CN116834802A - 一种运营列车轨道侵入物检测定位方法、设备及存储介质 - Google Patents
一种运营列车轨道侵入物检测定位方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116834802A CN116834802A CN202310798375.6A CN202310798375A CN116834802A CN 116834802 A CN116834802 A CN 116834802A CN 202310798375 A CN202310798375 A CN 202310798375A CN 116834802 A CN116834802 A CN 116834802A
- Authority
- CN
- China
- Prior art keywords
- train
- track
- invader
- vision sensor
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 230000009545 invasion Effects 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 206010034972 Photosensitivity reaction Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036211 photosensitivity Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
- B61L23/041—Obstacle detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/04—Systems determining the presence of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种运营列车轨道侵入物检测定位方法、设备及存储介质,方法包括:通过多目视觉传感器和激光雷达探测轨道数据,并分别基于多目视觉传感器探测数据、激光雷达探测数据识别轨道侵入物及其位置信息,然后计算轨道侵入物相对列车的方位信息;根据多目视觉传感器探测的轨道数据确定列车行驶方向和列车自身的位置;根据轨道侵入物相对列车的方位信息,结合列车自身的位置,计算轨道侵入物的绝对位置;结合当前运行列车的型号和轨道侵入物的绝对位置判断所述侵入物是否影响列车运营安全,当判定侵入物影响列车运营安全时发出报警信号并上报识别到的侵入物类型和位置。本发明输出的轨道侵入物定位结果准确度高,实时性高。
Description
技术领域
本发明涉及轨道交通技术领域,尤指一种运营列车轨道侵入物检测定位方法、设备及存储介质。
背景技术
轨道交通安全,尤其是隧道环境安全,因四面皆为地质结构,容易受到由外部施工、地质灾害及地底生物活动等各类事件活动所带来的地质地形地貌变化的影响。
当前轨道交通安全保障方式主要包括:
1.人工日常巡检:定期派出人工巡查地铁轨道安全。本方法对较为严重的轨道侵入物检测安全性高,可靠性好;但缺点是费时费力,需要人工参与,且人工方法在视线不好的地方无法避免地会遗漏一些较为轻微的轨道侵入物,而且巡检时间视巡视周期而定,无法及时同步快速变化的轨道环境,实时性较差。
2.司机自主判断:由司机在驾驶列车时识别会影响列车正常行驶的轨道侵入物,并判断是否需要对列车进行制动操作。本方法实时性高;但会对轨道交通安全造成危害,甚至可能造成轨道交通安全事故,且如果要求司机驾驶列车的同时关注是否有轨道侵入物,势必会影响司机驾驶列车的专注度,同样会对轨道交通安全造成危害。另外此方法因为是在行驶的列车上识别侵入物,无法避免的会有识别不准确和难以准确定位的问题。最后还有一点问题在于,目前无人自动驾驶地铁技术方兴未艾,而在无人自动驾驶地铁项目中无法使用此地铁交通安全保障方案。
故上述两种方法均无法满足快速变化的轨道环境检测和较为精准的侵入物识别需求。
因此,有必要研究新的轨道环境检测和侵入物识别的方法,通过全方位监控与常态化监控,实现高时效的即时环境反馈能力,最终将运营列车受外部环境隐患导致事故的概率降低至可承受范围,通过对已知潜在因素的无死角监控补偿,使威胁概率无限逼近于零。
发明内容
为了解决上述技术问题,本发明提供一种运营列车的轨道侵入物检测和定位方法,克服现有方法对人工依赖性强以及实时性有限的问题,实现对轨道侵入物的自动实时的识别检测。
具体的,本发明的技术方案如下:
按照本发明的一个方面,提供一种运营列车轨道侵入物检测定位方法,包括以下步骤:
S100:通过多目视觉传感器和激光雷达探测轨道数据,并分别基于多目视觉传感器探测数据、激光雷达探测数据识别轨道侵入物及其位置信息;
S200:根据基于多目视觉传感器探测数据和激光雷达探测数据分别识别出的轨道侵入物位置信息,计算轨道侵入物相对列车的方位信息;
S300:根据多目视觉传感器探测的轨道数据确定列车行驶方向和列车自身的位置;
S400:根据轨道侵入物相对列车的方位信息,结合列车自身的位置,计算轨道侵入物的绝对位置;
S500:结合当前运行列车的型号和轨道侵入物的绝对位置判断所述侵入物是否影响列车运营安全,当判定侵入物影响列车运营安全时发出报警信号并上报识别到的侵入物位置。
进一步的,S100所述通过多目视觉传感器和激光雷达探测轨道数据,并分别基于多目视觉传感器探测数据和激光雷达探测数据识别轨道侵入物及其位置信息具体包括:
S101:通过多目视觉传感器采集列车行驶过程中的轨道图像数据,对图像数据进行目标识别,当识别到侵入物时,确定侵入物在图像中的位置;
S102:通过激光雷达采集列车行驶过程中的轨道点云数据,对点云数据进行目标识别,当识别到侵入物时,确定侵入物在点云中的位置。
进一步的,S101还包括:多目视觉传感器对采集到的轨道图像数据进行HDR处理。
进一步的,S102还包括:当识别到侵入物时,确定侵入物的类型。
进一步的,在S500所述上报识别到的侵入物位置时,还包括:上报识别到的侵入物类型。
进一步的,所述方法还包括:
S600:在多次列车运行过程中监测到同一位置存在同一类型侵入物时,识别并判断所述侵入物是否为同一个,若是,则分析所述侵入物的变化趋势,并推测侵入物的演化趋势。
进一步的,S300所述根据多目视觉传感器探测的轨道数据确定列车行驶方向和列车自身的位置包括以下步骤:
S301:根据轨道图像数据识别轨道桩号信息,并测算多目视觉传感器到轨道桩的相对距离;
S302:将当前时刻与前一时刻采集识别的轨道桩号信息进行比对,判断列车的行驶方向;
S303:根据列车的行驶方向和多目视觉传感器到轨道桩的相对距离,确定列车与所述轨道桩的相对位置;
S304:根据列车与轨道桩的相对位置和轨道桩自身的坐标信息,计算列车的绝对位置。
进一步的,S500所述结合当前运行列车的型号和轨道侵入物的绝对位置判断所述侵入物是否影响列车运营安全具体包括:
S501:根据当前运行列车的型号获取所述列车的限界参数;
S502:判断侵入物位置是否会投影到列车限界参数内,若是,则判定侵入物影响列车运营安全。
按照本发明的第二个方面,提供一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如上所述的运营列车轨道侵入物检测定位方法。
按照本发明的第三个方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时用于实现如上所述的运营列车轨道侵入物检测定位方法。
与现有技术相比,本发明至少具有以下一项有益效果:
1、准确度高,与其他轨道侵入物检测和定位的实现方法相比,本发明输出的轨道侵入物定位结果准确度高,且能直接给出轨道侵入物的绝对位置,而且不影响列车运营安全,同时也更贴近无人驾驶信号系统。
2、实时性高,本发明是基于运营列车的行驶来对轨道侵入物进行检测和定位,可以在一天内就对列车行驶轨道内状况进行等同于发车数量的更新,实时性非常高,可以在第一时间发现新出现的轨道侵入物。
3、兼容性强,激光雷达和视觉传感器与其他传感器系统兼容性强,不会对其他传感器系统造成过多影响。
4、安装便捷、成本低,本发明在硬件方面只需要一个负责采集点云数据的激光雷达传感器、多个负责采集图像数据的多目视觉传感器、一台负责运行深度网络和预设逻辑代码的计算机,易于安装,且成本相对较低。
5、节省人力,与其他轨道侵入物检测和定位的实现方法相比,本发明在输出轨道侵入物检测和定位结果方面几乎不需人工参与,节省了大量人力资源成本。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明实施例一种运营列车轨道侵入物检测定位方法的流程图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
针对地铁列车的低照度运行环境,本发明采用激光雷达结合多目视觉传感器识别列车行驶轨道区域中的侵入物,检测到侵入物后,确定侵入物的类型和位置;并基于多目视觉传感器的探测数据和轨道桩号确定列车的运行轨道走向和当前运行位置;再根据列车型号确定与列车对应的限界参数,判断是否影响列车运营安全,并在影响列车安全时发出报警信号,以便列车控制系统根据影响程度采取减速或紧急制动措施保障列车运营安全。
在一个实施例中,参考说明书附图1,本发明提供的一种运营列车轨道侵入物检测定位方法,包括以下步骤:
S100:通过多目视觉传感器和激光雷达探测轨道数据,并分别基于多目视觉传感器探测数据、激光雷达探测数据识别轨道侵入物及其位置信息。
本发明分别通过多目视觉传感器和激光雷达系统探测轨道数据并识别轨道侵入物,其中,多目视觉传感器采集图像视野较大、范围较远,适合列车提前对轨道侵入物的认知和大致识别,增大列车制动反应时间;而激光雷达采集点云对位置判断较为精细,且可以较为准确的显示出轨道侵入物的大致轮廓,为识别出的轨道侵入物进行分类和定位提供更可靠的判断依据。
本实施例通过目前市场上应用较少的1550nm多线混合固态激光雷达结合多个高帧率相机的视觉智能识别,确保可以在超过300米外距离识别列车,200米外距离识别人体大小侵入物,100米外识别20cm大小方块。
激光雷达和视觉传感器可安装在列车车头挡风玻璃后侧或者置于外侧,也可以专门为传感器开出专用安装窗口,置于外侧或者采用专门窗口相比较于挡风玻璃后侧会具有更好的探测性能。
S101:通过多目视觉传感器采集列车行驶过程中的轨道图像数据,并对图像进行HDR处理,然后将其发送到计算机上搭载的深度神经网络中对是否存在侵入物进行识别,当识别到侵入物时,则进一步确认其在图像中的位置。
由于在地铁隧道这种常态低照度环境下,图像受环境照度的影响,图像质量较差,将会影响基于这些图像进行异物检测的准确性和可靠性。为解决这一问题,目前大多采用在计算机PC上对采集到的低照度环境图像进行图像后处理操作的方法,常用的后处理方法是为高对比度场景实现高动态范围(HDR)处理。
HDR成像通常需要处理多张图像,每张图像都有不同的曝光时间,并组合成单个图像。不同的曝光设置可以在高光和阴暗的环境中收集更多可用的图像数据,例如,较长的曝光时间可以在阴暗环境中捕获更多数据,但会牺牲高光下的数据;较短的曝光时间可以在高光环境中捕获更多可用数据,但因曝光太短而无法在阴暗环境中捕获任何可用数据。最终处理的图像是从每次曝光中获取最佳数据,并将其组合成HDR图像。
传统HDR成像非常适合静态场景拍摄,但高速场景(例如在列车运行过程中)可能会产生运动伪影。当场景中的对象在不同曝光之间改变位置时,会产生运动伪影。因为每次曝光都是在不同时间进行的,曝光之间的延迟会导致后处理生成的HDR图像看起来变形或扭曲。
与普通后处理HDR方法不同,本发明将HDR处理任务转移到了多目视觉传感器上,该传感器采集的图像曝光时间相同并同时曝光,曝光之间没有任何延迟,这主要使用的是传感器的亚像素技术(也称为分割像素技术),其传感器包含大像素和小像素,不同像素尺寸具有不同的光敏度。这样就解决了普通后处理HDR方法无法避免的由于多张图像曝光时间差导致最后合成的HDR图像产生运动伪影的问题。
S102:通过激光雷达采集列车行驶过程中轨道的点云数据,将其发送到计算机上搭载的深度神经网络中对是否存在侵入物进行识别,当识别到侵入物时,则进一步确认侵入物在点云中的位置及侵入物的类型。
本实施例采用目前市场上应用较少的1550nm多线混合固态激光雷达,该类型雷达具有量程长,激光准直性好,光束发散角小的优点;同时地铁隧道的低照度环境和偶发的剧烈光照变化也不会对激光雷达传感器造成影响;激光雷达系统采集的轨道侵入物轮廓和位置也会较视觉方案的更加精确。基于上述优点,本实施例主要采用激光雷达系统采集的点云数据作为轨道侵入物精细位置和类别的判断依据。
S200:根据基于多目视觉传感器探测数据和激光雷达探测数据分别识别出的轨道侵入物位置信息,计算轨道侵入物相对列车的方位信息。
将通过多目视觉传感器采集图像数据识别确认的轨道侵入物的位置信息,与通过激光雷达采集点云数据识别确认的轨道侵入物的位置信息,在计算机中进行比对和校准,精确计算轨道侵入物相对列车的方位信息。
这一步以基于激光雷达探测数据识别出的轨道侵入物位置信息为主,基于多目视觉传感器探测数据识别出的轨道侵入物位置信息作为补充。
本发明对采集的两类数据——多目视觉系统采集的图像数据与激光雷达系统采集的点云数据分别采用不同的深度网络进行处理,再对处理得到的结果通过预设逻辑输出最后的完整侵入物信息。该方法与现有技术中对多模式数据进行融合、对齐后再处理,并对处理过的数据进行特征融合的方法有较大不同,避免了原始数据融合带来的冗余运算以及特征融合造成的细节丢失和误差。
S300:根据多目视觉传感器探测的轨道数据确定列车行驶方向和列车自身的位置。
与其他方法需要获取运行环境参数来建立地理环境数据库最终得到列车位置不同,本发明充分运用在低照度环境下视觉系统采集的优势,采用了一种基于多目视觉和轨道桩号的里程计量方法来确定列车自身的绝对位置,为后续对轨道侵入物定位做准备。具体步骤如下:
S301:根据轨道图像数据识别轨道桩号信息,并测算多目视觉传感器到轨道桩的相对距离;
S302:将当前时刻与前一时刻采集识别的轨道桩号信息进行比对,判断列车的行驶方向;
S303:根据列车的行驶方向和多目视觉传感器到轨道桩的相对距离,确定列车与所述轨道桩的相对位置;
S304:根据列车与轨道桩的相对位置和轨道桩自身的坐标信息,计算列车的绝对位置。
S400:根据轨道侵入物相对列车的方位信息,结合列车自身的位置,计算轨道侵入物的绝对位置。
根据S200中计算得到的轨道侵入物相对列车的方位信息,结合S300中确定的列车自身的位置,通过计算机中预设的逻辑判断与计算最终得出轨道侵入物的绝对位置。
S500:结合当前运行列车的型号和轨道侵入物的绝对位置判断所述侵入物是否影响列车运营安全,当判定侵入物影响列车运营安全时发出报警信号并上报识别到的侵入物类型和位置。
S501:根据当前运行列车的型号获取所述列车的限界参数。
限界参数为停放在标准轨距上的列车的外部轮廓的尺寸,所述外部轮廓为与线路中心线垂直的极限横断面。已知当前运行列车的型号,就可以确定该列车对应的限界参数。
S502:判断侵入物位置是否会投影到列车限界参数内,若是,则判定侵入物影响列车运营安全。
当判定侵入物会影响列车运营安全时,发出报警信号并上报识别到的侵入物类型和位置;根据侵入物类型、位置和列车运行速度可确定警报等级,根据警报等级由车载控制器执行紧急制动或减速措施。
S600:在多次列车运行过程中监测到同一位置存在同一类型侵入物时,识别并判断所述侵入物是否为同一个,若是,则分析所述侵入物的变化趋势,并根据侵入物的变化趋势推测侵入物的演化趋势。
每次列车监测到的侵入物类型和位置都上报到后台管理系统进行数据汇总和存储。当后台管理系统接收到新上报的数据后,将其与侵入物数据存储列表进行比对,当发现同一位置存在同一类型侵入物时,则判断是否为同一侵入物,若是,则分析所述侵入物的变化趋势,包括位置、大小;并根据侵入物的变化趋势推测侵入物的演化趋势,比如线缆持续下坠、侵入物已被移除等多种趋势。推测侵入物的演化趋势可以为人工清障提供预测和管理的可靠依据。若有侵入物经人工清障后不再被检测到,后台管理系统将同步更新所存储的侵入物数据存储列表。
在一个实施例中,本发明提供的一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如上所述的运营列车轨道侵入物检测定位方法,所述处理器可以是CPU、控制器、微控制器、微处理器、或其他数据处理芯片。
在一个实施例中,本发明提供的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时用于实现如上所述的运营列车轨道侵入物检测定位方法。本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,编程计算器或者网络设备等)执行本发明各个方法实施例所述方法的全部或部分步骤。所述计算机可读存储介质包括U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)等各种能够携带计算机程序代码的介质。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述或记载的部分,可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可能集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
在本发明中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排它性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
应当说明的是,上述实施例均可根据需要自由组合。以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种运营列车轨道侵入物检测定位方法,其特征在于,包括以下步骤:
S100:通过多目视觉传感器和激光雷达探测轨道数据,并分别基于多目视觉传感器探测数据、激光雷达探测数据识别轨道侵入物及其位置信息;
S200:根据基于多目视觉传感器探测数据和激光雷达探测数据分别识别出的轨道侵入物位置信息,计算轨道侵入物相对列车的方位信息;
S300:根据多目视觉传感器探测的轨道数据确定列车行驶方向和列车自身的位置;
S400:根据轨道侵入物相对列车的方位信息,结合列车自身的位置,计算轨道侵入物的绝对位置;
S500:结合当前运行列车的型号和轨道侵入物的绝对位置判断所述侵入物是否影响列车运营安全,当判定侵入物影响列车运营安全时发出报警信号并上报识别到的侵入物位置。
2.根据权利要求1所述的运营列车轨道侵入物检测定位方法,其特征在于,S100所述通过多目视觉传感器和激光雷达探测轨道数据,并分别基于多目视觉传感器探测数据和激光雷达探测数据识别轨道侵入物及其位置信息具体包括:
S101:通过多目视觉传感器采集列车行驶过程中的轨道图像数据,对图像数据进行目标识别,当识别到侵入物时,确定侵入物在图像中的位置;
S102:通过激光雷达采集列车行驶过程中的轨道点云数据,对点云数据进行目标识别,当识别到侵入物时,确定侵入物在点云中的位置。
3.根据权利要求2所述的运营列车轨道侵入物检测定位方法,其特征在于,S101还包括:多目视觉传感器对采集到的轨道图像数据进行HDR处理。
4.根据权利要求2所述的运营列车轨道侵入物检测定位方法,其特征在于,S102还包括:当识别到侵入物时,确定侵入物的类型。
5.根据权利要求4所述的运营列车轨道侵入物检测定位方法,其特征在于,在S500所述上报识别到的侵入物位置时,还包括:上报识别到的侵入物类型。
6.根据权利要求5所述的运营列车轨道侵入物检测定位方法,其特征在于,所述方法还包括:
S600:在多次列车运行过程中监测到同一位置存在同一类型侵入物时,识别并判断所述侵入物是否为同一个,若是,则分析所述侵入物的变化趋势,并推测侵入物的演化趋势。
7.根据权利要求1所述的运营列车轨道侵入物检测定位方法,其特征在于,S300所述根据多目视觉传感器探测的轨道数据确定列车行驶方向和列车自身的位置包括以下步骤:
S301:根据轨道图像数据识别轨道桩号信息,并测算多目视觉传感器到轨道桩的相对距离;
S302:将当前时刻与前一时刻采集识别的轨道桩号信息进行比对,判断列车的行驶方向;
S303:根据列车的行驶方向和多目视觉传感器到轨道桩的相对距离,确定列车与所述轨道桩的相对位置;
S304:根据列车与轨道桩的相对位置和轨道桩自身的坐标信息,计算列车的绝对位置。
8.根据权利要求1所述的运营列车轨道侵入物检测定位方法,其特征在于,S500所述结合当前运行列车的型号和轨道侵入物的绝对位置判断所述侵入物是否影响列车运营安全具体包括:
S501:根据当前运行列车的型号获取所述列车的限界参数;
S502:判断侵入物位置是否会投影到列车限界参数内,若是,则判定侵入物影响列车运营安全。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现权利要求1-8任一项所述的运营列车轨道侵入物检测定位方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时用于实现权利要求1-8任一项所述的运营列车轨道侵入物检测定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310798375.6A CN116834802A (zh) | 2023-07-03 | 2023-07-03 | 一种运营列车轨道侵入物检测定位方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310798375.6A CN116834802A (zh) | 2023-07-03 | 2023-07-03 | 一种运营列车轨道侵入物检测定位方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116834802A true CN116834802A (zh) | 2023-10-03 |
Family
ID=88172054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310798375.6A Pending CN116834802A (zh) | 2023-07-03 | 2023-07-03 | 一种运营列车轨道侵入物检测定位方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116834802A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104386092A (zh) * | 2014-10-21 | 2015-03-04 | 卡斯柯信号有限公司 | 基于图像识别和多感知融合的列车自动防护系统及方法 |
CN109765571A (zh) * | 2018-12-27 | 2019-05-17 | 合肥工业大学 | 一种车辆障碍物检测系统及方法 |
CN110217271A (zh) * | 2019-05-30 | 2019-09-10 | 成都希格玛光电科技有限公司 | 基于图像视觉的快速轨道侵限识别监测系统及方法 |
CN110329316A (zh) * | 2019-07-29 | 2019-10-15 | 江苏必得科技股份有限公司 | 一种城市轨道障碍物检测装置及检测方法 |
CN112977541A (zh) * | 2021-03-17 | 2021-06-18 | 上海电气泰雷兹交通自动化系统有限公司 | 一种基于多技术融合的列车防护预警系统 |
CN113568002A (zh) * | 2021-06-24 | 2021-10-29 | 中车南京浦镇车辆有限公司 | 基于激光和图像数据融合的轨道交通主动障碍物检测装置 |
CN114701543A (zh) * | 2022-04-27 | 2022-07-05 | 中铁第四勘察设计院集团有限公司 | 基于大数据的高精度设备限界检测预警系统及方法 |
CN115187048A (zh) * | 2022-07-07 | 2022-10-14 | 北京交通大学 | 轨道线路多域限界异物侵限事件状况识别方法及系统 |
-
2023
- 2023-07-03 CN CN202310798375.6A patent/CN116834802A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104386092A (zh) * | 2014-10-21 | 2015-03-04 | 卡斯柯信号有限公司 | 基于图像识别和多感知融合的列车自动防护系统及方法 |
CN109765571A (zh) * | 2018-12-27 | 2019-05-17 | 合肥工业大学 | 一种车辆障碍物检测系统及方法 |
CN110217271A (zh) * | 2019-05-30 | 2019-09-10 | 成都希格玛光电科技有限公司 | 基于图像视觉的快速轨道侵限识别监测系统及方法 |
CN110329316A (zh) * | 2019-07-29 | 2019-10-15 | 江苏必得科技股份有限公司 | 一种城市轨道障碍物检测装置及检测方法 |
CN112977541A (zh) * | 2021-03-17 | 2021-06-18 | 上海电气泰雷兹交通自动化系统有限公司 | 一种基于多技术融合的列车防护预警系统 |
CN113568002A (zh) * | 2021-06-24 | 2021-10-29 | 中车南京浦镇车辆有限公司 | 基于激光和图像数据融合的轨道交通主动障碍物检测装置 |
CN114701543A (zh) * | 2022-04-27 | 2022-07-05 | 中铁第四勘察设计院集团有限公司 | 基于大数据的高精度设备限界检测预警系统及方法 |
CN115187048A (zh) * | 2022-07-07 | 2022-10-14 | 北京交通大学 | 轨道线路多域限界异物侵限事件状况识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102020112314A1 (de) | Verifizierung von fahrzeugbildern | |
US10569768B2 (en) | Information processing apparatus, information processing method, and non-transitory recording medium | |
CN115668182A (zh) | 自主车辆环境感知软件架构 | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
US10860869B2 (en) | Time to collision using a camera | |
CN111932901B (zh) | 道路车辆跟踪检测设备、方法及存储介质 | |
US20220270376A1 (en) | Deterioration diagnosis device, deterioration diagnosis system, deterioration diagnosis method, and storage medium for storing program | |
US20060111841A1 (en) | Method and apparatus for obstacle avoidance with camera vision | |
CN111198371A (zh) | 前视障碍物检测系统 | |
JP2009064410A (ja) | 車両の死角における移動物体を検知するための方法、および死角検知装置 | |
US20220410949A1 (en) | Method for in-situ and real-time collection and processing of geometric parameters of railway lines | |
CN110738081B (zh) | 异常路况检测方法及装置 | |
JP7024610B2 (ja) | 検知装置及び検知システム | |
JP2003329439A (ja) | 距離検出装置 | |
US20050231725A1 (en) | Method and device for visual range measurements with image sensor systems | |
CN110660229A (zh) | 车速的测量方法、装置及车辆 | |
CN116587978A (zh) | 一种基于车载显示屏的碰撞预警方法及系统 | |
CN116834802A (zh) | 一种运营列车轨道侵入物检测定位方法、设备及存储介质 | |
US20220309776A1 (en) | Method and system for determining ground level using an artificial neural network | |
CN110659551A (zh) | 运动状态的识别方法、装置及车辆 | |
JP3771729B2 (ja) | 交通流計測システム | |
Kidambi et al. | Sensitivity of automated vehicle Operational Safety Assessment (OSA) metrics to measurement and parameter uncertainty | |
CN114170809A (zh) | 超速检测方法、装置、系统、电子设备和介质 | |
CN114084129A (zh) | 一种基于融合的车辆自动驾驶控制方法及系统 | |
CN110658353B (zh) | 运动物体速度的测量方法、装置及车辆 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |