主动障碍物检测技术，是汽车无人驾驶的关键技术[3]，随着该技术在汽车行业越来越成熟的应用，也受到了轨道车辆行业的关注，并开始尝试在城轨车辆上应用，用以提高车辆的运行安全。
2.主动障碍物检测技术概述
目前在交通领域应用的主动障碍物检测方法主要包括如下几种[3]：
基于视觉图像的障碍物检测方法；
基于结构光的障碍物检测方法；
基于雷达的障碍物检测方法；
基于视觉图像和雷达融合的障碍物检测方法。
2.1.基于视觉图像的障碍物检测方法
基于视觉图像的障碍物检测方法，是利用视觉传感器（一般为单目、双目或多目摄像头）采集车辆前方图像，通过对图像的数字化处理，对障碍物的特征进行提取、识别。
此种障碍物检测方法又可分为基于先验知识的障碍物检测、基于立体视觉的障碍物检测和基于运动学的障碍物检等方法。而实际应用过程中，往往是多种算法共用，相辅相成，达到快速、准确识别障碍物的目的。
2.2.基于结构光的障碍物检测方法
结构光检测方法，可以看做一种立体视觉障碍物检测方法，该方法利用一个光源或多个光源来代替双目视觉一侧的CCD摄像机，将一个已知的光图案从一个确定的视角投射到目标物上，反射光图案相对投射图案会发生一定平移，利用另一摄像机收集平移后图案，通过计算从而获得目标物的三维信息。
2.3.基于雷达的障碍物检测方法
雷达障碍物检测方法，主要包含毫米波雷达和激光雷达障碍物检测两种方法；其中毫米波雷达已经在汽车ACC系统（自适应巡航系统）得到了成熟的应用。激光雷达检测方法为利用激光发生器发射激光，遇到目标物后，经过漫反射返回部分能量，通过激光接收机接收后，通过数据处理获得目标物的轮廓信息。
2.4.基于雷达和图像融合的障碍物检测方法
每一种障碍物检测方法都有其特有的有点和局限性，在实际应用中，常常采用不同方法相互配合，从而取得更精确的检测结果，目前雷达和图像融合的障碍物检测方法，已经在汽车无人驾驶上得到了广泛使用，成为了该领域的主流方案。
3.轨道车辆障碍物检测方法
目前在轨道车辆上应用的主动障碍物检测技术，采用了雷达和图像融合的障碍物检测方法，通过图像识别技术和雷达探测技术相结合的方案，对不可预知的侵限障碍物（如：车辆、行人、工具箱等）进行识别；通过雷达对列车运行前方进行探测，同时采用工业相机对运行前方进行连续拍摄，综合分析雷达检测和相机图像识别检测结果，并判断障碍物是否侵限。
3.1.系统组成
轨道车辆障碍物检测系统主要由激光雷达、一对摄像机（一个长焦相机和一个短焦相机）、一个毫米波雷达和系统主机4部分组成，系统配置如图3.1所示：
.png)
图3.1 障碍物检测系统配置
3.2.工作原理
激光雷达和长焦、短焦相机，作为感知模块，相当于‘眼睛’，是列车前方运行环境的采集源；毫米波雷达用于列车测速，为系统提供当前的列车速度。
利用激光器发射激光脉冲，并由接收器接收前方物体反射的返回波，通过计算发射和返回的时间差判断目标物体的距离，从而完成距离测量；通过发射多线激光脉冲，能够直接对前方物体进行不同俯仰角度和水平角度的扫描，从而得到三维点云，用于识别物体的轮廓、尺寸[4]。
目前一般激光雷达的障碍物探测有效距离能够达到200米左右。
长焦、短焦相机组成‘双目摄像机’，通过该双目摄像机同时采集列车运行前方画面，基于双目定距原理，可实现对获得图像的障碍物距离进行测定，系统主机同时对采集的图像数据进行处理，识别采集图像中的的正常轨道信息和障碍物信息。
目前双目摄像机的有效障碍物识别距离能够达到了250米左右。
激光雷达和双目摄像机都安装在司机前端，便于识别车辆运行前方环境。
毫米波雷达作为传感器，具有发射和接收毫米波功能，由发射机产生发射波，发射波可以是脉冲波和调制波等，接收机接收回波，再由混频器将发射波和接收波混频得到中频信号，中频信号再由信号处理得到车辆运行速度。利用毫米波雷达测得的列车速度精度，可以达到误差小于1Km/h。
在获得列车运行前方的环境数据、车辆的速度数据后，传输给系统主机，主机作为‘大脑’对采集到的数据进行分析处理，在数据处理层分别对视觉传感器和激光雷达传感器获得的图像进行解析，将解析结果进行融合、汇总、分析，判定前方是否存在障碍物，及障碍物距离，进一步结合当前的列车速度，输出减速提醒或紧急制动指令，以保障列车运行安全。同时车辆可将报警信息上报给车辆TCMS，并可通过LTE系统传输给地面控制中心。
主动障碍物检测系统工作流程图如图3.2所示：
.png)
图3.2 主动障碍物检测系统工作原理
采用此方案的列车障碍物检测系统，对障碍物的有效探测精度能够达到如下标准：
对于前方车辆的有效识别距离不低于280米；
对于前方人员的有效识别距离不低于200米；
对于小型障碍物（30mmX30mm）的有效识别距离，不低于100米。
4.总结
主动障碍物检测系统，自2017年以来，已经开始作为列车运行安全保障措，在我国部分城市轨道车辆上进行了应用。该系统在轨道车辆上的应用仍处于起步阶段，没有直接参与控车，但随着视频图像技术以及机器学习技术的发展，加上雷达、机器视觉、神经网络及深度学习算法的加持，相信在不久的将来，该系统将具备直接控车的能力，为车辆运营提供更加可靠的安全保障，加速全自动无人驾驶列车的发展。
5.参考文献
[1]https://baike.so.com/doc/6791755-7008377.html#6791755-7008377-1；
[2]路向阳，李雷，等 城市轨道交通全自动驾驶技术发展综述 《机车电传动》2018年第1期 20171208
[3]朱学葵，高美娟，等 基于无人驾驶汽车的障碍物检测方法综述 《计算机科学》 201410
[4]林辉 基于车载多激光雷达的地图构建与障碍物检测 浙江大学硕士学位论文 201703
[5]王维，梁汝军，等 地铁列车障碍物视频识别系统设计 《城市轨道交通研》 2018年第6期 20171110
论文作者:王守斌,
论文发表刊物:《科学与技术》2019年第16期
论文发表时间:2020/1/2
标签：障碍物论文; 检测方法论文; 车辆论文; 图像论文; 列车论文; 毫米波论文; 激光论文; 《科学与技术》2019年第16期论文;