一种轨道交通车站智能巡检系统的制作方法

本发明涉及轨道交通智能巡检，具体而言，涉及一种轨道交通车站智能巡检系统。

背景技术：

1、城市轨道交通作为城市公共交通的骨干，具有发车间隔短、线路与站点繁多、客流量大等特点，运营安全必须置于首位。在长期运行中，地质形变、车辆冲击震动及人为施工等因素会不可避免地造成线路、车站及列车设施的损耗。因此，开展城市轨道交通的智能巡检与异常分析，对提升运输效率、保障旅客出行质量具有重要意义。

2、当前，轨道交通设施巡检仍以人工为主。由于车站设备设施的每日可维护窗口通常仅有凌晨0点至4点的短短数小时，人工巡检耗时长、效率低、速度慢、视角盲区多、目视标准差异大，易造成站场事务堆积；同时，长期夜间作业也易引发检测误差，难以满足全线路基础设施的快速检测需求。在管理层面上，尽管已有部分巡检异常数据库，但因检测人员执行规范尺度不一、依赖个体经验，难以形成标准化的巡检作业规范。在数据层面上，异常数据虽可采集，却缺乏稳定融合分析流程，进一步增加了巡检人员的学习成本。

3、近年来，基于机器狗的电力场景巡检方法已有一些探索。例如，专利cn121043971a提出了利用集成雷达和相机的四足机器狗进行变电站巡检；cn120996081a采用视觉语言大模型实现变电站环境更新与智能巡检；cn120975757a则通过多模态数据采集与智能分析完成电力设备巡检。然而，这些成果主要面向电力行业，尚未提供一种兼顾轨道交通站点多种设施与服务需求的巡检装备，更缺乏对各类异常状态的实时分析与闭环处置系统。

4、最接近的现有技术cn121764108a公开了一种轨道交通巡检装置及方法，主要通过图像采集模块获取轨道及周边环境图像，利用目标检测算法识别异常。该方案在一定程度上实现了自动化巡检，但存在以下不足：其一，仅依赖单一视觉感知，难以在柱体遮挡、光照多变的车站环境中实现稳定可靠的空间定位与设备状态识别；其二，未涉及多源异构传感器（如激光雷达、气体传感器）的深度融合及数据预处理，无法对三维空间结构及环境安全状态进行立体感知；其三，缺乏对车辆门、站台门等关键设备状态的精细化判别模型，易产生误报和漏报；其四，异常信息仅停留在告警层面，不具备基于大模型的异常关联分析及合规处置建议自动生成能力，无法形成从“发现”到“处置”的闭环管理。

5、因此，亟需构建一种面向轨道交通车站的智能巡检系统，融合多源异构数据，实现高精度地图构建与定位、设备状态精准识别以及异常事件的智能分析与规范化处置，为城市轨道交通的运营管理提供科学、定量的决策支持工具。

技术实现思路

1、本发明的目的是为了解决上述背景技术中提出问题，继而提出了一种轨道交通车站智能巡检系统。

2、本发明解决其技术问题所采取的技术方案是：

3、一种轨道交通车站智能巡检系统，包括：

4、数据采集层，设置于巡检机器狗上，包括激光雷达、可见光摄像机、红外摄像机以及环境传感器；

5、地图构建与定位模块，被配置为基于所述激光雷达与惯性测量单元的融合slam构建车站三维点云地图及二维栅格地图，并通过点云配准方法将实时采集的激光点云与所述三维点云地图进行匹配以进行定位修正；

6、目标检测与状态识别模块，被配置为从所述视频图像数据中检测门类设备并定位，并对检测到的门类设备区域进行状态判别，得到门类设备的状态信息；所述门类设备包括车辆门、站台门和设备门；

7、异常分析处理模块，被配置为：

8、获取并结构化存储异常描述数据，所述异常描述数据至少包含视觉异常特征、环境异常特征及空间位置信息；

9、通过关联分析单元对多个所述异常描述数据之间的关联关系进行学习；

10、基于关联关系学习结果，通过决策生成单元生成针对异常事件的处置建议；

11、通过合规性校验单元对所述处置建议进行运营规范校验后输出；

12、通过模型进化单元基于历史异常描述数据及对应处置结果持续优化所述关联分析单元和所述决策生成单元；

13、所述数据采集层、所述地图构建与定位模块、所述目标检测与状态识别模块与所述异常分析处理模块之间通信连接。

14、进一步的，所述异常描述数据包含异常向量序列

15、；

16、其中第k个异常向量定义为

17、；其中为视觉异常特征向量，为环境异常特征向量，为空间特征位置，为时间特征，为异常标签与处置结果。

18、进一步的，所述关联分析单元采用自注意力机制对所述异常向量序列进行处理，表示为：

19、

20、其中，、、分别为查询、键和值矩阵，d为键向量的维度，为归一化指数函数。

21、进一步的，所述决策生成单元通过条件生成方式，从预定义的与异常类型

ai相对应的处置动作集合

22、中确定处置建议，所述处置建议满足带约束条件生成式；其中，为由自注意力机制对当前异常向量序列编码得到的上下文表示，为在给定异常向量和上下文的条件下动作r的概率。

23、所述合规性校验单元通过预设的规则约束函数

24、

25、对所述处置建议进行过滤，并将满足约束的建议中概率最大者作为最终输出，即。

26、进一步的，所述模型进化单元按照如下目标函数对所述关联分析单元和决策生成单元进行优化：

27、；

28、其中为异常预测损失，为处置建议生成损失，为权重系数。

29、进一步的，所述目标检测与状态识别模块设时刻采集的图像为：

30、，

31、车站内门类目标集合定义为：

32、，其中表示第n个门类设备。

33、门状态集合定义为：

34、

35、采用yolov8目标检测模型构建映射

36、，

37、其中，为第个门类目标的边界框；为门类类型（车辆门、站台门或设备门）；为目标检测的置信度；

38、对检测到的门类设备区域裁剪得到子图像，并采用visiontransformer模型进行状态识别

39、其中，，为门处于开启状态的概率，为异常状态的概率，为门处于关闭状态的概率；

40、设置门状态判定规则为：

41、当识别到车辆门、站台门或设备门未处于正常关闭状态时，系统自动将该异常状态信息进行结构化存储，并上传至后端分析处理模块。

42、所述视觉异常特征向量定义为其中为门缝区域像素占比变化量，为目标检测置信度；

43、同时采用所述yolov8模型识别遗留物类别。

44、进一步的，所述地图构建与定位模块按以下方式构建三维点云地图，

45、其中为时刻的原始激光点云；为由位姿状态确定的空间变换矩阵；并按以下方式生成二维栅格地图；

46、

47、其中表示第个栅格单元的占据状态，为三维点云中的点，为点的三维坐标，为高度阈值，用于区分可通行区域与障碍物；

48、所述点云配准采用迭代最近点算法，通过最小化目标函数

49、

50、其中，为旋转矩阵，为平移向量；、为最近邻点对；

51、通过迭代优化得到最优位姿修正量：，其中表示位姿复合运算，为预测状态，实现厘米级定位精度。

52、所述地图构建与定位模块采用激光惯导融合的位姿估计模型，设机器狗在时刻的状态向量为：，

53、其中表示机器人在地铁站坐标系下的位置；表示姿态四元数；表示速度；、分别表示加速度计与陀螺仪偏置；

54、通过imu的连续积分实现状态预测：，其中为imu观测量；通过点云匹配误差对预测状态进行校正，获得位姿估计。

55、进一步的，所述地图构建与定位模块采用分层路径规划：

56、所述地图构建与定位模块将地铁站内部空间抽象为带权有向图，

57、其中：为巡检点位的集合；

58、为巡检路径边的集合

59、边权wij表示机器狗从巡检点位vi移动至点位vj的权重。

60、巡检点位通过雷达点云与视觉信息融合标定，定义为：

61、其中为该点位对应的巡检任务类型（门状态监测、异物检测、环境检测）；

62、全局路径规划层基于所述二维栅格地图生成覆盖全部巡检点位的巡检路径，路径代价函数为

63、,

64、其中：表示路径长度代价；表示障碍物距离代价；为权重系数；

65、局部路径规划层结合实时激光点云感知信息进行动态避障，避障约束条件为,

66、其中：为动态障碍物位置；为机器狗当前位置;为安全距离阈值;

67、底层运动控制层将规划路径转化为运动控制指令,其中为线速度，为角速度。

68、进一步的，所述环境传感器包括气体传感器和温湿度传感器；环境异常向量定义为：

69、

70、为检测的第i类气体的实时浓度，为该气体在站内的安全阈值。

71、当任一种气体的实时浓度超过其安全阈值时，即

72、

73、时，确定环境异常。

74、进一步的，所述数据采集层还包括数据预处理单元，被配置为：对激光雷达点云数据进行去噪、下采样与坐标对齐处理，对视频与图像数据进行畸变校正、亮度均衡与分辨率统一处理，对环境传感器数据进行滤波、异常值剔除与时间同步处理，以对齐多源传感器数据的时间尺度和空间尺度。

75、与现有技术相比，本发明的有益效果是：

76、1.多传感器深度融合感知：通过在巡检机器狗上集成激光雷达、可见光/红外摄像机及环境传感器，并对多源数据进行统一的去噪、时间同步及格式标准化预处理，构建了高一致性的多模态感知数据集，有效解决了不同传感器在时间、空间及尺度上的不匹配问题，实现了对车站环境立体化、多维度的高可靠感知。

77、2.高精度设备状态识别：采用yolov8模型对车辆门、站台门、设备门及遗留物进行快速检测与定位，并进一步引入vision transformer模型对门类设备区域进行全局特征建模与精细化状态判别（关闭、开启、异常），显著提升了复杂光照及遮挡环境下设备状态异常与遗留物识别的准确率及鲁棒性，降低了误报和漏报风险。

78、3.厘米级自主导航：通过激光惯导融合slam技术构建车站大场景三维点云地图，并行生成二维栅格地图，兼顾三维精度与二维计算效率。利用基于迭代最近点的点云配准重定位方法，在柱体密集、特征重复的环境中实现厘米级定位精度。分层路径规划策略将全局寻优、局部动态避障及底层运动控制有机结合，使机器狗能自主生成巡检路径并安全完成定点检测任务。

79、4.智能化异常处置闭环：构建了基于transformer架构的异常分析处理大模型，以多模态异常向量序列为输入，通过自注意力机制学习异常间的关联关系，结合预定义处置动作集合与运营规则约束，自动生成合规的处置建议，实现了异常信息“发现—分析—规范化建议—处置”的闭环管理，大幅提升了异常处置的标准化与智能化水平，降低了对人工经验的依赖。