CN118918552B - 一种无人驾驶状态下的轨道列车防碰撞识别装置及方法 - Google Patents

Abstract

本发明提供了一种无人驾驶状态下的轨道列车防碰撞识别装置及方法，涉及轨道交通试验技术领域，包括数据采集系统、智能检测系统和定位系统，车体的一侧安装有司机室结构，底架边梁上布置有定位系统，通过获取列车车身周边的三维成像数据，存储形成完整的铁路网大数据检测集群；通过人工智能机器学习算法对铁路网大数据检测集群进行训练，得到铁路列车侵入物判断预测模型；对实时侵入物进行检测并对检测后的结果进行综合判定；以实现对铁路系统侵入物的预判和应对。本发明有效地解决现有高速列车难以实时探测异物侵入和自主避障的技术难题，为轨道车辆在高速运行下的全场景探测能力提供种重要的技术支撑和实现途径。

Description

一种无人驾驶状态下的轨道列车防碰撞识别装置及方法

技术领域

本发明涉及轨道交通试验技术领域，具体而言，涉及一种无人驾驶状态下的轨道列车防碰撞识别装置及方法。

背景技术

随着铁路运输系统的快速发展，列车运行安全成为铁路行业关注的焦点。当前技术主要依赖传统的传感器和人工监控方法来检测列车运行中的侵入物，这些方法存在检测范围有限、实时性不足、误报率高等问题。例如，传统的轨道检测系统可能使用简单的开关传感器来探测轨道上的异物，但这些系统往往只能检测到直接接触轨道的物体，对于非接触性或较小的侵入物则无能为力。

此外，人工监控受限于人力资源、视觉盲区和响应时间，无法满足现代铁路系统对高效率和高可靠性的需求。现有技术在数据处理和分析方面也较为落后，通常缺乏有效的算法来从大量传感器数据中提取有用信息，导致对侵入物的分类、定位和风险评估不够精确。

发明内容

本发明的目的在于提供一种无人驾驶状态下的轨道列车防碰撞识别装置及方法，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了一种无人驾驶状态下的轨道列车防碰撞识别装置，包括：

数据采集系统、智能检测系统和定位系统，其中数据采集系统包括车体，车体的一侧安装有司机室结构，车体底架边梁上布置有定位系统，车体的下侧左右两端分别安装有转向架，其中定位系统包括GPS定位系统和三维数字地图成像技术，智能检测系统包括机器学习的人工智能检测算法；司机室结构风挡玻璃内测安装有变焦摄像仪，风挡玻璃外安装有热成像仪，热成像仪的下侧安装有空速管，其中热成像仪用于检测侵入的具有热感效应的生物，进而实现实时成像；其中空速管用于测量车外温度、压强以及速度且作为针对极端天气的预警和作为列车安全运行的输入；其中变焦摄像仪用于探测小于500米的成像，进而实现侵入物的探测与数据传输；热成像仪的上方安装有长焦摄像仪，车钩开闭机构的蒙皮板上安装有压力传感器，开闭机构的下侧安装有排障器，开闭机构和裙挡外侧安装有激光雷达，其中激光雷达用于探测扫描轨道车辆周边场景以及构建三维地图并实现不同物体接近列车的探测与预警；其中长焦摄像仪用于实现大于500米以上的成像，进而实现侵入物的探测与数据传输其中，GPS定位系统也可为北斗导航定位系统。

优选地，所述转向架包括轮对、构架、轴箱盖、第一系簧以及第二系簧，在轴箱盖上布置有第一加速度传感器、第二加速度传感器和角动量编码器，两个轮对之间设置有构架；

其中第一加速度传感器、第二加速度传感器和角动量编码器用于针对轨道上的异物碾压状态下的监控与识别，并实时收集轮对的振动情况，传递撞击信号，使得列车降速或者紧急制动。

优选地，所述车体的上方安装有车前上摄像头和车后上摄像头；其中车前上摄像头和车后上摄像头用于检测高空落物的侵入探测与成像。

优选地，所述司机室结构的下方设置有存储交换系统，其中存储交换系统包括数据交换器、数据存储器、端口和计算机；数据交换器用于通过识别数据采集系统中的目的地地址，将数据采集系统转发到正确的端口，从而实现数据的快速交换；数据存储器用于存储无人驾驶状态下的轨道列车采集且保存数据的设备；端口用于区分不同的服务或进程，其中每个网络连接都需要指定一个源端口和一个目标端口；计算机用于执行计算任务及处理数据。

优选地，所述数据交换器和数据存储器的下方设置有开闭装置。

第二方面，本申请还提供了一种无人驾驶状态下的轨道列车防碰撞识别方法，包括以下步骤：

根据激光雷达，获取列车车身周边的三维成像数据，同时利用其他车载传感器对潜在侵入物进行检测与判定，得到列车运行场景的初始数据；

将列车运行场景的初始数据作为初始数据积累，并结合收集到的历史检测数据，存储形成完整的铁路网大数据检测集群；

通过人工智能机器学习算法对铁路网大数据检测集群进行训练，得到铁路列车侵入物判断预测模型，其中该模型用于实现对侵入物的分类、位置判断以及对列车运行危及程度的预测；

基于铁路列车侵入物判断预测模型，对实时侵入物进行检测并对检测后的结果进行综合判定；

根据综合判定结果，输出与之相对应的列车运行指令，以实现对铁路系统侵入物的预判和应对，具体地，侵入物判断预测模型，随着列车运行里程增加(实际中全国各线路的列车在一直运行，铁路网大数据检测集群的训练数据在一直增加)，其预测和判断精度将会显著增加

第三方面，本申请还提供了一种无人驾驶状态下的轨道列车防碰撞识别设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现所述无人驾驶状态下的轨道列车防碰撞识别方法的步骤。

第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于无人驾驶状态下的轨道列车防碰撞识别方法的步骤。

本发明的有益效果为：

本发明通过数据采集系统、智能检测系统和定位实现系统相互结合，实现数据之间的互通与列车侵入物的预报警和列车自动控制行为实现，所述的一种无人驾驶状态下得轨道列车防碰撞识别方法与系统，具有主动和半主动的环境感知能力，对于检测轨道上和轨道旁的静态和动态障碍物，以及实现危害评估，完全实现轨道列车自主运行具有重要意义，对保障列车安全运行具有不可或缺的关键作用。

本发明的目的是提供一种无人驾驶状态下的轨道列车防碰撞识别方法与系统，它能有效地解决现有高速列车难以实时探测异物侵入和自主避障的技术难题，为轨道车辆在高速运行下的全场景探测能力提供种重要的技术支撑和实现途径。

本发明所运用的方法和系统是轨道车辆实现运行过程中全场景感知的关键技术之一，当列车运行过程中受到异物侵入时，通过车载传感器和各种探测设备，采用机器学习的人工智能技术进行数据训练、识别和分析，提高轨道列车环境感知能力，为列车做出避免发生碰撞的指令，进而保护列车在运行过程中的安全，故，将轨道车辆数据采集系统、智能检测系统和轨道车辆定位系统进行集成，引入人工智能与大数据实现轨道车辆运行过程中的全场景感知能力，获得轨道异物侵入探测与列车自动避障决策的自动驾驶功能。

本发明中的系统通过车载激光雷达和其他高级传感器实时采集列车运行场景的三维数据，构建全面的铁路网大数据检测集群，利用先进的数据处理技术和机器学习算法，本系统能够对检测到的侵入物进行精确分类、定位和风险评估。此外，本申请还包含一种自适应控制策略，它可以根据实时分析结果动态调整列车运行指令，如减速慢行、紧急制动或开启排障器，以确保列车运行安全。通过这种方法，本申请不仅提高了检测的准确性和响应速度，还增强了系统的自动化和智能化水平，满足了现代铁路运输对高安全性和高效率的需求。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例中所述的无人驾驶状态下的轨道列车防碰撞识别装置结构示意图；

图2为本发明实施例中所述的无人驾驶状态下的轨道列车防碰撞识别方法流程示意图；

图3为本发明实施例中所述的无人驾驶状态下的轨道列车防碰撞识别设备结构示意图。

图中：1、轨道；2、侵入物；3、压力传感器；4、空速管；5、热成像仪；6、变焦摄像仪；7、长焦摄像仪；8、车体；9、车前上摄像头；10、车后上摄像头；11、GPS定位系统；12、激光雷达；13、角动量编码器；14、第一加速度传感器；15、第二加速度传感器；16、开闭装置；17、排障器；18、轮对；19、轴箱盖；20、第一系簧；21、构架；22、第二系簧；23、数据交换器；24、数据存储器；25、端口；26、计算机；27、转向架；28、裙挡；29、司机室结构；800、无人驾驶状态下的轨道列车防碰撞识别设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，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。

实施例1：

如图1所示，本实施例提供了一种无人驾驶状态下的轨道列车防碰撞识别装置，参见图1所述装置包括：

数据采集系统、智能检测系统和定位系统，其中数据采集系统包括车体8，车体8的一侧安装有司机室结构29，车体8底架边梁上布置有定位系统，车体8的下侧左右两端分别安装有转向架27，其中定位系统包括GPS定位系统11和三维数字地图成像技术，智能检测系统包括机器学习的人工智能检测算法；司机室结构29风挡玻璃内测安装有变焦摄像仪6，风挡玻璃外安装有热成像仪5，热成像仪5的下侧安装有空速管4，其中热成像仪5用于检测侵入的具有热感效应的生物，进而实现实时成像；其中空速管4用于测量车外温度、压强以及速度且作为针对极端天气的预警和作为列车安全运行的输入；其中变焦摄像仪6用于探测小于500米的成像，进而实现侵入物2的探测与数据传输；热成像仪5的上方安装有长焦摄像仪7，车钩开闭机构的蒙皮板上安装有压力传感器3，开闭机构的下侧安装有排障器17，开闭机构和裙挡28外侧安装有激光雷达12，其中激光雷达12用于探测扫描轨道1车辆周边场景以及构建三维地图并实现不同物体接近列车的探测与预警；其中长焦摄像仪7用于实现大于500米以上的成像，进而实现侵入物2的探测与数据传输。

具体地，所述转向架27包括轮对18、构架21、轴箱盖19、第一系簧20以及第二系簧22，在轴箱盖19上布置有第一加速度传感器14、第二加速度传感器15和角动量编码器13，两个轮对18之间设置有构架21；

可以理解的是，在本步骤中，在轴箱盖上布置有第一加速度传感器、第二加速度传感器和角动量编码器，用于收集轮对振动情况，特别针对轨道上的异物碾压状态下的监控与识别，列车司机室结构闭合结构内的压力传感器可以检测到异物(侵入轨道线的石子、木棍、障碍物，以及动物、人等)撞击到车端时的损伤情况，轻微撞击不影响车辆正常形式，较严重撞击时(可通过撞击加速度或者压力传感器丢失作为触发报警阈值)，传递撞击信号，使得列车降速或者紧急制动。

其中，第一加速度传感器14、第二加速度传感器15和角动量编码器13用于针对轨道1上的异物碾压状态下的监控与识别，并实时收集轮对18的振动情况，传递撞击信号，使得列车降速或者紧急制动。

具体地，所述车体8的上方安装有车前上摄像头9和车后上摄像头10；

其中，车前上摄像头9和车后上摄像头10用于检测高空落物的侵入探测与成像。

具体地，所述司机室结构29的下方设置有存储交换系统，其中存储交换系统包括数据交换器23、数据存储器24、端口25和计算机26；

其中，数据交换器23用于通过识别数据采集系统中的目的地地址，将数据采集系统转发到正确的端口，从而实现数据的快速交换；数据存储器24用于存储无人驾驶状态下的轨道列车采集且保存数据的设备；端口25用于区分不同的服务或进程，其中每个网络连接都需要指定一个源端口和一个目标端口；计算机26用于执行计算任务及处理数据。

具体地，所述数据交换器23和数据存储器24的下方设置有开闭装置16。

可以理解的是，在本步骤中，将车载传感器获得的图像和数据进行存储，包括激光雷达的三维扫描成像数据，压力传感器的阈值判断数据，热成像仪的生物检测数据(形状大小和位置判定)，长焦摄像仪和变焦摄像仪对车辆前方侵入物的检测和场景成像数据，空速管对极端天气检测与预警数据，车前、车后上摄像头对高空落物侵入检测数据。通过多传感器数据融合技术确保了系统的准确性和鲁棒性。

实施例2：

本实施例提供了一种无人驾驶状态下的轨道列车防碰撞识别方法。

参见图2，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。

S100、根据激光雷达(12)获取列车车身周边的三维成像数据，同时利用其他车载传感器对潜在侵入物进行检测与判定，得到列车运行场景的初始数据。

可以理解的是，在本步骤中，列车数据工厂是系统化、自动化的数据管理和处理框架，用于高效训练基于传感器的数据采集系统，在主动和半主动自动驾驶中，通过识别和分类检测障碍物，实现铁路环境状况的观察和分析。列车数据工厂由列车端数据传感器、轨旁数据触点和高性能数据中心三个核心组件组成。列车端数据传感器负责收集实时数据，轨旁数据触点作为数据传输的节点，确保数据上传至高性能数据中心，后者则负责存储、处理和分析这些数据。开发人员可以访问数据中心的数据，进行系统调试、算法测试和模型训练，以提高列车数据的可靠性。列车数据工厂通过数据循环机制，不断收集新数据来训练和优化模型，以适应线路环境变化。

S200、将列车运行场景的初始数据作为初始数据积累，并结合收集到的历史检测数据，存储形成完整的铁路网大数据检测集群。

可以理解的是，在本步骤中，在步骤S200中，首先从列车传感器获取列车运行场景的初始数据。这些数据包括但不限于车载激光雷达捕获的车身周边三维成像数据，以及其他传感器对潜在侵入物的实时检测信息。初始数据的收集是构建大数据检测集群的基础，为后续的数据分析和机器学习模型训练提供了原始材料。为了形成一个全面且具有深度的铁路网大数据检测集群，需要将这些初始数据与历史检测数据相结合，其中，历史检测数据可能来源于先前的列车运行记录、维护日志、事故报告以及其他相关数据存档，这些数据的积累对于理解铁路环境中的长期趋势和异常模式至关重要。

因此，存储这些数据时，需要采用高效的数据库管理系统，以确保数据的可访问性、一致性和安全性，数据库的设计需要考虑到查询效率和数据更新的便捷性，以支持快速的数据检索和实时的数据分析需求。这个集群不仅为机器学习模型提供了大量的训练样本，而且增加了模型对不同运行条件下侵入物检测的泛化能力。大数据检测集群的构建和管理可能还会涉及到数据融合技术，将来自不同传感器和数据源的信息整合在一起，以获得更全面和准确的列车运行场景理解，数据融合算法可以提高检测系统的鲁棒性，减少由于单一数据源故障或错误而引起的风险。

S300、通过人工智能机器学习算法对铁路网大数据检测集群进行训练，得到铁路列车侵入物判断预测模型，其中该模型用于实现对侵入物的分类、位置判断以及对列车运行危及程度的预测。

具体地，在本步骤中，触点通过无线连接范围内的列车，下载列车在行驶过程中收集的激光雷达等大量传感器数据，并对数据进行预处理和数据缩减，以便只需将数据的相关部分传输到数据中心。然后对收集的数据进行标注，以提供训练机器学习模型所需的监督信号。并选择有助于模型学习的特征，如图像中的纹理、形状和颜色，使用选定的特征和标注数据训练深度神经网络等机器学习模型。在数据中心分布式部署高性能计算机，使用GPU进行模型训练和推理，并应用高效的优化算法如Adam优化算法等，加快模型训练速度，提高识别精度。

可以理解的是，在本步骤S300中包括S301、S302和S303，其中：

S301、对铁路网大数据检测集群中的数据进行数据清洗和格式化处理，去除噪声和异常值，得到最终的铁路网大数据检测集群；

S302、对最终的铁路网大数据检测集群进行标注，以区分不同类型的侵入物和每个侵入物对列车运行的不同危害程度，得到标注后的铁路网大数据检测集群；

S303、基于随机森林算法对标注后的铁路网大数据检测集群进行训练，在训练过程中，将标注后的铁路网大数据检测集群分为测试集和验证集，使用测试集进行训练，剩余的验证集进行验证，以此循环进行多次，得到铁路列车侵入物判断预测模型，并对铁路列车侵入物判断预测模型进行调整和优化，得到最终的铁路列车侵入物判断预测模型，其中最终的铁路列车侵入物判断预测模型包括调整模型参数和选择不同的特征子集。

需要说明的是，在步骤S301中，首先对铁路网大数据检测集群进行彻底的数据清洗。这一过程涉及识别和去除数据集中的噪声和异常值，这些异常值可能是由于传感器误差、数据传输错误或环境干扰造成的。数据清洗的目的是确保数据集的质量和一致性，为后续的分析和模型训练提供准确的数据基础。接下来，进行数据格式化处理，这意味着将数据转换成统一的格式和结构，以便于算法处理。格式化可能包括标准化数据类型、统一时间戳格式、调整量纲不一致的数据等。

具体地，在步骤S302中，对清洗和格式化后的数据进行标注，标注是一个分类和分类级别的过程，需要专业知识来识别不同类型的侵入物(如动物、植被、抛掷物等)，并评估它们对列车运行的潜在危害程度(如低、中、高)。

具体地，在步骤S303中，使用随机森林算法对标注后的数据集进行训练。随机森林是一种集成学习方法，它通过构建多个决策树并将它们的预测结果结合起来，以提高模型的准确性和鲁棒性。在训练过程中，将数据集分为测试集和验证集，测试集用于模型的实际训练，而验证集用于评估模型的性能，确保模型不会过拟合，通过交叉验证，即多次重复这个过程，每次使用不同的数据子集作为验证集，可以更全面地评估模型的性能。在训练完成后，对模型进行调整和优化。这可能包括调整模型参数(如树的数量、最大深度等)、选择不同的特征子集，或者尝试不同的算法配置。因此，在实际研究中，模型的训练和优化可能还会涉及到更高级的技术，如特征选择算法、模型融合技术、超参数优化算法(如贝叶斯优化)等。此外，随着深度学习技术的发展，可以考虑使用卷积神经网络(CNN)或循环神经网络(RNN)来处理图像数据或时间序列数据，以进一步提高模型的性能。

通过机器学习领域的人工智能(AI)软件对海量扫描数据的进行训练学习和处理，使系统可以快速从已建立的海量数据中快速定位和识别周围环境和物体，如火车轨道、电线杆，围栏等，同时利用激光雷达数据创建轨道和周围环境的精确三维成像建模，建立铁路环境数字地图。

S400、基于铁路列车侵入物判断预测模型，对实时侵入物进行检测并对检测后的结果进行综合判定。

可以理解的是，在本步骤S400中包括S401和S402，其中：

S401、基于铁路列车侵入物判断预测模型，使用实时采集数据与历史训练数据进行匹配，并通过判断公式识别是否有侵入物出现，其判断公式如下：

式中，d为数据差异的标准化值，Znew为新采集数据的均值，Zhistory为历史数据的均值，σ为历史数据的标准差；

S402、若有，则对出现的侵入物进行定位，并综合判断侵入物的特征进行综合分析；若无，则继续进行实时采集列车运行场景数据并进行迭代计算。

可以理解的是，在步骤S402中包括S4021、S4022、S4023和S4024，其中：

S4021、获取实时数据中的侵入物特征，其中侵入物特征包括尺寸、形状和速度；

S4022、利用定位系统，根据获取得到的侵入物特征进行计算，得到确定侵入物的位置，其计算公式如下：

P_intruder＝f(Z_new，Θ，R)式中，f为定位函数，Θ为传感器角度，Znew为新采集数据的均值，R为传感器到列车中心的距离，P_intruder为位置信息；

S4023、利用图像处理技术计算得到最终的侵入物的尺寸、形状和速度，并从计算后的侵入物的尺寸、形状和速度中提取关键特征，并将提取到的关键特征转换为数值向量，形成特征向量；

S4024、基于预先训练完成的机器学习模型，将特征向量输入至机器学习模型中进行分类和性质判断，得到输出结果，将输出结果进行整合，最终得到对侵入物的综合分析描述结果。

通过人工智能软件和强大的计算性能相结合，将车载摄像头、激光雷达等传感器收集的数据进行分析，与铁路环境数字地图对比，实时检测轨道上和轨道旁的静态、动态障碍物，根据障碍物的大小、速度和位置，结合列车的安全裕度和运行策略，动态计算碰撞风险。根据风险评估结果，决定是否需要采取行动，如减速或停车。根据实际发生的事件和反馈，不断优化风险评估模型，提高列车运行的安全性和效率。其中，故障判定首先是轨道上不能出现侵占物，出现侵占物后进行判定是雪堆积还是细沙覆盖，如果是进行判定为轻微或者无危害，如果判定是碎石，需判定碎石大小，小于一定直径则判断轻微或者无危害，大于一定指标比如大于10mm小于100mm,则判定具有一定危害性，可以启动排障器清理出次碎石，如果大于100mm,排障器难以处理的，则判定严重危害进行紧急制动，避免发生碰撞事故；如果是生物侵入轨道线，则判断是人侵入还是动物侵入，如人侵入则判断人离轨道还有多远，则启动列车鸣笛并进行列车减速制动进行驱离，人如果判断在轨道上，如自杀则进行紧急制动；如果是动物跨线侵入轨道线，同样判断力轨道和列车之间的距离，如果是国家保护动物则判定进行鸣笛减速制动，驱离动物，如果是一般且体积较小动物则判定进行鸣笛驱离并开启排障器和减速慢行，降低对动物伤害。

需要说明的是，在步骤S4023中包括S40231、S40232和S40233，其中：

S40231、利用图像处理技术从激光雷达(12)的三维成像传感器的三维点云中提取侵入物的特征，并根据区域生长或聚类算法，区分侵入物的背景和侵入物本体；通过计算点云中侵入物本体所占整个空间的范围估计其尺寸，并利用边缘检测和几何分析方法对尺寸进行再次测量，得到最终的尺寸信息；

S40232、根据提取的侵入物图像或点云数据，使用傅里叶描述符来表征其形状特征，得到最终的形状信息；

S40233、获取传感器数据中包含的时间序列信息，通过比较不同时间点的侵入物位置变化来计算其速度，进而得到最终的速度信息。

需要说明的是，列车正式运行中预加载前期测试阶段收集的各项数据及铁路环境数字地图，记录固定设备的位置信息。通过GPS(或者北斗定位系统)与传感器数据(实时获取的)，和先前建立的铁路环境数字地图(一列车按周期比如一个月或一年扫描一次建立铁路环境数字地图，其包含铁路周边建筑物，电线杆等铁路设施附属物的三维几何特征和响应的地理坐标系(不包含列车))进行比较、对比，通过识别火车附近不变的静态物体(如电力塔)，将识别出的物体特征与数字地图中已知物体的特征进行匹配，确定物体在地图上的坐标位置。将校准后的位置信息与GPS定位数据融合，以校正GPS定位数据，实现更高精度的定位。采用这种基于地标定位和GPS相结合的方法可以实现厘米级的高精定位。每个铁路附属设施均具有自己独特的三维几何特征，比如轨枕、轨枕旁结合特征之间的排布形式，电力塔的和输电线的几何尺寸等均是可以提取的三维数据，并与之响应的大地坐标一一对应，首先获得粗略的位置区间，利用人工智能大数据再次进行高显著特征的电力塔和房屋进行数据配备识别，最终再依据轨枕和沙石几何特征进行识别，进而确定精确的大地位置坐标。同时可以识别出存在异物，以及异物离列车距离，根据距离判断对列车为危及程度，并与车载传感器检测数据相互验证。

具体地，区域生长或聚类算法用于区分侵入物的背景和侵入物本体；区域生长算法通过从种子点开始，逐步将相邻的点合并到区域中，直到满足特定条件；聚类算法，如K-means或DBSCAN，通过将数据点分组，帮助识别和区分不同的物体；而尺寸估计通过计算点云中侵入物本体所占空间的范围来实现，这涉及到对点云数据进行几何分析，可能包括最小覆盖矩形、最小覆盖圆或凸包等几何形状的计算；边缘检测算法，如Canny算法，可以用来识别侵入物的边界，而几何分析方法则用于从这些边界中提取尺寸信息。这一步骤的技术效果是提供了一种自动化的方法来从复杂的三维数据中识别和量化侵入物的物理属性。

而在下一个步骤中，傅里叶描述符是一种将图像或点云数据转换到频域，并从中提取形状特征的方法，是通过对形状的边界或轮廓进行傅里叶变换，可以得到其频域表示，进而提取出描述形状的关键特征，有助于机器学习模型理解不同侵入物的独特几何特性，这对于分类和识别侵入物类型至关重要。

在步骤S40233中，从传感器数据中获取时间序列信息，并利用这些信息来计算侵入物的速度，这涉及到比较不同时间点上侵入物的位置变化，通过测量两个时间点之间的位置差，并将其除以时间差，可以得到侵入物的平均速度。在实际研究中，这些步骤的应用可能会结合更高级的图像和信号处理技术，如使用深度学习进行点云分析，或利用时间序列分析方法来处理传感器数据。此外，结合多模态数据融合技术，可以进一步提高对侵入物特征的提取和分析的准确性。

S500、根据综合判定结果，输出与之相对应的列车运行指令，以实现对铁路系统侵入物的预判和应对。

可以理解的是，在本步骤中，系统将检测结果和关键信息接入铁路网络，并上传至云端，将常见障碍物等信息进行共享，提高识别效率，不同线路之间可进行协作，更好地监控列车运行状态，实现智能调度和优化运营效率。通过连接到云端，数据工厂能够利用云端强大的计算资源，处理大规模数据集，支持复杂的数据分析和机器学习模型训练。云服务的弹性和可扩展性确保了在数据量激增或计算需求上升时，系统能够稳定运行，避免因峰值负载导致的服务中断。

具体地，在本步骤中，利用逻辑规则或机器学习模型，评估侵入物对列车运行的具体风险级别。例如，大型动物或高速移动的物体可能需要更高级别的响应。根据风险评估结果，制定相应的列车运行指令，其中可能的指令包括减速慢行、紧急制动、改变轨道、启动障碍物排除装置或通知维护人员等。并且，考虑到列车的当前状态、速度、位置以及铁路网络的运行情况，对输出的指令进行优化，以确保既安全又高效的列车运行。将最终确定的运行指令通过列车控制系统传达给列车驾驶员或自动驾驶系统，确保列车能够及时响应并采取适当措施。

在实际研究和应用中，列车运行指令的输出可以进一步与列车的自动驾驶系统集成，实现完全自动化的列车运行控制。此外，这些指令还可以与铁路交通管理系统相结合，实现对整个铁路网络的优化调度，随着物联网和车联网技术的发展，列车运行指令的输出和接收将更加实时和精确，列车与轨道旁的传感器、交通控制系统以及其他列车之间的通信将使得列车运行更加智能化和协同化。

需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3：

对应于上面的方法实施例，本实施例中还提供了一种无人驾驶状态下的轨道列车防碰撞识别设备，下文描述的一种无人驾驶状态下的轨道列车防碰撞识别设备与上文描述的一种无人驾驶状态下的轨道列车防碰撞识别方法可相互对应参照。

图3是根据示例性实施例示出的一种无人驾驶状态下的轨道列车防碰撞识别设备800的框图。如图3所示，该无人驾驶状态下的轨道列车防碰撞识别设备800包括：处理器801和存储器802。该无人驾驶状态下的轨道列车防碰撞识别设备800还包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该无人驾驶状态下的轨道列车防碰撞识别设备800的整体操作，以完成上述的无人驾驶状态下的轨道列车防碰撞识别方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该无人驾驶状态下的轨道列车防碰撞识别设备800的操作，这些数据例如可以包括用于在该无人驾驶状态下的轨道列车防碰撞识别设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘、鼠标或按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该无人驾驶状态下的轨道列车防碰撞识别设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi、蓝牙、近场通信(Near FieldCommunication，简称NFC)、2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块、蓝牙模块或NFC模块。

在一示例性实施例中，无人驾驶状态下的轨道列车防碰撞识别设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital SignalProcessing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的无人驾驶状态下的轨道列车防碰撞识别方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的无人驾驶状态下的轨道列车防碰撞识别方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由无人驾驶状态下的轨道列车防碰撞识别设备800的处理器801执行以完成上述的无人驾驶状态下的轨道列车防碰撞识别方法。

实施例4：

相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种无人驾驶状态下的轨道列车防碰撞识别方法可相互对应参照。

可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的无人驾驶状态下的轨道列车防碰撞识别方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (3)

1.一种无人驾驶状态下的轨道列车防碰撞识别装置，其特征在于，包括：

数据采集系统、智能检测系统和定位系统，其中数据采集系统包括车体（8），车体（8）的一侧安装有司机室结构（29），车体（8）底架边梁上布置有定位系统，车体（8）的下侧左右两端分别安装有转向架（27），其中定位系统包括GPS定位系统（11）和三维数字地图成像技术，智能检测系统包括机器学习的人工智能检测算法；司机室结构（29）风挡玻璃内测安装有变焦摄像仪（6），风挡玻璃外安装有热成像仪（5），热成像仪（5）的下侧安装有空速管（4），其中热成像仪（5）用于检测侵入的具有热感效应的生物，进而实现实时成像；其中空速管（4）用于测量车外温度、压强以及速度且作为针对极端天气的预警和作为列车安全运行的输入；其中变焦摄像仪（6）用于探测小于500米的成像，进而实现侵入物（2）的探测与数据传输；热成像仪（5）的上方安装有长焦摄像仪（7），车钩开闭机构的蒙皮板上安装有压力传感器（3），开闭机构的下侧安装有排障器（17），开闭机构和裙挡（28）外侧安装有激光雷达（12），其中激光雷达（12）用于探测扫描轨道（1）车辆周边场景以及构建三维地图并实现不同物体接近列车的探测与预警；其中长焦摄像仪（7）用于实现大于500米以上的成像，进而实现侵入物（2）的探测与数据传输；

其中，通过GPS与传感器数据，和先前建立的铁路环境数字地图，进行比较、对比；通过识别火车附近不变的静态物体，将识别出的物体特征与数字地图中已知物体的特征进行匹配，确定物体在地图上的坐标位置；将校准后的位置信息与GPS定位数据融合，以校正GPS定位数据，实现高精度的定位；

所述转向架（27）包括轮对（18）、构架（21）、轴箱盖（19）、第一系簧（20）以及第二系簧（22），在轴箱盖（19）上布置有第一加速度传感器（14）、第二加速度传感器（15）和角动量编码器（13），两个轮对（18）之间设置有构架（21）；

其中，第一加速度传感器（14）、第二加速度传感器（15）和角动量编码器（13）用于针对轨道（1）上的异物碾压状态下的监控与识别，并实时收集轮对（18）的振动情况，传递撞击信号，使得列车降速或者紧急制动；

所述车体（8）的上方安装有车前上摄像头（9）和车后上摄像头（10）；

其中，车前上摄像头（9）和车后上摄像头（10）用于检测高空落物的侵入探测与成像；

所述无人驾驶状态下的轨道列车防碰撞识别装置用于实施无人驾驶状态下的轨道列车防碰撞识别方法，所述无人驾驶状态下的轨道列车防碰撞识别方法包括以下步骤：

根据激光雷达（12）获取列车车身周边的三维成像数据，同时利用其他车载传感器对潜在侵入物进行检测与判定，得到列车运行场景的初始数据；

将列车运行场景的初始数据作为初始数据积累，并结合收集到的历史检测数据，存储形成完整的铁路网大数据检测集群；

通过人工智能机器学习算法对铁路网大数据检测集群进行训练，得到铁路列车侵入物判断预测模型，其中该模型用于实现对侵入物的分类、位置判断以及对列车运行危及程度的预测；

基于铁路列车侵入物判断预测模型，对实时侵入物进行检测并对检测后的结果进行综合判定；

根据综合判定结果，输出与之相对应的列车运行指令，以实现对铁路系统侵入物的预判和应对；

所述基于铁路列车侵入物判断预测模型，对实时侵入物进行检测并对检测后的结果进行综合判定，其中包括：

基于铁路列车侵入物判断预测模型，使用实时采集数据与历史训练数据进行匹配，并通过判断公式识别是否有侵入物出现，其判断公式如下：

式中， d为数据差异的标准化值，为新采集数据的均值，为历史数据的均值，σ为历史数据的标准差；

若有，则对出现的侵入物进行定位，并综合判断侵入物的特征进行综合分析；若无，则继续进行实时采集列车运行场景数据并进行迭代计算；所述对出现的侵入物进行定位，并综合判断侵入物的特征进行综合分析，其中包括：

获取实时数据中的侵入物特征，其中侵入物特征包括尺寸、形状和速度；

利用定位系统，根据获取得到的侵入物特征进行计算，得到确定侵入物的位置，其计算公式如下：

式中，为定位函数，Θ 为传感器角度，为新采集数据的均值，为传感器到列车中心的距离，为位置信息；

利用图像处理技术计算得到最终的侵入物的尺寸、形状和速度，并从计算后的侵入物的尺寸、形状和速度中提取关键特征，并将提取到的关键特征转换为数值向量，形成特征向量；

基于预先训练完成的机器学习模型，将特征向量输入至机器学习模型中进行分类和性质判断，得到输出结果，将输出结果进行整合，最终得到对侵入物的综合分析描述结果；

所述利用图像处理技术计算得到最终的侵入物的尺寸、形状和速度，其中包括：

利用图像处理技术从激光雷达（12）的三维成像传感器的三维点云中提取侵入物的特征，并根据区域生长或聚类算法，区分侵入物的背景和侵入物本体；通过计算点云中侵入物本体所占整个空间的范围估计其尺寸，并利用边缘检测和几何分析方法对尺寸进行再次测量，得到最终的尺寸信息；

根据提取的侵入物图像或点云数据，使用傅里叶描述符来表征其形状特征，得到最终的形状信息；

获取传感器数据中包含的时间序列信息，通过比较不同时间点的侵入物位置变化来计算其速度，进而得到最终的速度信息；

所述通过人工智能机器学习算法对铁路网大数据检测集群进行训练，得到铁路列车侵入物判断预测模型，其中该模型用于实现对侵入物的分类、位置判断以及对列车运行危及程度的预测，其中包括：

对铁路网大数据检测集群中的数据进行数据清洗和格式化处理，去除噪声和异常值，得到最终的铁路网大数据检测集群；

对最终的铁路网大数据检测集群进行标注，以区分不同类型的侵入物和每个侵入物对列车运行的不同危害程度，得到标注后的铁路网大数据检测集群；

基于随机森林算法对标注后的铁路网大数据检测集群进行训练，在训练过程中，将标注后的铁路网大数据检测集群分为测试集和验证集，使用测试集进行训练，剩余的验证集进行验证，以此循环进行多次，得到铁路列车侵入物判断预测模型，并对铁路列车侵入物判断预测模型进行调整和优化，得到最终的铁路列车侵入物判断预测模型，其中最终的铁路列车侵入物判断预测模型包括调整模型参数和选择不同的特征子集。

2.根据权利要求1所述的无人驾驶状态下的轨道列车防碰撞识别装置，其特征在于，所述司机室结构（29）的下方设置有存储交换系统，其中存储交换系统包括数据交换器（23）、数据存储器（24）、端口（25）和计算机（26）；

其中，数据交换器（23）用于通过识别数据采集系统中的目的地地址，将数据采集系统转发到正确的端口，从而实现数据的快速交换；数据存储器（24）用于存储无人驾驶状态下的轨道列车采集且保存数据的设备；端口（25）用于区分不同的服务或进程，其中每个网络连接都需要指定一个源端口和一个目标端口；计算机（26）用于执行计算任务及处理数据。

3.根据权利要求2所述的无人驾驶状态下的轨道列车防碰撞识别装置，其特征在于，所述数据交换器（23）和数据存储器（24）的下方设置有开闭装置（16）。