轨道障碍物检测应用及展望
+ 关注
只看楼主
随着城市化和交通网络不断扩张，确保铁路和地铁轨道上的障碍物及时检测和移除，对于轨道交通系统安全至关重要。本文阐述常用的障碍物检测手段，对各种方法的技术特点和应用范畴进行分析和总 结，并对发展趋势进行展望，同时提出一种综合方法，融合深度学习、动态背景建模和 3D 点云分割技术，以提高障碍物检测的精确性和效率。
01
本章节介绍轨道障碍物检测中主流的数据模态及其处理方法，再根据传感器安装位置分别介绍固定与车载 2 类场景，并对其优缺点作出分析。
图像数据是最为普遍的数据类型之一，可轻松通过摄像头获取。该数据类型因其直观的呈现形式和相 对较低的获取成本成为智能分析任务的首选。利用摄像头可变焦和转向的特点，可以在保证分辨率的情况下达到较大的感知范围。目前对于图像数据的处理算法已经相当成熟，在轨道障碍物检测中也有广泛应用。然而，图像数据类型依然存在较为明显的缺点， 尽管有双目立体视觉、热成像等技术，但依然容易受到 光照、天气等外部因素的影响。
点云数据是由大量三维坐标点组成的数据集合，每个点都包含位置、颜色和其他属性的信息，点云数 据可用于物体识别、场景重建等。在轨道障碍物检测中，通常使用激光雷达、毫米波雷达扫描获取点云数据。同样点云数据类型也存在明显的缺点，受到传感器的机械结构限制，在不同距离下会呈现出不同的分辨率，在远距离以及垂直方向上数据点较为稀疏，导致难以识别目标轮廓。
由此可知，单一模态的数据类型均存在各自的缺陷，而随着技术发展，单一模态的数据已经难以满足复杂场景需求，因此通常对多模态数据进行融合后再开展分析。
固定场景是指传感器所处的位置不变，每个传感器只负责在特定的一片区域内进行分析。这类方式的 特点是传感器所对应的环境相对固定，可以对环境进行背景建模，当传感器得到的环境信息与先前建模的背景出现差异时，即可以判断可能有障碍物出现，如图 1 所示。
该类方法的传感器可选择的种类丰富，较为传统的有电流、光纤、压力传感器等，通过分析传感器信号与常态时的异常差异，分析障碍物的位置、体积等信息。目前较为主流的方案是基于视频摄像头或激光、毫米波雷达，这类传感器可以获取更为细节与直观的场景信息，有助于分析算法对障碍物做出更进一步的分析，例如给出障碍物所属的类别（人、动物、车辆等），以方便相关工作人员做出更合理的判断与决策。
由于传感器位置固定的缘故，理论上该类方法的最大分析间隔可以等于系统所能接受的最大报警延迟时间，即系统若要求在障碍物出现的 N 秒内产生报警，该传感器的理论最大分析间隔可以为 N 秒，所以固定场景的方式对分析算法的实时性要求较低，可以采用更加复杂的模型与算法对场景进行分析，因此精确度相对较高。但其缺点也较为明显，检测系统所覆盖的范围受限于传感器的数量，实现全路段覆盖的成本较高。
车载场景是指传感器安装于列车之上，通常位于车头，利用算法实时分析列车经过的路段场景，判断是否出现轨道障碍物并实时发出报警，如图 2 所示。
车载场景的轨道障碍物检测较为灵活，所需传感器数量少，整体系统链路短、响应快，无须进行车地间通信，列车可以直接通过传感器第一时间得到报警信息，且覆盖范围广。但其难点在于感知环境不固定，受外界因素影响较大，对障碍物检测算法的实时性要求较高，而通常耗时较少的轻量级算法在精确度上会有所下降，因此车载场景的精确度要小于固定场景。
车载场景的轨道障碍物检测首先要在感知数据中确定轨道所在的位置，通常使用边缘检测、霍夫变换、聚类或深度学习等方法进行轨道检测。确认轨道位置后，可以根据图像数据的纹理等信息区分轨道界限内是否存在与背景差异较大的区域，或基于图像形态学原理判断轨道区域是否完整，进而判断是否存在障碍物。点云数据可以依照先验知识设定规则，例如轨道的宽度高度等，当轨道平面中出现高度或宽度超出阈值的稳定数据点时，则可以认为是疑似障碍物。最终，通过相互校验不同模态数据的检测结果，可以减少不必要的误报。
固定场景安装的障碍物检测系统检测精度高，但要做到全线路覆盖则成本较高，为平衡成本与性能之间的矛盾，可以采取二者结合的方式，所有列车均设置车载轨道障碍物检测系统，但在轨道的重点区域，如道岔、车站出入口架设固定场景的障碍物检测系统。
视觉相机与雷达传感器各自存在应用场景的局限性，为保证障碍物检测算法的全天候运行，通常使用多模态数据融合手段。多模态数据处理的难点有：
（ 1 ）不同传感器的数据在时间与空间上不一致，例如相机与雷达之间的数据刷新频率与成像范
围不同
；
（ 2 ）在远距离上雷达数据的点云分布稀疏，空间结构严重缺失，并且难以与图像像素形成一对一关系。
目前深度学习在多模态数据处理领域展现出卓越的性能，通过神经网络的深度结构，能够高效地融合和处理不同形式的信息，在整合多种模态信息的过程中优势显著，使得系统能够更全面、更深入地理解和表达复杂的现实世界情境。
对于车载场景的轨道障碍物检测算法，快速的分析可以令系统更快发出报警，进而提升列车的安全性。 除轻量化算法模型外，可以从优化分析策略入手，使用分级分析策略。首先采用轻量级、召回率极高但误报率也较高的模型做初步处理，避免行车过程中大部分无障碍物时间段进行过多无效分析；当检测到疑似轨道障碍物时，再进入二次判断流程，采用更加重量级的模型以及判别算法，以区分是真实报警还是误报。
02
基于上一章节分析，固定视角的轨道障碍物检测方法具有较高的精确度，通过与环境背景的差异对比，能以极低的漏报率检出行车范围内的场景变动，只要障碍物的判定模型精度足够高，便可以达到低漏报、低误报的性能。本章节提出一种动态背景建模的方法，汲取固定场景与车载场景的优点，再结合当前较为先进的基于深度学习的交互式目标分割算法对疑似目标做最终判别，以达到更好的性能，流程图如图 3 所示。
即时定位与地图构建（ SLAM ）常用于机器人领域，从未知环境中开始，在运动过程中通过传感器定位自身位置和采集周边环境信息，最终构建出整个环境地图，同时实时更新自身位置。在传统地铁环境中的建模，起始点和终点是固定的，在室外可以用全球定位系统（ GPS ）定位所在位置，在地下和隧道可以在短距离内靠惯性导航获得较为精确的定位。而此方法地图和车辆位置定位的精度较为重要，需要通过确定所在的位置并比对该处地点的近期环境信息，判断是否存在障碍物。为此，此方法集合激光雷达、视觉摄像头、惯性测量单元（ IMU ）和 GPS 信息，综合计算，得出更为精确的位置信息。此方法使用轻量级基于地平面优化的激光雷达里程计与地图构建（ LeGO-LOAM ）框架，该框架由激光雷达里程计与地图构建（ LOAM ）衍生而成，在 LOAM 的基础上添加了数据预处理，并且加入回环检测，对后端处理进行优化。激光雷达是依靠旋转扫描一个扇面区域，因此即便在同一帧下不同
角度的点云数据采集也存在一定的时间差，如果在扫描环境和传感器相对静止或者相对低速的情况下，这段时间误差的影响可以忽略。但在文章描述的应用场景中，列车处于高速行驶状态，传感器得到的点云数据在同一帧下的不同角度存在一定偏移，因此需要结合
IMU
惯性传感器数据对点云数据做畸变运动补偿，以得到精确的三维（
3D
）点云。将所得到的环境模型点云依次划分成长宽高为
25cm
、
50cm
和
100cm 3
种粒度大小的网格，求得每一个网格的局部点云特征并存储，用于后续对比场景的变化。
在系统首次运行期间将采集线路的环境信息，完成对环境模型的建立，并且会定期更新重建环境模型， 以避免场景变动带来的影响（最终的模型局部如图 4 所示），剔除无效区域的数据点，以提高数据加载和计算速度。
在实际运行过程中，需要确定列车所在的精确位置，才能与存储的历史背景相互对比。为提升算法的实时性，首先粗略定位列车在线路中的大致位置，再通过点云特征匹配确定列车所在的精确位置。
列车在地上运行期间可以通过 GPS 进行定位，进入地下后可以通过网络基站、惯性导航、里程计算进行定位，定位误差可以锁定在± 50m 以内。确定粗略位置后，在所存储的历史背景信息中截取相应误差范围内的场景点云信息，再以此为根据实现提取的不同尺度的场景点云特征从大尺度（ 100cm ）到小尺度（ 25cm ）逐步匹配，确定列车在场景中的精确位置。最后将当前场景的点云与历史存储该位置的场景点云做空间配准， 找出场景变化的位置。
在区域定位章节中所述的空间配准完成后，对比每个相同位置的小尺度网格中特征之间的相似度，如果相似度过低则表明该位置场景发生变化，极有可能是障碍物。基于场景变化检测障碍物方式的漏报率极低，场景变化几乎可以看作出现障碍物的必要条件（障碍物尺寸小于传感器分辨率时例外），因此在后续处理中去除多余误报是此方法的重点。
（ 2 ）传感器误差导致数据不精确，通常所产生的差异呈现不规则状态；
（ 3 ）天气、光线、遮挡等因素影响传感器感知环境；
（ 4 ）空间配准误差导致场景的大部分范围均被判定为不一致。
总结上述情况，判定是否有障碍物关键在于变化区域内是否存在一个确切的物体。此方法中将使用交 互式目标分割方法判断该场景变化区域是否存在确切的物体。
近年，交互式分割算法有突破性进展， Meta 人工智能实验室建立了迄今为止最大的分割数据集，同时发布视觉分割模型（ SAM ），该模型具有极强的泛化能力，通过使用者给出的点、线条或检测框即可精确预测出物体的掩码。在 SAM 的基础上， SAM3D 的图像交互分割对象转变为 3D 点云数据，可预测出每个数据点是否属于同一物体。交互式分割算法的特点在于只要分析的物体具有相对明显轮廓，即可预测物体掩码，不受物体类别的限制。而在轨道障碍物检测任务中，障碍物的种类繁多且不确定，常规的目标检测算法难以全面涵盖所有类别，因此采用 SAM 系列方法进一步判断变化区域是否存在确切的物体。依次在图像与点云数据中场景发生变化所在区域内获得采样点，利用 SAM 算法
分析采样点，根据
SAM
算法返回的结果置信度判定该区域是否存在确切的物体，同时对比变化区域的范围与
SAM
所预测的物体体积是否一致，如果体积大致相等，则基本可以判定该区域的场景变化由障碍物出现造成。
除轨道障碍物检测以外，对于未知类别物体的检测都可能会出现误报多的问题，通常是由于传感器误差、背景建模错误或环境异常所致，而这类误报在实际场景中并未出现确切的新增物体，因此均可以由 SAM 过滤。以此思路还可应用于多个方向，如汽车自动驾驶避障、遗留物品检测等。
03
文章对轨道障碍物检测技术进行了深入研究和分析，总结固定场景和车载场景 2 种主要检测方式的优缺点，并提出基于背景建模的车载轨道障碍物检测方法。通过综合运用动态背景建模和深度学习技术，该方法在提高检测精确性和实时性方面具有显著优势。针对障碍物检测技术的挑战，文章得出以下几个重要结论。
（ 1 ）多模态数据融合是未来发展的重要方向，通过整合不同传感器获取的数据，如视觉相机、雷达等，可以提高障碍物检测系统的全天候性能和鲁棒性。
（ 2 ）优化分析策略是提升实时性的关键。采用分级分析策略，结合轻量级模型和重量级模型，可以在保证精确性的同时提高系统响应速度。
（ 3 ）交互式目标分割技术具有广阔的应用前景，通过结合 SAM 等先进算法，可以有效过滤误报，提高障碍物检测的准确性和可靠性。
（ 4 ）进一步完善 SLAM 环境建模技术对系统性能至关重要，通过对环境的精确建模和定位，可以提高系统对障碍物的检测效果。
出于对未来技术发展的关注，文章也对轨道障碍物检测的未来发展进行了展望。
（ 1 ）未来轨道障碍物检测将在深度学习技术应用、多传感器融合、实时性和高效性提升、数据集积累与共享以及自主化等方向进一步发展。随着硬件性能的增强，系统可以使用更加重量级的模型对场景进行分析，同时有更多的计算资源对软硬件进行调度。未来当算法的精度与速度足够高时，便可以有额外的时间动态调度固态激光雷达对远距离区域的可疑目标进行定向探测，或调度变焦镜头获取目标区域更为清晰的图像，进一步提升系统的探测距离与精度。
（ 2 ）根据车载场景下基于背景建模轨道障碍物检测的思路，每辆列车都可以被当作轨道巡检装置，除检测轨道区域内的障碍物以外，也可以感知轨道周围的场景变化。根据实际应用需求，这些场景变化可以不转化成实时的报警信息，但是依旧可以被记录下来。由于列车运行区域是较为封闭的空间，同一位置的场景通常固定不变，当场景发生变化时，即便不是轨道内的障碍物，也可能是其他类别的安全隐患，例如防护围栏破损、缺失等。实时场景异常变化感知将对轨道工作人员决策起到至关重要的作用。
综上所述，随着技术不断进步和创新，轨道障碍物检测技术的研究将持续深入。相信不久的将来，在各方共同努力下，障碍物检测技术将迎来新突破，为轨道交通的安全运行提供更加可靠的保障。
/ 参考文献 /
[1]宋宇,吴宽,张克林,等.轨道障碍物检测应用及展望[J].现代城市轨道交通,2024(04):35-42.
免费打赏
APP内打开
