基于多源数据融合的地铁轨旁障碍物检测方法、系统、存储介质及计算设备与流程

本发明属于城市轨道交通，具体涉及一种基于多源数据融合的地铁轨旁障碍物检测方法、系统、存储介质及计算设备。

背景技术：

1、城市轨道交通高架区间环境复杂，列车运行容易受到外界环境的干扰，如存在树枝、建筑物碎片等物体进入轨道区域的潜在风险。在列车高速运行的背景下，轨道区域的障碍物检测面临复杂环境适应性的挑战。对轨旁障碍物的检测通常采用摄像头、雷达等现有装置。

2、专利cn116654053a公开了一种轨道交通车地协同超视距障碍物检测系统及方法，包括车载障碍物检测主机与障碍物检测传感器、轨旁障碍物检测传感器以及cbtc信号系统。在列车以全自动驾驶模式运营过程中，车载障碍物传感器负责传感器视距内障碍物检测并将检测结果上传至车载障碍物检测主机，轨旁传感器负责车载传感器视距外障碍物检测并将结果通过twc无线通信上传至车载障碍物检测主机。通过车载障碍物传感器、轨旁传感器及车载障碍物检测主机检测列车运行前方视距内、外的障碍物，将检测信息综合智能运算与判断后上传至车载atc以及轨旁atc、cbi、ats、综合监控子系统，实现列车运行过程中可靠的障碍物检测功能，极大的提高了列车运行安全防护性能及运行效率。但是，上述技术方案依赖于多个传感器数据采集和传输，存在数据传输延迟、传感器误差等技术问题。

3、针对上述技术问题，专利cn120229281a公开了一种地铁线路异物侵限的识别方法，包括如下步骤：（1）、沿地铁轨道线路分别设置轨旁监控、定位、计算和通信装置，用于识别并上传轨旁监控异物侵限结果，并构建地铁轨道线路模拟地图；（2）、将图像探测装置和雷达探测装置设置到地铁车头部，用于拍摄地铁行进方向的实时视野图像，并探测得到地铁行进方向的实时雷达数据；（3）、利用地铁车载计算装置中的视野图像异物检测神经网络对实时视野图像进行识别检测，得到视野图像特征检测结果；（4）、根据卡尔曼滤波算法，利用地铁车载计算装置对实时雷达数据进行识别监测，得到当前雷达探测物体位置；（5）、根据数据同步频率，利用地铁车载计算装置将当前雷达探测物体位置和视野图像特征检测结果进行目标位置融合，得到车载侵限探测结果；（6）、地铁车载计算装置结合传车载侵限探测结果和轨旁监控异物侵限结果，在地铁轨道线路模拟地图上进行映射告警。上述技术方案解决了因采用多个传感器采集数据而出现的数据传输延迟、传感器误差的技术问题。但是，其图像探测装置和雷达探测装置设置到地铁车头部，当列车运行至弯道、坡道、隧道口时，存在视野盲区，影响检测结果的准确性；同时，列车运行过程中产生的振动，也会对检测结果造成干扰，进而出现误报的情况。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于多源数据融合的地铁轨旁障碍物检测方法、系统、存储介质及计算设备，提升对地铁高架轨道旁障碍物检测结果的准确性。

2、本发明解决其技术问题所采用的技术方案是：基于多源数据融合的地铁轨旁障碍物检测方法，在地铁高架轨道的两侧设置多个检测装置，地铁高架轨道每侧的多个检测装置沿地铁高架轨道线路两两相距布置，检测装置包括安装于轨道外侧方的立杆，以及安装于立杆上的多组检测组件，多组检测组件沿立杆的周向布置、且均朝向列车通行空间，每组检测组件均包括配合使用的激光雷达、毫米波雷达、红外光栅和摄像头；包括以下步骤：

3、s1，多源数据采集：当列车经过任一检测组件相对应的检测区域时，列车控制系统向负责该检测区域的激光雷达、毫米波雷达、红外光栅和摄像头发送停止检测指令；待列车完全驶离该检测区域后，列车控制系统向负责该检测区域的激光雷达、毫米波雷达、红外光栅和摄像头发送开始检测指令，通过激光雷达采集障碍物的三维点云数据，通过毫米波雷达采集障碍物的到轨距离数据和速度数据，通过红外光栅采集障碍物的位置触发数据，通过摄像头采集轨旁图像数据；

4、s2，多源数据预处理：对三维点云数据、到轨距离数据、速度数据、位置触发数据和轨旁图像数据进行预处理；

5、s3，多源数据融合与逻辑判断：采用自适应动态卡尔曼滤波算法、改进欧式聚类算法与分层匹配匈牙利算法，对预处理后的三维点云数据、到轨距离数据、速度数据、位置触发数据和轨旁图像数据进行深度融合，剔除无效干扰数据后，得到障碍物的轮廓数据、位置数据、运动轨迹数据及类型数据；同时，结合从列车控制系统获取的列车位置信息，以及从联锁系统获取的列车进路信息及信号机显示信息，判断障碍物是否位于列车行驶路径上、以及是否存在碰撞风险，形成最终检测结果。

6、进一步的，所述步骤s1中，通过红外光栅的发送端与接收端形成位于轨道外侧方的竖向设置的防护光幕，防护光幕所在的平面垂直于轨道的竖直断面；当障碍物沿靠近轨道的方向通过防护光幕内时，红外光栅采集障碍物的位置触发数据。

7、进一步的，所述步骤s2，对三维点云数据、到轨距离数据、速度数据、位置触发数据和轨旁图像数据进行滤波、降噪、杂波抑制和时空同步处理。

8、进一步的，所述步骤s2中，对三维点云数据、到轨距离数据、速度数据、位置触发数据和轨旁图像数据进行时空同步处理具体包括以下步骤：采用ptp时间同步与轨道线路绝对坐标归一化的双维度校准方案，对三维点云数据、到轨距离数据、速度数据、位置触发数据和轨旁图像数据进行统一时空对齐。

9、进一步的，所述步骤s3中的自适应动态卡尔曼滤波算法具体包括以下步骤：

10、系统状态向量定义为；

11、其中，x、y、z分别为障碍物在轨道坐标系中的横向位置（即在水平面内垂直于轨道延伸方向）、纵向位置（即沿轨道延伸方向）和垂直位置（即障碍物底部距轨面的位置高度）；

12、vx、vy、vz分别为障碍物在横向、纵向和垂直方向上的速度分量；

13、w为障碍物的宽度；

14、h为障碍物的高度；

15、l为障碍物的长度；

16、状态更新方程为；

17、其中，为时刻的系统状态向量；

18、为时刻的系统状态向量；

19、为状态转移矩阵；

20、为时刻的过程噪声向量；服从均值为零、协方差矩阵为的高斯分布，即；

21、观测方程为；

22、其中，为时刻的观测向量；

23、为时刻的系统状态向量；

24、h为观测矩阵；

25、为时刻的观测噪声向量；服从均值为零、协方差矩阵为的高斯分布，即；

26、观测向量按激光雷达、毫米波雷达、红外光栅和摄像头的特性进行加权融合：

27、；

28、其中，为激光雷达的原始观测向量；

29、为毫米波雷达的原始观测向量；

30、为红外光栅的原始观测向量；

31、为摄像头的原始观测向量；

32、ω_lidar为激光雷达的权重系数；

33、ω_radar为毫米波雷达的权重系数；

34、ω_infrared为红外光栅的权重系数；

35、ω_camera为摄像头的权重系数；

36、激光雷达、毫米波雷达、红外光栅和摄像头的权重系数，根据各自在对应观测维度上的精度和可靠性确定，满足条件；

37、在标准卡尔曼滤波框架中，过程噪声协方差矩阵出现在状态更新方程的协方差预测步骤中：

38、；

39、观测噪声协方差矩阵出现在卡尔曼增益计算步骤中：

40、；

41、以及状态更新步骤中：

42、；

43、；

44、其中，为时刻的先验估计协方差矩阵；

45、为时刻的后验估计协方差矩阵；

46、为卡尔曼增益矩阵；

47、为时刻的后验估计协方差矩阵；

48、根据雨、雪、雾、强光等环境状态，通过环境感知模块实时评估当前工况，动态调整和的取值。

49、进一步的，所述步骤s3中的改进欧式聚类算法具体包括以下步骤：

50、首先，通过地面滤波剔除固定背景的三维点云数据，固定背景包括轨道床、轨面和扣件；

51、再，依据地铁车辆限界参数过滤非侵限区域点云，仅保留满足轨道限界约束：

52、；

53、其中，为点云中任意一点在轨道坐标系中的空间位置向量，，为横向位置，为纵向位置，为垂直位置；

54、为点到轨道中心线的空间距离函数；

55、为地铁车辆限界阈值，根据地铁设计规范中车辆限界要求确定，仅当点云到轨道中心线的距离不超过该限界阈值时，该点云才可能对列车运行构成侵限威胁，应予保留；超出限界的点云予以滤除；

56、最后，采用动态邻域阈值完成障碍物聚类，判定规则为：

57、；

58、其中，和为点云中任意两个点；

59、为点与点之间的欧氏距离，；

60、为点到激光雷达传感器或到轨道中心线的距离；

61、为动态邻域阈值函数，与距离成正比关系，即，其中为基础邻域阈值，为比例系数；满足上述判定规则的点归为同一目标，输出障碍物三维包围盒、中心点坐标与轮廓信息。

62、进一步的，所述步骤s3中的分层匹配匈牙利算法采用三层级渐进关联策略；

63、第一层，以激光雷达与毫米波雷达的目标欧氏距离、以及检测框交并比构建目标关联代价矩阵，完成三维点云数据、到轨距离数据与速度数据的初步关联，建立目标候选匹配对；

64、其中，为第个目标与第个目标之间的归一化欧氏距离，；

65、为第个目标与第个目标的检测框交并比，；

66、为欧氏距离项的加权系数；

67、为交并比项的加权系数；

68、满足条件；

69、第二层，融入红外光栅的位置触发数据，对第一层输出的候选匹配对进行强制校验；

70、第三层，结合轨旁图像数据的语义分割结果，对第二层确认的目标进行轮廓、位置、运动轨迹及类型的最终匹配，为同一障碍物绑定全区间唯一id。

71、基于多源数据融合的地铁轨旁障碍物检测系统，采用基于多源数据融合的地铁轨旁障碍物检测方法，包括多源数据采集模块、多源数据预处理模块和数据融合与逻辑判断模块；

72、所述多源数据采集模块，配置于，当列车经过任一检测组件相对应的检测区域时，列车控制系统向负责该检测区域的激光雷达、毫米波雷达、红外光栅和摄像头发送停止检测指令；待列车完全驶离该检测区域后，列车控制系统向负责该检测区域的激光雷达、毫米波雷达、红外光栅和摄像头发送开始检测指令，通过激光雷达采集障碍物的三维点云数据，通过毫米波雷达采集障碍物的到轨距离数据和速度数据，通过红外光栅采集障碍物的位置触发数据，通过摄像头采集轨旁图像数据；

73、所述多源数据预处理模块，配置于，对三维点云数据、到轨距离数据、速度数据、位置触发数据和轨旁图像数据进行预处理；

74、所述数据融合与逻辑判断模块，配置于，采用自适应动态卡尔曼滤波算法、改进欧式聚类算法与分层匹配匈牙利算法，对预处理后的三维点云数据、到轨距离数据、速度数据、位置触发数据和轨旁图像数据进行深度融合，剔除无效干扰数据后，得到障碍物的轮廓数据、位置数据、运动轨迹数据及类型数据；同时，结合从列车控制系统获取的列车位置信息，以及从联锁系统获取的列车进路信息及信号机显示信息，判断障碍物是否位于列车行驶路径上、以及是否存在碰撞风险，形成最终检测结果。

75、存储介质，其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基于多源数据融合的地铁轨旁障碍物检测方法的步骤。

76、计算设备，包括存储器、处理器、以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现基于多源数据融合的地铁轨旁障碍物检测方法。

77、与现有技术相比，本发明的有益效果是：本发明提供一种基于多源数据融合的地铁轨旁障碍物检测方法、系统、存储介质及计算设备，提升对地铁高架轨道旁障碍物检测结果的准确性。具体来说具有以下优势：

78、（1）消除检测盲区，实现全区间覆盖：通过在轨旁设置高密度的传感器设备，严格按照规范控制传感器间距，在弯道、坡道、隧道口等复杂区段实现无死角监测，解决了现有车载系统视野盲区大、传统轨旁系统覆盖不连续的问题；

79、（2）提升检测精度，降低误报漏检率：采用激光雷达、毫米波雷达、红外光栅和摄像头的多传感器融合机制，发挥各传感器互补优势，结合ai增强算法，大幅度降低误报漏检率。

80、（3）增强环境适应性，提升实时性：可适应高温、暴雨、大雾、夜间等各类复杂工况；处理器采用高性能cpu和gpu，数据处理延迟控制在50ms以内，响应速度较现有系统提升50%以上，满足列车高速运行的实时性防护需求。

81、（4）降低运维成本，提升系统可靠性：可实时监测自身运行状态，安全完整性等级达到sil4级，可有效避免单点故障导致的系统失效，进而还能保障无人驾驶列车的运营安全。

82、（5）优化运营效率，适配无人驾驶需求：可实时将障碍物信息反馈至列车控制系统，实现列车主动减速、制动等防护动作，无需人工干预，为无人驾驶列车的安全运营提供可靠保障，同时减少因障碍物导致的线路中断，提升城市轨道交通运营效率。