，識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)計算機視覺，運行的軌道也可以被識別出，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位置對可能發(fā)生的碰撞進行檢測。視覺目標(biāo)檢測與識別輸出的結(jié)果包括：①目標(biāo)的類型；②目標(biāo)的大?。虎勰繕?biāo)所在位置；④目標(biāo)距離攝像機的距離。

2.2 毫米波雷達檢測與跟蹤技術(shù)

本研究的大陣列天線毫米波雷達采用近遠(yuǎn)程探測的工作模式，雷達天線主陣面分為遠(yuǎn)程探測天線和近程探測天線[3]。遠(yuǎn)程探測覆蓋200 M以上區(qū)域（200 M～800 M/1KM），近程探測天線涵蓋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)識別技術(shù)相結(jié)合，獲取列車行進方向的前方靜態(tài)和動態(tài)信息。與傳統(tǒng)的避撞雷達相比，它融合了近/遠(yuǎn)雙程動靜目標(biāo)數(shù)據(jù)，其獲取到的環(huán)境信息更為豐富，有效提高了對行駛環(huán)境的了解和掌握。主要偵察監(jiān)視對象有：（1）前方行人和動物；（2）前方列車和車輛；（3）前方阻礙列車行進的固定障礙物。

本研究采用一種多假設(shè)動靜目標(biāo)跟蹤算法，并結(jié)合利用α-β衰減記憶濾波器對動靜目標(biāo)進行跟蹤，算法兼顧跟蹤精度和濾波穩(wěn)定性。通過利用衰減記憶濾波器來維持濾波器的穩(wěn)定性，解決避撞雷達目標(biāo)跟蹤的過程中，運動狀態(tài)改變?nèi)菀讓?dǎo)致濾波發(fā)散的問題，如圖2所示。

圖2 目標(biāo)跟蹤算法

雷達目標(biāo)檢測與跟蹤的輸出結(jié)果包括：（1）航跡數(shù)，雷達在當(dāng)前周期檢測到的航跡個數(shù)N；（2）航跡編號，每個被檢測到的航跡的編號Num；（3）目標(biāo)距雷達中心的縱向距離X；（4）目標(biāo)距雷達中心的橫向距離Y；（5）目標(biāo)高度H；（6）目標(biāo)速度V；（7）目標(biāo)強度S；（8）目標(biāo)威脅等級M。

2.3 激光雷達檢測與識別技術(shù)

激光雷達主要負(fù)責(zé)列車近程150 m范圍內(nèi)的精確測量，同時彌補視覺傳感器在惡劣天候條件下不能有效工作的問題。激光雷達目標(biāo)識別問題主要針對的對象是目標(biāo)的三維離散點云數(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、行人動物、列車、建筑物、樹木和其他物體返回的激光點云數(shù)據(jù)。點云數(shù)據(jù)量每秒鐘達到24萬點以上，直接對初始數(shù)據(jù)進行處理，其處理困難且計算量較大，所以將其分為兩步進行：

（1）對點云進行粗分類過濾無用的點，減少實際需要處理的目標(biāo)點數(shù)量，并提取目標(biāo)的樣本數(shù)據(jù)；

（2）使用目標(biāo)識別算法對樣本進行學(xué)習(xí)，訓(xùn)練分類，最終實現(xiàn)激光點云數(shù)據(jù)中的目標(biāo)識別。如圖3所示。

圖3 激光點云處理流程

其中，激光點云數(shù)據(jù)的粗分類操作主要包含：激光點云數(shù)據(jù)的噪點過濾處理、分割處理、聚類處理。點云分割操作時依據(jù)目標(biāo)點云數(shù)據(jù)在高度上的分布特點，將初始目標(biāo)點云劃分為目標(biāo)和非目標(biāo)點云；點云聚類操作是依據(jù)目標(biāo)對象激光點的密集程度，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。

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

2.4 視頻、毫米波數(shù)據(jù)、激光點云融合技術(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，需要對輸入的信號進行濾波處理，其次，對各傳感器探測出的不同運動目標(biāo)分別進行濾波跟蹤。不同傳感器采集的數(shù)據(jù)基于其不同的時間和空間坐標(biāo)，若將所有傳感器的信息進行綜合考慮，必然要進行數(shù)據(jù)同步處理[4]。

實現(xiàn)同步之后，不同傳感器的信息需要進行聚類分析，將屬于同一物體的探測點歸類，之后便可以基于一些統(tǒng)計學(xué)的手段，根據(jù)各自傳感器的特性，對數(shù)據(jù)進行融合處理。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

智能檢測主機機箱安裝在靠近司機室最近的客室右側(cè)第一個座椅下方（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行替換，容納主機箱的情況下，確保美觀。如圖5所示。

圖5 智能檢測主機安裝效果

司機臺傳感器采用一體化支架進行安裝，集成了攝像機模組、激光雷達2種傳感器。在進行司機臺傳感器設(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臺的連接。一體化支架安裝在司機臺與擋風(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安裝在車體外，通過高強度支架固定在車鉤上方，并用鋼絲繩進行綁扎防脫（圖7）。毫米波雷達臨時試驗安裝是為了測試在實際運行過程中，車體外安裝形式的毫米波雷達探測精度和極限探測距離，為將來批量裝車時的毫米波雷達安裝方式提供指導(dǎo)依據(jù)，同時在無遮擋條件下，評估當(dāng)前深度定制的高精度毫米波雷達的性能。

圖7 毫米波雷達安裝效果

3.2 試驗效果

3.2.1 目標(biāo)檢測

測試指標(biāo)定義：目標(biāo)檢測問題中的模型的分類和定位都需要進行評估，采用的指標(biāo)目標(biāo)檢出的準(zhǔn)確率P（對應(yīng)誤檢率）與召回率R（對應(yīng)漏檢率），同時采用F（其中×100%）作為穩(wěn)定識別效果評估指標(biāo)。項點檢出值與真實值（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)檢測定位準(zhǔn)確度的一個標(biāo)準(zhǔn)。IOU表示了檢測的邊界框與真實邊界框的交疊率或者說重疊度，也就是它們的交集與并集的比值。相關(guān)度越高IOU越大，IOU越大說明檢測的目標(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)檢測正確需要兩個條件，即類別正確（大于目標(biāo)檢測置信度閾值）且交并比大于設(shè)定閾值，將IOU閾值設(shè)置為0.5，不同類型測試結(jié)果見表2、表3。

表2 目標(biāo)檢測項點測試結(jié)果

表3 準(zhǔn)確率對標(biāo)

3.2.2 語義分割

語義分割模型同樣采用IOU作為評價指標(biāo)，與標(biāo)注數(shù)據(jù)進行IOU計算，計算結(jié)果見表4，其中，全圖區(qū)域是指在預(yù)測結(jié)果的1920*1080整個區(qū)域上計算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個像素點而確定。

表4 語義分割模型測試結(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，說明模型對當(dāng)前軌道的鐵軌檢測效果比旁邊軌道更好。如圖8所示。

圖8 障礙物檢測試驗效果

3.3 結(jié)果分析

從研究獲得的成果看，未來城軌主動防撞技術(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，主動防撞系統(tǒng)所用的傳感器主要參考了汽車自動駕駛傳感器的思路進行選型，但是在探測距離、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200 m，選擇適應(yīng)低照度、寬動態(tài)性能的攝像機是最大的困難，隨著圖像信號處理技術(shù)的發(fā)展和新的傳感器出現(xiàn)，該問題會得到解決。激光雷達屬于昂貴的傳感器件，且目前半固體激光雷達的實際壽命普遍不高，找到低成本高性能的解決方案十分困難，隨著汽車自動駕駛的發(fā)展，固態(tài)激光雷達技術(shù)逐漸成熟，有望得到改善。毫米波雷達基本上被證明不適合在地鐵隧道場景中進行障礙物檢測，只能用于測速，可以考慮只作為輔助器件納入系統(tǒng)。

算法成熟度方面，機器視覺算法主要基于人工神經(jīng)網(wǎng)絡(luò)和機器學(xué)習(xí)，帶來的問題是極大的訓(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，都會帶來不一樣的效果，無法通過樣本實現(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，對于遠(yuǎn)距離的小障礙物檢測就顯得困難，視覺模型的過度訓(xùn)練和過度泛化之間必須有一個折中，在保證準(zhǔn)確率和召回率上無法同時達到一個很高的標(biāo)準(zhǔn)。激光雷達算法目前較為成熟固定，實現(xiàn)的差異主要在于聚類參數(shù)的選擇和調(diào)整，但對于軌道限界的識別，還是無法做到期望的距離，這與激光雷達光束與軌道延伸方向夾角過小有關(guān)，在超過100 m的距離，軌道面返回的信息幾乎無法讓算法可以識別到限界的邊界。未來的方向主要是通過預(yù)建圖來達到限界的精準(zhǔn)判斷。

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

4 結(jié)語

以城軌主動防撞系統(tǒng)的研究和應(yīng)用實踐對城市軌道交通場景下的機器視覺、激光雷達、毫米波雷達和多傳感融合等技進行了深入研究，開發(fā)了機器視覺模型、激光雷達點云算法、毫米波雷達和多傳感融合算法，通過不斷迭代，持續(xù)提升算法的可靠性和識別率，達到系統(tǒng)對300 m列車、150 m行人、100 m小障礙物識別的設(shè)計指標(biāo)。同時，探索了77 GHz毫米波雷達在正線隧道中的障礙物探測能力，發(fā)現(xiàn)在地鐵正線隧道場景下，毫米波雷達優(yōu)勢不明顯，存在復(fù)雜地多徑效應(yīng)。研究結(jié)果表明，城軌主動防撞技術(shù)宜以機器視覺和激光雷達技術(shù)為主要感知設(shè)備，其他多種傳感手段為輔助，來實現(xiàn)列車運行限界和障礙物檢測地目的。對于接入制動系統(tǒng)控車的目標(biāo)，無論是傳感器技術(shù)還是算法上都還有較大的提升空間。