基于雷達的列車直軌運行前方障礙物檢測方法研究

郭雙全，董昱

基于雷達的列車直軌運行前方障礙物檢測方法研究

郭雙全，董昱

(蘭州交通大學(xué) 自動化與電氣工程學(xué)院，甘肅 蘭州 730070)

針對視覺傳感器檢測列車運行前方障礙物時存在環(huán)境適應(yīng)能力差及對距離判別能力弱的缺陷，提出一種基于雷達的列車直軌運行前方障礙物檢測判別方法。通過最小二乘法進行雷達測量數(shù)據(jù)誤差矯正得到較準(zhǔn)確的目標(biāo)位置信息。結(jié)合鐵路機車車輛限界、雷達方位角及雷達測量量程，構(gòu)建檢測區(qū)模型。將預(yù)處理后的目標(biāo)點位置信息代入構(gòu)建的檢測區(qū)模型中進行障礙物檢測判別。現(xiàn)場測試結(jié)果顯示，利用該方法檢測不僅具有較高的準(zhǔn)確性，而且克服了環(huán)境因素的影響。

列車前方環(huán)境理解；最小二乘法；檢測區(qū)域模型；障礙物檢測

IEC62290標(biāo)準(zhǔn)按照列車運行的所需操作，自動化程度不同劃分自動化系統(tǒng)等級：GOA1到GOA4。列車在GOA1和GOA2等級運行時，監(jiān)控軌道避免列車與軌道上的維修人員碰撞，是由機車司機目視前方行車環(huán)境，當(dāng)發(fā)現(xiàn)前方行車環(huán)境中有維修人員時，司機鳴笛提示前方人員起到預(yù)警作用，同時對列車實施制動，將碰撞事故盡可能的降低。而隨著列車的運行速度的提高，僅僅依靠司機難以實現(xiàn)對行車環(huán)境的實時可靠監(jiān)測且司機目視監(jiān)測距離相對較短容易發(fā)生碰撞維修人員事故。故需利用自動化監(jiān)測設(shè)備輔助司機實行監(jiān)測感知前方運行環(huán)境，即逐漸實現(xiàn)列車的全自動駕駛，達到GOA3和GOA4的要求。隨著軌道交通全自動駕駛信號系統(tǒng)的研發(fā)和鐵路視覺和雷達監(jiān)測技術(shù)的應(yīng)用，實現(xiàn)行車前方鐵路限界環(huán)境的智能化監(jiān)測已然成為研究的熱點課題，具有重要的現(xiàn)實意義[1-4]。近幾年，國內(nèi)外學(xué)者提出采用視覺傳感器和雷達傳感器構(gòu)建列車環(huán)境感知系統(tǒng)，實現(xiàn)對行車環(huán)境的實時可靠檢測。史紅梅等[5]基于機器視覺與嵌入式技術(shù)設(shè)計了異物侵限自動檢測系統(tǒng)。Ruder等[6]構(gòu)建了一個基于3臺攝像機的機車前方軌道障礙物檢測系統(tǒng)，實現(xiàn)對障礙物目標(biāo)跟蹤與檢測。Fonseca等[7]以車載前視視覺傳感器為視角，提出了采用基于Hough變換的方法來檢測鐵路軌道線區(qū)域并在此區(qū)域內(nèi)掃描搜索可能的障礙物目標(biāo)。Berg等[8]采用單目熱敏相機進行障礙物檢測。超木日力格[9]提出了通過特征匹配和光流法的機車司機視野擴展系統(tǒng)，對路軌障礙物目標(biāo)檢測。董昱等[10]采用單目攝像機獲取鐵路線路圖片并提取軌道線的Hu不變矩特征實現(xiàn)鐵路軌道識別檢測。王前選等[11]推導(dǎo)出用于鋼軌識別檢測的Bresenham直線算法，提出鋼軌直線檢測實現(xiàn)方法。龐博[12]設(shè)計了一種隨車激光雷達軌道障礙物探測系統(tǒng)，根據(jù)反饋信號判斷行車路線是否存在障礙物。雖然視覺傳感器能夠獲取目標(biāo)詳細的屬性信息，但其對于獲取目標(biāo)的位置信息以及環(huán)境適應(yīng)能力都相對較差(如：當(dāng)碰到暴雨、雪以及霧等不佳的天氣環(huán)境時，判斷效果會大打折扣)。針對司機視覺、巡道工和單點監(jiān)控防護的方式及視覺傳感器目標(biāo)檢測跟蹤的不足，本文采用雷達傳感器進行鐵路異物侵限檢測研究，其既可以解決司機視覺、巡道工和單點監(jiān)控防護的方式帶來的實時性不足的問題,也可以解決視覺傳感器目標(biāo)檢測跟蹤獲取目標(biāo)位置不準(zhǔn)確及環(huán)境適應(yīng)能力差的問題。障礙物檢測算法架構(gòu)如圖1所示。首先，獲取目標(biāo)點位置信息，并對其進行預(yù)處理消除系統(tǒng)誤差，得到較精確的目標(biāo)點位置信息；其次，根據(jù)鐵路限界輪廓結(jié)合雷達參數(shù)信息構(gòu)建檢測區(qū)；最后，將經(jīng)矯正后的目標(biāo)點位置代入構(gòu)建的檢測區(qū)模型中進行障礙物檢測 判別。

圖1 障礙物檢測算法架構(gòu)

1 研究問題描述及雷達選型

本研究的主要目的是分析雷達探測到的目標(biāo)位置是否處在機車車輛限界內(nèi)方。若處在機車車輛限界內(nèi)方，則對行車構(gòu)成威脅，將其判別為障礙物。否則，對行車無影響，將其判別為非障礙物。

如圖2所示，雷達安裝于列車頭部正中心，周期性的發(fā)射探測波，將反射回的波形信息在雷達系統(tǒng)中進行信號處理分析，解析出前方目標(biāo)的位置信息，用于本文障礙物檢測研究。

圖2 雷達障礙物檢測示意圖

根據(jù)功能需求選取適當(dāng)?shù)睦走_設(shè)備，本課題研究中選取的雷達型號為FD4—1000CJ10，該雷達環(huán)境適應(yīng)性強，雷達性能不受光照、灰塵、雨雪、霧霾等惡劣環(huán)境影響。主要的電氣參數(shù)如表1所示。

表1 雷達主要電氣參數(shù)

2 雷達測量數(shù)據(jù)預(yù)處理

雷達測量數(shù)據(jù)預(yù)處理環(huán)節(jié)的目的是為了消除雷達測量數(shù)據(jù)的系統(tǒng)誤差[13-14]，提高雷達測量數(shù)據(jù)的質(zhì)量，使后續(xù)目標(biāo)侵限判斷更準(zhǔn)確。

2.1 測量點函數(shù)擬合

采用最小二乘法對測量點進行曲線擬合，即可得測量點函數(shù)，具體擬合步驟如下。

步驟1：確定擬合曲線的形式。將雷達獲取的測量點(x,y)用Matlab繪制成散點圖，如圖3所示。由圖3可知，4次測量結(jié)果的測量點均位于一條直線的附近，故可以用線性函數(shù)(直線)來擬合測量點數(shù)據(jù)，即令

式中：和為待定常數(shù)。

步驟2：構(gòu)造目標(biāo)函數(shù)。選取最佳的使偏差平方和最小構(gòu)造相應(yīng)的目標(biāo)函數(shù)，即

(a) 第1次測量；(b) 第2次測量；(c) 第3次測量；(d) 第4次測量

圖3 測量點散點圖

Fig. 3 Measurement point scatter plot

步驟3：建立方程組。對目標(biāo)函數(shù)求未知參數(shù)的一階偏導(dǎo)并令其偏導(dǎo)為0構(gòu)造方程組，將其寫成矩陣形式即為法方程組，即

式中：為擬合點數(shù)。

步驟4：求解函數(shù)表達式。對式(3)方程組求解即可得和的值，將求得的和的值代入式(1)中，即可得擬合函數(shù)表達式，如式(4)所示。

2.2 系統(tǒng)誤差矯正

將雷達固定，讓目標(biāo)在軸方向的距離保持不變，使其僅沿軸方向運動，分析軸的測量值隨軸變化的函數(shù)關(guān)系(注：由于檢測邊界在軸向的變化比較小，故對由軸引起的誤差未做研究)。其具體過程如下。

步驟1：測量點函數(shù)繪制。用3.1所提方法對多次測量結(jié)果均擬合出測量點函數(shù)表達式。

步驟2：誤差函數(shù)求解。用步驟一中獲取的測量點函數(shù)減去目標(biāo)實際運動的軌跡函數(shù)獲取誤差函數(shù)，即

步驟3：實際誤差函數(shù)。對獲取的誤差函數(shù)的系數(shù)求取均值，即可獲得實際誤差函數(shù)[14]，即

2.3 實際誤差函數(shù)求解

將雷達固定，讓目標(biāo)沿著軸方向運動，即此時實際目標(biāo)運動軌跡函數(shù)為=0。進行了4次測量實驗，分別計算各自的誤差函數(shù)表達式。

目標(biāo)運動的實際軌跡和雷達測量點擬合軌跡仿真如圖4所示，4(a)，4(b)，4(c)和4(d)分別為第1次至第4次的仿真結(jié)果圖。其中，虛線條代表目標(biāo)運動實際軌跡函數(shù)，橫坐標(biāo)粗線條代表測量點軌跡函數(shù)。根據(jù)式(1)~(4)結(jié)合測量點數(shù)據(jù)可求得各自的測量點函數(shù)表達式分別如表2所示。

(a) 第1次測量；(b) 第2次測量；

表2 測量點函數(shù)表達式

已知各次測量點函數(shù)表達式，又已知實際目標(biāo)運動軌跡函數(shù)表達式，則可根據(jù)式(6)計算獲取單次誤差函數(shù)表達式，如表3所示。

表3 單次誤差函數(shù)表達式

由表3已知單次誤差函數(shù)表達式，則可根據(jù)式(7)計算獲取實際誤差函數(shù)表達式，如式(8)所示，其實際誤差函數(shù)如圖5所示。

2.4 預(yù)處理后雷達數(shù)據(jù)誤差估計

利用雷達隨機測量個數(shù)據(jù)點，并記錄各個數(shù)據(jù)點的實際位置點坐標(biāo)為(x,y)和雷達測量點位置坐標(biāo)為(x,y)。具體估計過程如下。

步驟1：雷達測量點數(shù)據(jù)預(yù)處理。將獲取的雷達測量點數(shù)據(jù)減去雷達在該點的系統(tǒng)誤差值獲得預(yù)處理后的雷達數(shù)據(jù)。即如式(9)所示。

式中：(x,y)為雷達測量點數(shù)據(jù)經(jīng)預(yù)處理后的位置點坐標(biāo)；Δx代表雷達測量點在該點的x軸向距離誤差。

步驟2：誤差范圍及平均誤差估計分析。利用距離公式計算雷達數(shù)據(jù)點位置坐標(biāo)(x,y)與對應(yīng)的實際位置點坐標(biāo)(x,y)之間的距離和平均距離即可求得誤差范圍和平均誤差。其中誤差范圍求解如式(10)，平均誤差求解如式(13)。

式中：min為誤差范圍的下限；max為誤差范圍的上限；為誤差變量。min和max計算如式(11)和 式(12)。

步驟3：誤差范圍及平均誤差估計。對隨機測量的100個數(shù)據(jù)點首先代入式(9)中進行預(yù)處理操作，然后再將預(yù)處理后的雷達測量數(shù)據(jù)和數(shù)據(jù)點的實際位置代入式(10)~(13)中進行誤差范圍及平均誤差估計，經(jīng)估計分析的預(yù)處理后雷達的誤差范圍大概為[0 m,0.2 m]。平均誤差值大約為0.11 m。

通過誤差估計分析可知，將雷達原始目標(biāo)數(shù)據(jù)通過預(yù)處理環(huán)節(jié)后，有效的消除了由于雷達精度及設(shè)備缺陷帶來的系統(tǒng)誤差，提高了障礙物檢測的判別準(zhǔn)確性。

3 雷達障礙物檢測

3.1 檢測區(qū)模型構(gòu)建

鐵路機車車輛上部限界基本輪廓如圖6所示，經(jīng)限界基本輪廓可知[15]，列車安全運行的限界橫向輪廓值應(yīng)至少為機車車輛限界基本輪廓在橫向的最寬值3.4 m外加列車信號裝置限界輪廓值0.2 m，即列車安全運行的限界橫向輪廓值為3.6 m。

圖6 機車車輛上部限界圖

結(jié)合雷達參數(shù)信息、列車安全運行的橫向輪廓值及預(yù)處理后雷達數(shù)據(jù)的誤差范圍構(gòu)建檢測區(qū)模型，其檢測區(qū)邊界參數(shù)設(shè)置如圖7所示。

圖7 檢測區(qū)構(gòu)建示意圖

圖7中，坐標(biāo)原點對應(yīng)雷達的發(fā)射中心，軸為雷達的發(fā)射中軸線。3.6 m為列車安全運行的橫向輪廓值，0.4 m為誤差補償值。Low值為檢測區(qū)近邊界距離雷達中心點的距離；High值為檢測區(qū)遠邊界距離雷達中心的距離；為雷達方位角。其中，Low值由雷達方位角決定，具體計算公式如式(9)所示。High值由雷達的量程決定。根據(jù)表1中雷達參數(shù)信息并將其值代入式(9)中可得Low值大約為11 m，而High根據(jù)雷達測量量程信息知其值為 600 m。

根據(jù)以上分析可以構(gòu)建相應(yīng)的雷達檢測區(qū)模型如式(15)所示[16]。

3.2 障礙物檢測判別

雷達獲取到目標(biāo)信息后首先要經(jīng)過預(yù)處理環(huán)節(jié)進行系統(tǒng)誤差的矯正，消除雷達測量數(shù)據(jù)的系統(tǒng)誤差。

設(shè)雷達測量原始點坐標(biāo)為(x,y),經(jīng)式(9)預(yù)處理后得到的雷達目標(biāo)點的位置坐標(biāo)為(x,y) 。將經(jīng)預(yù)處理之后獲取的目標(biāo)點位置坐標(biāo)(x,y)代入到檢測區(qū)模型中進行判決，判別是否滿足檢測區(qū)模型，若滿足則判別其為障礙物。即如式(16)所示。

4 仿真實驗與結(jié)果分析

在本次實驗中，共選取3個場景中測得的500幀雷達測試數(shù)據(jù)來驗證所提方法的合理性及檢測準(zhǔn)確性。其3個場景分別為：白天無霧、白天有霧及夜間。

4.1 仿真驗證實例

FD4—1000CJ10型雷達一次最多可以測量60個目標(biāo)位置信息。選取一幀雷達測試數(shù)據(jù)進行仿真展示。所選雷達測試數(shù)據(jù)如下表4所示(注：由于現(xiàn)場測試距離限定，故僅分析<200 m的目標(biāo)點，滿足此條件的目標(biāo)點共有5個)。

表4 雷達測試數(shù)據(jù)展示

對表4中的雷達測試數(shù)據(jù)利用式(8)和式(9)消除誤差，得到處理后的雷達檢測數(shù)據(jù)，如表5所示。

表5 處理后的雷達檢測數(shù)據(jù)

將表5中的雷達檢測數(shù)據(jù)代入式(16)中進行障礙物檢測判別，其仿真結(jié)果如圖8所示。并在Matlab界面中提示Traget4為障礙物。

圖8 障礙物檢測判別仿真

4.2 性能評價

通過檢測正確率及誤檢率對本文提出的檢測方法進行評價，具體見表6。

表6 本文檢測方法評價指標(biāo)

由表6可知，本文提出的障礙物檢測方法當(dāng)在惡劣行車環(huán)境下時檢測正確率為88.33%，而當(dāng)在正常環(huán)境中行駛時檢測正確率超過了90%。而采用文獻[10]當(dāng)在光照條件良好時直軌障礙物的識別率為89.64%，當(dāng)在光照條件較差時識別率嚴(yán)重下降。由此可以看出，本文方法具有良好的環(huán)境適應(yīng)能力和檢測準(zhǔn)確率。

5 結(jié)論

1) 提出基于雷達的直道列車運行前方障礙物檢測，克服了機器視覺檢測環(huán)境適應(yīng)能力差及縱向距離判別能力弱兩方面的問題。

2) 利用最小二乘法對雷達數(shù)據(jù)進行預(yù)處理，消除了雷達系統(tǒng)誤差，提高了障礙物檢測判別的準(zhǔn)確度。

3) 通過Matlab仿真驗證，結(jié)果顯示，本文所提障礙物檢測方法是合理的且具有良好的檢測性能，具有較高的理論價值和實際應(yīng)用前景。

[1] 路向陽, 呂浩炯, 廖云, 等. 城市軌道交通全自動駕駛系統(tǒng)關(guān)鍵裝備技術(shù)綜述[J]. 機車電傳動, 2018(2): 1-6. LU Xlangyang, LYU Haojlong, LIAO Yun, et al. A review of key apparatus of urban rail transit full automatic operation system[J]. Electric Drive for Locomotive, 2018(2): 1-6.

[2] Punekar N S, Raut A A. Improving railway safety with obstacle detection and tracking system using GPS-GSM model[J]. International Journal of Science & Engineering Research, 2013, 4(8): 288-292.

[3] 肖衍, 蘇立勇. 軌道交通全自動駕駛系統(tǒng)集成技術(shù)研究[J]. 中國鐵路, 2015(5): 109-113. XIAO Yan, SU Liyong. Research on the integrated technology of the automatic driving system for rail transit[ [J]. Chinese Railways, 2015(5): 109-113.

[4] Kazanskiy N L, Popov S B. Integrated design technology for computer vision systems in railway transportation[J]. Pattern Recognition and Image Analysis, 2015, 25(2): 215-219.

[5] 史紅梅, 柴華, 王堯, 等. 基于目標(biāo)識別與跟蹤的嵌入式鐵路異物侵限檢測算法研究[J]. 鐵道學(xué)報, 2015, 37(7): 58-65. SHI Hongmei, CHAI Hua, WANG Yao, et al. Study on railway embedded detection algorithm for railway intrusion based on object recognition and tracking[J]. Journal of the China Railway Society, 2015, 37(7): 58- 65.

[6] Ruder M, Moler N, Faruque A. An obstacle detection system for automated trains[C]// Proceedings Intelligent Vehicles Symposium IEEE, 2003: 180-185.

[7] Fonseca Rodriguez L A, Uribe J A, Vargas Bonilla J F. Obstacle detection over rails using hough transform[C]// 2012 XVII Symposium of Image, Signal Processing, and Artificial Vision (STSIVA), September 12-14, 2012. Medellin, Antioquia, Colombia. New York, USA: IEEE, 2012.

[8] Berg A, ?fj?ll K, Ahlberg J, et al. Detecting rails and obstacles using a train-mounted thermal camera[M]// Cham: Springer International Press, 2015: 492-503.

[9] 超木日力格. 機車司機視野擴展系統(tǒng)及路軌障礙物檢測的研究[D]. 北京: 北京交通大學(xué), 2012. CHAO Murilige. Locomotive Driver’s vision expansion system and roadblock detection algorithm[D]. Beijing: Beijing Jiaotong University, 2012.

[10] 董昱, 郭碧. 基于Hu不變矩特征的鐵路軌道識別檢測算法[J]. 鐵道學(xué)報, 2018, 40(10): 64-70. DONG Yu, GUO Bi. Railway track detection algorithm based on Hu invariant moment feature[J]. Journal of the China Railway Society, 2018, 40(10): 64-70.

[11] 王前選, 梁習(xí)鋒, 劉應(yīng)龍, 等. 鐵路鋼軌視覺識別檢測方法[J]. 中南大學(xué)學(xué)報(自然科學(xué)版), 2014, 45(7): 2496- 502. WANG Qianxuan, LIANG Xifeng, LIU Yinglong, et al. Railway rail identification detection method using machine vision[J]. Journal of Central South University (Science and Technology), 2014, 45(7): 2496-2502.

[12] 龐博. 高速機車軌道障礙物激光掃描探測系統(tǒng)技術(shù)研究[D]. 天津: 天津大學(xué), 2010: 9-43. PANG Bo. Research on laser scanning system and technology for obstacle detection of high-speed railway[D]. Tianjin: Tianjin University, 2010: 9-43.

[13] 董大鈞. 誤差分析與數(shù)據(jù)處理[M]. 北京: 清華大學(xué)出版社, 2013: 69-83. DONG Dajun. Analysis and date processing[M]. Beijing: Tsinghua University Press, 2013: 69-83.

[14] 李鵬飛, 郝宇, 費華平, 等. 基于多直線融合的雷達誤差標(biāo)定算法研究[J]. 雷達科學(xué)與技術(shù), 2017, 15(6): 682-686. LI Pengfei, HAO Yu, FEI Huaping, et al. Radar calibration error correction algorithm based on segment track linear fitting[J]. Radar Science and Technology, 2017, 15(6): 682-686.

[15] 王瑞峰. 鐵路信號運營基礎(chǔ)[M]. 北京: 中國鐵道出版社, 2008: 11-14. WANG Ruifeng. Railway signal operation foundation [M]. Beijing: China Railway Press, 2008: 11-14.

[16] 黃偉. 基于雷達和機器視覺的車輛前方障礙物檢測系統(tǒng)設(shè)計與實現(xiàn)[D]. 武漢: 武漢理工大學(xué), 2010. HUANG Wei. Design and implementation of vehicle obstacle ahead detection system based on radar and computer vision[D]. Wuhan: Wuhan University of Technology, 2010.

Research on detection method of obstacle in front of straight track operation of train based on radar

GUO Shuangquan, DONG Yu

(College of Automation and Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

To address the problem of poor environmental adaptability and weak distance discrimination in the detection for obstacle based on visual sensors,aradar-based method for detecting obstacles in front of straight track operation of trains was proposed. Firstly,the method performed the error correction of the radar measurement data by the least squares method to obtain more accurate target position information. Secondly,combined with the railway locomotive vehicle limit, radar azimuth and radar measurement range, the detection zone model was constructed. Finally, the pre-processed target point position information was substituted into the constructed detection area model for obstacle detection and discrimination. The field test results show that the method is not only highly accurate but also overcomes the influence of environmental factors.

environmental understanding of the front of the train; least squares; detection area model; obstacle detection

10.19713/j.cnki.43-1423/u.T20190293

U213.2

A

1672 - 7029(2020)01 - 0224 - 08

2019-04-12

國家自然科學(xué)基金資助項目(61763023)

董昱(1962-)，男，河南鄧州人，教授，從事鐵路交通信息工程及控制研究；E-mail：1761853586@qq.com

(編輯 蔣學(xué)東)