CN110705358A - 一种列车aeb系统隧道场景控制决策方法 - Google Patents

Abstract

本发明公开了一种列车AEB系统隧道场景控制决策方法，包括以下步骤，S1、激光雷达采集数据；S2、数据空间坐标转化；S3、去噪与滤波处理；S4、数据聚类；S5、障碍物轮廓获取；S6、障碍物边界拟合；S7、典型障碍物特征获取；S8、障碍物特征对比；S9、执行控制决策。障碍物周围场景数据的处理计算全部由工控机组件完成，操作简单、检测方便、使用成本低、测量精度高且计算结果直观，较摄像头处理精度更高，也不受天气环境条件影响。在列车隧道行驶过程中，可以解决光线问题导致的人为制动事故，有效的减少隧道列车事故的发生。

Description

一种列车AEB系统隧道场景控制决策方法

技术领域

本发明涉及一种列车安全运行控制决策方法，尤其涉及一种列车AEB系统隧道场景控制决策方法。

背景技术

由于轨道交通具有运量大、效率高，能耗低，集约化，乘坐方便，安全等诸多优点，是运输乘客，货物的最合适选择之一。轨道列车在隧道行进过程中，由于列车轨道确定，列车不可避免地面临很多安全方面的因素，如前方有障碍物或弯道等。列车要及时进行紧急减速或制动，就需要识别出不同的事物，来判断其是否为障碍物，如轨道上的石块和周围施工的脚手架以及隧道墙壁等，传统的列车AEB系统没有考虑隧道情况或者将隧道墙壁视为障碍物，从而导致列车行驶误制动。

发明内容

本发明的目的在于提供一种列车AEB系统隧道场景控制决策方法，解决了传统的依靠驾驶员来识别障碍物进行控制决策操作容易失误的问题，将探测距离较短的隧道墙壁认定为非障碍物。

为了达到上述目的，本发明采用的技术方案是：一种基于列车AEB系统隧道场景控制决策方法，包括以下步骤：

S1、激光雷达采集数据

通过激光雷达采集轨道及轨道周围事物的空间位置数据及属性数据；

所述达激光雷达通过机械装置安装于列车车头的车灯中下部横杠处，且所述激光雷达通过以太网口与工控机连接；

S2、数据空间坐标转化

对采集到的轨道及轨道周围事物的空间数据及属性数据进行不同坐标系的坐标转换，获取点云数据；

S3、去噪与滤波处理

对点云数据进行去噪与滤波；

S4、数据聚类

通过激光扫描获得障碍物的面积，根据障碍物面积进行数据聚类；

S5、障碍物轮廓获取；

S6、障碍物边界拟合

通过障碍物边界拟合，得到障碍物初步形状；

S7、典型障碍物特征获取

从障碍物库中提取隧道典型障碍物特征；

S8、障碍物特征对比

进行障碍物特征对比，将障碍物初步形状的特征与隧道典型障碍物特征进行比对；

S9、执行控制决策。

优选的，在S3中，采用双边滤波的方法对点云数据进行滤波处理：

其中I_j、I_i是像素的强度值，所以在强度差距大的地方(边缘)，权重会减小，滤波效应也就变小；σ_s、σ_r为平滑参数；K_i滤波系数；X_j、X_i为图像坐标；

优选的，在S4中，通过识别障碍物连续面积，对障碍物进行分类；

优选的，在S5中，在拟合障碍物轮廓时,分别利用随机采样一致性算法和最小二乘法分段拟合障碍物轮廓，拟合图像应包含聚类对象的位置、形状以及大小,所以定义特征向量为：

Vi＝[x,y,h,n,p,s]。

其中:x,y为目标位置；h为同一聚类对象内点集的最大高度；n为目标轮廓的线段数量,取值一般为1、2或3；p为目标形状，直线型目标两条线段间的夹角为0°。

优选的，在S7中，根据对典型障碍物特征提取，构建障碍物库。其中：

(1)每个类ci包含的点集的个数ki；

(2)类ci中的第一个点(xi,1,yi,1)距离前一个类ci-1中的最后一个点(xi-1，ki-1，yi-1，kk-1)的距离值d1表示为：

式中k_i＜19。

优选的，在S9中，建立一个线性卡尔曼滤波跟踪器来进行目标跟踪，可以有效的控制决策；

滤波估计方程为：

X(k|k)＝AX(k|k-1)+K_k[Z_k-HAX(k|k-1)]

滤波增益方程为：

K_k＝Pl_k-1H^T[HPl_kH^T+R(k)]^-1

进一步优选的，在S9中，当识别为障碍物时，系统采用如下距离公式控制制动，其中，根据所测的列车速度以及所述列车与障碍物的距离，计算出所述列车与障碍物避免发生碰撞所需要的安全距离，安全距离计算方法如下：

其中：d_br为制动安全车间距；v、v_rel分别为列车车速和相对车速；a₁、a₂分别为列车最大制动减速度和实际列车制动减速度；t₁、t₂分别为决策反应时间和系统延迟时间；d₀为列车停止后需要与障碍物保持的安全余量；

其中，d₀的取值范围为2-8m，并采用危险系数对安全余量进行修正，危险系数的计算方法为：

其中：v为列车车速，t_hmin为驾驶员允许的最小时距，d为实际距离。当危险系数ε＞1时，表明列车处于安全状态；当0＜ε＜1时，系统启动报警，并且随着ε值越小，声光报警级别越高；当危险系数ε＜0时，启动紧急制动。

利用危险系数ε对安全余量进行修正，修正结果为：

系统通过分析激光雷达采集得到点云数据判断障碍物类型，若符合典型障碍物库中类型，则考虑制动，考虑制动后，对实际距离障碍物距离进行制动分析。建立一个线性卡尔曼滤波跟踪器来进行目标跟踪，可以有效的控制决策。

与现有技术相比，本发明的有益效果是：

1、通过在激光雷达置于列车车头的车灯中下部横杠处，通过激光雷达采集列车行驶前方的障碍物云点图，并将图像信息传输到工控机进行处理。能够实时处理激光雷达采集得到的云点图，障碍物图像的处理及数据的计算全部由工控机组件完成，操作简单、检测方便、使用成本低、测量精度高且计算结果直观，不需要利用皮尺等进行人工测量，较摄像头处理精度更高。在列车隧道行驶过程中，可以解决光线问题导致的人为制动事故，有效的减少了隧道事故发生。

2、工控机对激光雷达采集到的道路图像云点图依次进行空间坐标转换、点云数据的去噪与滤波处理、根据障碍物面积进行的数据聚类、障碍物轮廓的获取、障碍物边界拟合、隧道典型障碍物特征获取、障碍物对比、控制决策。传统的识别方法采用CCD摄像头，需要在车头前放置照明灯以获得清晰的图像，在对图像处理时受到的干扰较大，得到的结果误差较大，易出现识别错误。相较于传统的识别方法，该识别方法操作简单、检测方便、使用成本低、测量精度高且计算结果直观。

附图说明

图1为激光雷达的安装示意图；

图2是列车AEB系统隧道场景控制决策方法流程图；

图3是激光雷达前视扫描几何图；

图4是步骤S1中测量坐标系统以及计算原理示意图；

图5是步骤S4数据聚类原理示意图；

图6是障碍物(隧道墙壁)检测示意图；

图7是激光雷达凸出障碍物检测原理示意图；

其中，1、激光雷达 2、列车。

具体实施方式

下面结合附图，对本发明进一步详细说明。

如图1所示，本发明提供的一种列车AEB系统隧道场景控制决策方法，请参阅图2，包括以下步骤：

S1、通过激光雷达1采集轨道及轨道周围事物的空间位置数据及属性数据；

请参阅图1、激光雷达1通过机械装置安装于列车车头的车灯中下部横杠处；优选机械装置为柱状支架焊接在列车2的前方顶部钢板上；激光雷达1通过以太网口与工控机连接；在激光雷达1安装时，激光雷达1与轨道之间的高度h为0.86米，激光雷达的俯仰角β为12.5°

本实施例中，激光雷达1采用型号为IBEO LUX2010四线激光雷达，该激光雷达通过以太网口与工控机连接，工控机用于接收道路图像，通过空间坐标转换、点云数据的去噪与滤波处理、根据障碍物面积进行的数据聚类、障碍物轮廓的获取、障碍物边界拟合、隧道典型障碍物的特征获取、障碍物对比来判断列车行进前的障碍物。工控机型号为威强IEI-TANK-820。在实际应用中,3维激光传感器因为数据处理工作量较大,存在一个比较小的延时,这在一定程度上降低列车对障碍物的反应能力,特别是前方区域的运动障碍物,对其安全行驶构成了很大的威胁；而普通的四线激光传感器虽然数据处理速度较快,但是探测范围较小,一般在100°～120°之间；本实施例采用的IBEO LUX2010四线激光雷达获取的环境信息,相比于3维激光雷达,它的扫描周期更短,检测距离更远,更易于获取障碍物的几何轮廓信息,由于体积较小,还可以嵌入式地安装在车体之中。IBEOLUX2010四线激光雷有4个扫描层,每层之间夹角为0.8°,在频率设置为12.5Hz时,其传感器角分辨率为0.25°,能够有效地按顺时针方向扫描列车前方夹角为100°、距离为200m的扇形区激光雷达输出的数据包含障碍物在极坐标系中的位置以及回波脉冲宽度值。

S1的工作原理：请参阅图4，激光雷达1通过发射一束激光到被测对象表面，经过反射后被仪器接收，同时进行一个时间差的计算，然后根据激光雷达到被测点的距离S，角度编码器获取被测对象的垂直角度M和水平角度N。

得到被测点P(X,Y,Z)的坐标计算公式如下：

S＝0.5CT

X＝ScosMcosN

Y＝ScosMsinN

Z＝SsinM

其中C是光速；S是激光雷达到被测点的距离；M是角度编码器获取被测对象的垂直角度；N是角度编码器获取被测对象的水平角度；T为激光发射与接收前后的时间差。测量坐标系统以及计算原理如图4所示。

S2、数据空间坐标转换：

激光雷达1采集轨道周围场景数据，并将采集的轨道周围场景数据传输至工控机。启动系统，初始化激光雷达，轨道周围场景数据经以太网口传输至工控机系统供处理使用。通过以下公式进行坐标转化：

式中X_c、Y_c、Z_c分别为原始空间坐标；X_w、Y_w、Z_w为转换后的坐标；R为旋转矩阵、t为平移向量。

S3、数据去噪与滤波处理：

采用双边滤波的方法对图像进行滤波平滑处理，通过以下公式进行滤波输出：

其中I_j、I_i是像素的强度值，所以在强度差距大的地方(边缘)，权重会减小，滤波效应也就变小；σ_s、σ_r为平滑参数；K_i滤波系数；X_j、X_i为图像坐标；

总体而言，在像素强度变换不大的区域，双边滤波有类似于高斯滤波的效果，而在图像边缘等强度梯度较大的地方，可以保持梯度。

S4、数据聚类：

由激光雷达1获取的数据会存在不同程度的噪点，去除这些噪点有利于对激光数据进行后续的聚类、目标检测、识别和跟踪。滤波时首先根据激光传感器的有效扫描范围剔除无效的数据,然后根据聚类后得到的各类数据点的个数,删除点数较少的类,使障碍物分类结果更精确。本方法通过识别障碍物连续面积，对障碍物进行分类，具体方法请参阅图5：

所得到障碍物图像，如隧道墙壁请参阅图6，为连续的线形图像；图7为检测原理示意图，像素0对应于图像某列最下行点,设其为地平面点。经过计算,像素1、2、7和8也为地面点,像素点3、4、5和6为障碍物点。

S5、障碍物轮廓获取：通过以下公式4进行障碍物轮廓获取。

式中m—侧向第m扫描点；n—纵向第n扫描点；(x,y)—激光扫描点坐标；(x0,y0)——雷达当前位置；Lmn—激光雷达成像雷达扫描距离；hmn(x,y)—扫描点地形高度；h0—激光雷达当前高度；βm—激光雷达扫描方位角；γn—激光雷达扫描俯视角；α—激光雷达基准俯仰角。

S6、障碍物边界拟合：

在拟合障碍物轮廓时,分别利用随机采样一致性算法和最小二乘法分段拟合障碍物轮廓,拟合图像应包含聚类对象的位置、形状、大小等信息,所以定义特征向量为：

Vi＝[x,y,h,n,p,s]

p(x,y)＝p(x1,y)+(x-x1)(p(x2,y)-p(x1,y))/(x2-x1)

其中:x,y为目标位置；h为同一聚类对象内点集的最大高度；n为目标轮廓的线段数量,取值一般为1、2或3；p为目标形状,直线型目标两条线段间的夹角为0°。

本发明根据激光雷达获得的障碍物云点信息，对障碍物边界进行拟合，为下述判断障碍物类型做准备。

S7、典型障碍物特征获取：

设激光雷达在聚类完成后,一帧描述环境数据由特征向量C组成,而C＝[c1,c2,…,cm]T,其中,ci是经过聚类初分类后的每一个类,m是类的个数。类ci包含的点集的个数为ki,每一类ci由向量组(ρ x y)构成,ρ、x和y分别表示的是每一个类包含的点集的极坐标下的距离值以及转换到直角坐标系下坐标值,即ci＝{(ρx y)|i＝1,2,…,m}。针对典型障碍物通过连续面积的识别需要以下参数：

(1)每个类ci包含的点集的个数ki；

(2)类ci中的第一个点(xi,1,yi,1)距离前一个类ci-1中的最后一个点(xi-1,ki-1,yi-1,kk-1)的距离值d1表示为：

式中k_i＜19。

(3)类ci中的最后一个点(xi,ki,yi,ki)距离后一个类ci+1中的第一个点(xi+1,1,yi+1,1)距离值d2表示为：

式中k_i＜19。

(4)类ci中的点集的距离值ρi的标准差ρ_std:

(5)类ci中间各点距离直线li最大距离dmax,而li是类ci中第一个点和最后一个点的连线所在的直线,di,j是类中间各点距离直线li的距离,dmax表示为:

d_max(i)＝max{d_i，j}，j＝2，3，…，k_i-1

式中k_i＜19。

(6)类ci中间各点偏离直线li的距离值的方差dstd表示为：

式中k_i＜19。

S8、障碍物特征对比：

根据前述得到的障碍物特征后，与步骤S中典型障碍物特征进行配对，对障碍物进行确定，为工控机决策提供信息。

S9、控制决策：

依据云点数据所识别的三维数据，经过障碍物特征对比后，执行控制决策，即识别到轨道上的石头，施工的脚手架等视为障碍物；识别到的连续隧道墙壁则不视为障碍物。

针对隧道墙壁的识别，为了避免反复对同一连续目标的识别，采用如下方法进行跟踪识别。

根据点云特征建立一个线性卡尔曼滤波跟踪器来进行目标跟踪，可以有效的控制决策。可以得出卡尔曼滤波及预测估计方程如下：

滤波估计方程为：

X(k|k)＝AX(k|k-1)+K_k[Z_k-HAX(k|k-1)]

式中X(k|k)为k时刻的估计状态；X(k|k-1)为k-1时刻的估计状态；A为调整因子；K_k为增益矩阵；Z_k为K时刻量测值；HAX(k|k-1)为量测差值。

滤波增益方程为：

K_k＝Pl_k-1H^T[HPl_kH^T+R(k)]^-1

式中：

Pl_k＝AP_k-1A^T+Q(k-1)

对于理想情况下的单目标的跟踪，可以把当前数据帧中识别出来的目标的位置作为测量值，用测量值和跟踪器利用上一时刻的状态所得到的预测值，来更新跟踪器的状态向量和估计误差的协方差等结果。根据更新后的结果，预测目标在下一帧中的状态。实质就是由测量值来重构系统的状态向量，按照“预测-实测-修正”顺序递推，一帧一帧的往下延续确认的方式来消除随机的、不稳定的干扰，提供更加准确的信息。对于实际情况下多个目标的跟踪，这里还需要把当前数据帧中识别出来的目标对象和预测跟踪器中的对象，进行目标对象的关联。所谓的目标关联就是进行特征匹配，把匹配度较高的目标，当作同一目标在不同时刻的出现。这样就方便对同一个目标进行连续性的跟踪。

当识别为障碍物时，系统采用如下距离公式控制制动。其中，根据所测的列车速度以及所述列车与障碍物的距离，计算出所述列车与障碍物避免发生碰撞所需要的安全距离。安全距离计算方法如下：

其中：d_br为制动安全距离；v、v_rel分别为列车车速和相对车速；a₁、a₂分别为列车最大制动减速度和实际列车制动减速度；t₁、t₂分别为决策反应时间和系统延迟时间；d₀为列车停止后需要与障碍物保持的安全余量。

其中，在国外对车辆制动安全距离模型的研究中，d₀一般在2～8m内取某个固定值，本发明采用危险系数对安全余量进行修正，危险系数的计算方法为：

其中：v为列车车速，t_hmin为驾驶员允许的最小时距，d为实际距离。当危险系数ε＞1时，表明列车处于安全状态；当0＜ε＜1时，系统启动报警，并且随着ε值越小，声光报警级别越高；当危险系数ε＜0时，启动紧急制动。

利用危险系数ε对安全余量进行修正，修正结果为：

综上，系统通过分析激光雷达采集得到数据判断障碍物类型，若符合典型障碍物库中类型，如石头、脚手架等则考虑制动，若符合墙壁、轨道等类型，则不考虑制动。考虑制动后，得出实际与障碍物距离进行制动分析。本发明能够实时处理雷达采集得到的云点图，障碍物图像的处理及数据的计算全部由工控机组件完成，操作简单、检测方便、使用成本低、测量精度高且计算结果直观，不需要利用皮尺等进行人工测量，较摄像头处理精度更高。在列车隧道行驶过程中，可以解决光线问题导致的人为制动事故，有效的减少了隧道事故发生。

Claims (8)

1.一种基于列车AEB系统隧道场景控制决策方法，其特征在于，包括以下步骤：

S1、激光雷达采集数据

通过激光雷达采集轨道及轨道周围事物的空间位置数据及属性数据；

所述激光雷达通过机械装置安装于列车车头的车灯中下部横杠处，且所述激光雷达通过以太网口与工控机连接；

S2、数据空间坐标转化

对采集到的轨道及轨道周围事物的空间数据及属性数据进行不同坐标系的坐标转换，获取点云数据；

S3、去噪与滤波处理

对点云数据进行去噪与滤波处理；

S4、数据聚类

通过激光扫描获得障碍物的面积，根据障碍物面积进行数据聚类；

S5、障碍物轮廓获取；

S6、障碍物边界拟合

通过障碍物边界拟合，得到障碍物初步形状；

S7、典型障碍物特征获取

从障碍物库中提取隧道典型障碍物特征；

S8、障碍物特征对比

进行障碍物特征对比，将障碍物初步形状的特征与隧道典型障碍物特征进行比对；

S9、执行控制决策。

2.如权利要求1的所述的一种基于列车AEB系统隧道场景控制决策方法，其特征在于：在S3中，采用双边滤波的方法对点云数据进行滤波处理：

其中I_j、I_i是像素的强度值，所以在强度差距大的地方(边缘)，权重会减小，滤波效应也就变小；σ_s、σ_r为平滑参数；K_i滤波系数；X_j、X_i为图像坐标。

3.如权利要求1的所述的一种基于列车AEB系统隧道场景控制决策方法，其特征在于：在S4中，通过识别障碍物连续面积，对障碍物进行分类。

4.如权利要求1的所述的一种基于列车AEB系统隧道场景控制决策方法，其特征在于：在S5中，在拟合障碍物轮廓时,分别利用随机采样一致性算法和最小二乘法分段拟合障碍物轮廓，拟合图像应包含聚类对象的位置、形状以及大小,所以定义特征向量为：

Vi＝[x,y,h,n,p,s]。

其中:x,y为目标位置；h为同一聚类对象内点集的最大高度；n为目标轮廓的线段数量,取值一般为1、2或3；p为目标形状，直线型目标两条线段间的夹角为0°。

5.如权利要求1的所述的一种基于列车AEB系统隧道场景控制决策方法，其特征在于：在S7中，根据对典型障碍物特征提取，构建障碍物库。其中：

(1)每个类ci包含的点集的个数ki；

(2)类ci中的第一个点(xi,1,yi,1)距离前一个类ci-1中的最后一个点(xi-1,ki-1,yi-1,kk-1)的距离值d1表示为：

式中k_i＜19。

6.如权利要求1的所述的一种基于列车AEB系统隧道场景控制决策方法，其特征在于：在S9中，系统通过分析激光雷达采集得到点云数据判断障碍物类型，若符合典型障碍物库中类型，则考虑制动，考虑制动后，对障碍物进行目标跟踪。

7.如权利要求1所述的一种基于列车AEB系统隧道场景控制决策方法，其特征在于：在S9中，建立一个线性卡尔曼滤波跟踪器来进行目标跟踪，可以有效的控制决策；

滤波估计方程为：

X(k|k)＝AX(k|k-1)+K_k[Z_k-HAX(k|k-1)]

滤波增益方程为：

K_k＝Pl_k-1H^T[HPl_kH^T+R(k)]^-1。

8.如权利要求1所述的一种基于列车AEB系统隧道场景控制决策方法，其特征在于：在S9中，当识别为障碍物时，系统采用如下距离公式控制制动，其中，根据所测的列车速度以及所述列车与障碍物的距离，计算出所述列车与障碍物避免发生碰撞所需要的安全距离，安全距离计算方法如下：

其中：d_br为制动安全车间距；v、v_rel分别为列车车速和相对车速；a₁、a₂分别为列车最大制动减速度和实际列车制动减速度；t₁、t₂分别为决策反应时间和系统延迟时间；d₀为列车停止后需要与障碍物保持的安全余量；

其中，d₀的取值范围为2-8m，并采用危险系数对安全余量进行修正，危险系数的计算方法为：

其中：v为列车车速，t_hmin为驾驶员允许的最小时距，d为实际距离。当危险系数ε＞1时，表明列车处于安全状态；当0＜ε＜1时，系统启动报警，并且随着ε值越小，声光报警级别越高；当危险系数ε＜0时，启动紧急制动。

利用危险系数ε对安全余量进行修正，修正结果为：

。

Images