توسعه فناوری های بدون سرنشین در حمل و نقل ریلی

توسعه فناوری‌های بدون سرنشین در راه‌آهن مدت‌ها پیش آغاز شد، در سال 1957، زمانی که اولین سیستم هدایت خودکار آزمایشی برای قطارهای شهری ایجاد شد. برای درک تفاوت بین سطوح اتوماسیون برای حمل و نقل ریلی، یک درجه بندی معرفی شده است که در استاندارد IEC-62290-1 تعریف شده است. برخلاف حمل و نقل جاده ای، حمل و نقل ریلی دارای 4 درجه اتوماسیون است که در شکل 1 نشان داده شده است.

شکل 1. درجات اتوماسیون مطابق با IEC-62290

تقریباً تمام قطارهایی که در شبکه راه‌آهن روسیه کار می‌کنند مجهز به دستگاه ایمنی مربوط به سطح اتوماسیون 1 هستند. قطارهای دارای سطح اتوماسیون 2 بیش از 20 سال است که با موفقیت در شبکه راه‌آهن روسیه کار می‌کنند؛ چندین هزار لوکوموتیو مجهز شده‌اند. این سطح از طریق الگوریتم‌های کنترل کشش و ترمز برای رانندگی بهینه انرژی قطار در طول یک مسیر مشخص، با در نظر گرفتن زمان‌بندی و قرائت سیستم‌های سیگنال دهی خودکار لوکوموتیو دریافت شده از طریق یک کانال القایی از مدارهای مسیر، پیاده‌سازی می‌شود. استفاده از سطح 2 خستگی راننده را کاهش می دهد و مزایایی در مصرف انرژی و دقت اجرای برنامه دارد.

سطح 3 عدم حضور راننده در کابین را فرض می کند که مستلزم اجرای یک سیستم دید فنی است.

سطح 4 غیبت کامل راننده در هواپیما را فرض می کند که نیاز به تغییر قابل توجهی در طراحی لوکوموتیو (قطار برقی) دارد. به عنوان مثال، قطع کننده های مدار در هواپیما وجود دارد که در صورت خاموش شدن بدون حضور شخصی، تنظیم مجدد نمی شود.

در حال حاضر پروژه هایی برای دستیابی به سطوح 3 و 4 توسط شرکت های پیشرو در جهان مانند زیمنس، آلستوم، تالس، SNCF، SBB و غیره در حال اجراست.

زیمنس پروژه خود را در زمینه ترامواهای بدون راننده در سپتامبر 2018 در نمایشگاه Innotrans ارائه کرد. این تراموا با سطح اتوماسیون GoA3 از سال 2018 در پوتسدام راه اندازی شده است.

شکل 2 تراموا زیمنس
در سال 2019، زیمنس طول مسیر بدون سرنشین را بیش از 2 برابر افزایش داد.
شرکت راه آهن روسیه یکی از اولین شرکت هایی در جهان بود که شروع به توسعه وسایل نقلیه ریلی بدون سرنشین کرد. بنابراین، در ایستگاه Luzhskaya در سال 2015، پروژه ای برای خودکارسازی حرکت 3 لوکوموتیو شنتینگ راه اندازی شد، جایی که NIIAS JSC به عنوان یکپارچه کننده پروژه و توسعه دهنده فناوری های اساسی عمل کرد.

ایجاد یک لوکوموتیو بدون سرنشین یک فرآیند پیچیده و پیچیده است که بدون همکاری با سایر شرکت ها غیر ممکن است. بنابراین، در ایستگاه Luzhskaya، همراه با JSC NIIAS، شرکت های زیر شرکت می کنند:

• JSC "VNIKTI" از نظر توسعه سیستم کنترل داخلی؛
• زیمنس - از نظر خودکارسازی عملیات قوز (سیستم MSR-32) و خودکار کردن عملیات هل دادن اتومبیل ها.
• JSC Radioavionics از نظر سیستم های متمرکز ریزپردازنده که سوئیچ ها و چراغ های راهنمایی را کنترل می کنند.
• PKB CT - ایجاد یک شبیه ساز.
• JSC راه آهن روسیه به عنوان هماهنگ کننده پروژه.

در مرحله اول، کار دستیابی به سطح 2 اتوماسیون ترافیک بود، زمانی که راننده، در شرایط عادی برای سازماندهی کار شنت، از کنترل های لوکوموتیو استفاده نمی کند.

هنگام کار با لوکوموتیوهای معمولی، کنترل ترافیک با انتقال دستورات صوتی از دیسپچر به راننده با تنظیم مسیرهای مناسب (سوئیچ های متحرک، روشن کردن چراغ های راهنمایی) انجام می شود.

هنگام انتقال به سطح 2 اتوماسیون، تمام ارتباطات صوتی با سیستمی از دستورات منتقل شده از طریق یک کانال رادیویی امن دیجیتال جایگزین شد. از نظر فنی، کنترل لوکوموتیوهای شنتینگ در ایستگاه Luzhskaya بر اساس موارد زیر ساخته شده است:

• مدل دیجیتال یکپارچه ایستگاه؛
• پروتکل کنترل حرکت لوکوموتیوهای شنتینگ (برای ارسال دستورات و نظارت بر اجرا).
• تعامل با سیستم متمرکز الکتریکی برای به دست آوردن اطلاعات در مورد مسیرهای داده شده، موقعیت فلش ها و سیگنال ها.
• سیستم های موقعیت یابی برای لکوموتیوهای شنتینگ؛
• ارتباطات رادیویی دیجیتال قابل اعتماد

تا سال 2017، 3 لوکوموتیو شنتینگ TEM-7A در 95٪ مواقع در ایستگاه Luzhskaya در حالت کاملاً خودکار کار می کردند و عملیات زیر را انجام می دادند:

• حرکت خودکار در طول یک مسیر مشخص؛
• دسترسی خودکار به خودروها؛
• کوپلینگ اتوماتیک با واگن؛
• هل دادن ماشین ها روی کوهان.

در سال 2017، پروژه ای برای ایجاد سیستم دید فنی برای لکوموتیوهای شنتینگ و معرفی کنترل از راه دور در مواقع اضطراری راه اندازی شد.

در نوامبر 2017، متخصصان JSC NIIAS اولین نمونه اولیه یک سیستم دید فنی را بر روی لوکوموتیوهای شنتینگ، متشکل از رادار، لیدار و دوربین نصب کردند (شکل 3).

شکل 3 اولین نسخه از سیستم های بینایی فنی

در طی آزمایشات سیستم بینایی فنی در ایستگاه لوگا در سال 2017 - 2018، نتایج زیر حاصل شد:

• استفاده از رادارها برای تشخیص موانع غیرعملی است، زیرا راه آهن دارای تعداد قابل توجهی اجسام فلزی با بازتاب خوب است. برد تشخیص افراد در پس زمینه آنها از 60-70 متر تجاوز نمی کند، علاوه بر این، رادارها وضوح زاویه ای کافی ندارند و حدود 1 درجه است. یافته های ما متعاقباً با نتایج آزمایش همکاران SNCF (اپراتور راه آهن فرانسه) تأیید شد.
• لیدارها نتایج بسیار خوبی با کمترین نویز ارائه می دهند. در صورت بارش برف، باران یا مه، کاهش غیر بحرانی در محدوده تشخیص اشیا مشاهده می شود. با این حال، در سال 2017، لیدارها بسیار گران بودند که به طور قابل توجهی بر عملکرد اقتصادی پروژه تأثیر گذاشت.
• دوربین ها یک عنصر ضروری از یک سیستم بینایی فنی هستند و برای تشخیص، طبقه بندی اشیا و وظایف کنترل از راه دور ضروری هستند. برای کار در شب و در شرایط سخت آب و هوایی، داشتن دوربین های مادون قرمز یا دوربین هایی با دامنه طول موج گسترده که می توانند در محدوده نزدیک به مادون قرمز کار کنند ضروری است.

وظیفه اصلی بینایی فنی تشخیص موانع و سایر اشیاء در مسیر است و از آنجایی که حرکت در طول مسیر انجام می شود، تشخیص آن ضروری است.

شکل 4. نمونه ای از تقسیم بندی چند کلاسه (پیست، اتومبیل) و تعیین محور مسیر با استفاده از یک ماسک باینری

شکل 4 نمونه ای از تشخیص شیار را نشان می دهد. به منظور تعیین بدون ابهام مسیر حرکت در امتداد فلش ها، از اطلاعات پیشینی در مورد موقعیت پیکان و قرائت چراغ راهنمایی استفاده می شود که از طریق یک کانال رادیویی دیجیتال از سیستم متمرکز الکتریکی منتقل می شود. در حال حاضر، در راه‌آهن‌های جهان روندی وجود دارد که چراغ‌های راهنمایی را کنار بگذارند و از طریق کانال رادیویی دیجیتال به سیستم‌های کنترلی روی بیاورند. این امر به ویژه در مورد ترافیک با سرعت بالا صادق است، زیرا در سرعت های بیش از 200 کیلومتر در ساعت، تشخیص و تشخیص چراغ های راهنمایی دشوار می شود. در روسیه، دو بخش بدون استفاده از چراغ راهنمایی کار می کنند - دایره مرکزی مسکو و خط Alpika-Service - Adler.

در زمستان، شرایطی ممکن است ایجاد شود که مسیر کاملاً زیر پوشش برف باشد و شناسایی مسیر تقریباً غیرممکن شود، همانطور که در شکل 5 نشان داده شده است.

شکل 5 نمونه ای از مسیر پوشیده از برف

در این صورت مشخص نمی شود که آیا اجسام کشف شده در حرکت لوکوموتیو اختلال ایجاد می کنند، یعنی در مسیر هستند یا خیر. در این مورد، در ایستگاه Luzhskaya، یک مدل دیجیتالی با دقت بالا از ایستگاه و یک سیستم ناوبری با دقت بالا استفاده می شود.

علاوه بر این، مدل دیجیتالی ایستگاه بر اساس اندازه‌گیری‌های ژئودتیکی نقاط پایه ایجاد شد. سپس بر اساس پردازش بسیاری از معابر لکوموتیوها با سیستم موقعیت یابی با دقت بالا، نقشه ای در امتداد تمامی مسیرها تکمیل شد.

شکل 6 مدل دیجیتال توسعه مسیر ایستگاه Luzhskoy

یکی از مهمترین پارامترهای سیستم موقعیت یابی روی برد، خطا در محاسبه جهت (آزیموت) لوکوموتیو است. جهت گیری لوکوموتیو برای جهت گیری صحیح سنسورها و اشیاء شناسایی شده توسط آنها ضروری است. با خطای زاویه جهت 1 درجه، خطا در مختصات جسم نسبت به محور مسیر در فاصله 100 متری 1,7 متر خواهد بود.

شکل 7 اثر خطای جهت گیری بر خطای مختصات جانبی

بنابراین حداکثر خطای مجاز در اندازه گیری جهت زاویه ای لکوموتیو نباید از 0,1 درجه بیشتر شود. سیستم موقعیت یابی آنبورد خود از دو گیرنده ناوبری دو فرکانس در حالت RTK تشکیل شده است که آنتن های آنها در تمام طول لوکوموتیو برای ایجاد یک پایه بلند، سیستم ناوبری اینرسی پایین و اتصال به سنسورهای چرخ (کیلومتر سنج) فاصله دارند. انحراف معیار در تعیین مختصات لوکوموتیو شنتینگ بیش از 5 سانتی متر نیست.

علاوه بر این، در ایستگاه Luzhskaya، تحقیقاتی در مورد استفاده از فناوری‌های SLAM (لیدار و بصری) برای به دست آوردن اطلاعات مکان اضافی انجام شد.
در نتیجه، تعیین مسیر راه‌آهن برای لکوموتیوهای شنتینگ در ایستگاه Luzhskaya با ترکیب نتایج شناسایی مسیر و داده‌های مدل دیجیتالی مسیر مبتنی بر موقعیت‌یابی انجام می‌شود.

تشخیص موانع نیز به روش های مختلفی انجام می شود بر اساس موارد زیر:

• داده های لیدار؛
• داده های دید استریو؛
• بهره برداری از شبکه های عصبی

یکی از منابع اصلی داده لیدارها هستند که از اسکن لیزری ابر نقطه ای تولید می کنند. الگوریتم‌های در حال استفاده عمدتاً از الگوریتم‌های کلاسیک خوشه‌بندی داده استفاده می‌کنند. به عنوان بخشی از این تحقیق، اثربخشی استفاده از شبکه‌های عصبی برای کار خوشه‌بندی نقاط لیدار، و همچنین برای پردازش مشترک داده‌های لیدار و داده‌های دوربین‌های ویدئویی، آزمایش می‌شود. شکل 8 نمونه ای از داده های لیدار (ابر نقاط با بازتاب متفاوت) را نشان می دهد که مانکن یک شخص را در پس زمینه یک کالسکه در ایستگاه Luzhskaya نشان می دهد.

شکل 8. نمونه ای از داده های لیدار در ایستگاه لوژسکوی

شکل 9 نمونه ای از شناسایی یک خوشه از یک ماشین پیچیده شکل را با استفاده از داده های دو لیدار مختلف نشان می دهد.

شکل 9. نمونه ای از تفسیر داده های لیدار در قالب یک خوشه از یک ماشین قیف

به طور جداگانه، شایان ذکر است که اخیراً هزینه لیدارها تقریباً یک مرتبه کاهش یافته است و مشخصات فنی آنها افزایش یافته است. شکی نیست که این روند ادامه خواهد داشت. برد تشخیص اشیاء توسط لیدارهای مورد استفاده در ایستگاه Luzhskaya حدود 150 متر است.

یک دوربین استریو با استفاده از اصول فیزیکی متفاوت نیز برای تشخیص موانع استفاده می شود.

شکل 10. نقشه نابرابری از یک جفت استریو و خوشه های شناسایی شده

شکل 10 نمونه ای از داده های دوربین استریو با تشخیص قطب ها، جعبه های مسیر و کالسکه را نشان می دهد.

برای به دست آوردن دقت کافی ابر نقطه در فاصله کافی برای ترمز، استفاده از دوربین های با وضوح بالا ضروری است. افزایش اندازه تصویر هزینه محاسباتی بدست آوردن نقشه اختلاف را افزایش می دهد. با توجه به شرایط لازم برای منابع اشغال شده و زمان پاسخگویی سیستم، توسعه و آزمایش مداوم الگوریتم ها و رویکردهای استخراج داده های مفید از دوربین های فیلمبرداری ضروری است.

بخشی از آزمایش و تأیید الگوریتم ها با استفاده از شبیه ساز راه آهن انجام می شود که توسط PKB TsT همراه با JSC NIIAS در حال توسعه است. به عنوان مثال، شکل 11 استفاده از یک شبیه ساز برای آزمایش عملکرد الگوریتم های دوربین استریو را نشان می دهد.

شکل 11. A، B - فریم های چپ و راست از شبیه ساز. ب - نمای بالایی از بازسازی داده ها از یک دوربین استریو. د - بازسازی تصاویر دوربین استریو از شبیه ساز.

وظیفه اصلی شبکه های عصبی تشخیص افراد، خودروها و طبقه بندی آنهاست.
برای کار در شرایط آب و هوایی سخت، متخصصان JSC NIIAS آزمایش هایی را با استفاده از دوربین های مادون قرمز انجام دادند.

شکل 12. داده های دوربین IR

داده های همه حسگرها بر اساس الگوریتم های ارتباطی یکپارچه می شوند، جایی که احتمال وجود موانع (اشیاء) ارزیابی می شود.

علاوه بر این، همه اشیاء موجود در مسیر مانع نیستند؛ هنگام انجام عملیات شنت، لوکوموتیو باید به طور خودکار با اتومبیل ها جفت شود.

شکل 13. نمونه ای از تجسم رویکرد به خودرو با تشخیص مانع توسط سنسورهای مختلف

هنگام کار با لوکوموتیوهای شنتینگ بدون سرنشین، بسیار مهم است که به سرعت درک کنید که در مورد تجهیزات چه اتفاقی می افتد و در چه وضعیتی قرار دارد. زمانی که حیوانی مانند سگ در جلوی لوکوموتیو ظاهر می شود، موقعیت ها نیز ممکن است. الگوریتم‌های سواری به‌طور خودکار لوکوموتیو را متوقف می‌کنند، اما اگر سگ از مسیر خارج نشود، چه باید کرد؟

برای نظارت بر وضعیت روی هواپیما و تصمیم گیری در مواقع اضطراری، یک کنترل از راه دور ثابت و پانل مانیتورینگ ایجاد شده است که برای کار با تمام لوکوموتیوهای بدون سرنشین در ایستگاه طراحی شده است. در ایستگاه Luzhskaya در پست EC واقع شده است.

شکل 14 کنترل و نظارت از راه دور

در ایستگاه Luzhskoy، صفحه کنترل نشان داده شده در شکل 14 عملکرد سه لوکوموتیو شنتینگ را کنترل می کند. در صورت لزوم، با استفاده از این کنترل از راه دور می توانید یکی از لوکوموتیوهای متصل را با انتقال اطلاعات در زمان واقعی (با در نظر گرفتن انتقال داده ها از طریق کانال رادیویی تاخیر بیش از 300 میلی ثانیه) کنترل کنید.

مسائل ایمنی عملکردی

مهمترین موضوع در هنگام معرفی لوکوموتیوهای بدون سرنشین، موضوع ایمنی عملکردی است که توسط استانداردهای IEC 61508 "ایمنی عملکردی سیستم های الکترونیکی الکتریکی، الکترونیکی، قابل برنامه ریزی مرتبط با ایمنی" (EN50126، EN50128، EN50129)، GOST 33435-2015 تعریف شده است. برای کنترل، نظارت و ایمنی تراکم نورد راه آهن».

مطابق با الزامات دستگاه های ایمنی روی برد، سطح یکپارچگی ایمنی 4 (SIL4) باید به دست آید.

برای انطباق با سطح SIL-4، تمام دستگاه های ایمنی لوکوموتیو موجود با استفاده از منطق اکثریت ساخته می شوند، که در آن محاسبات به صورت موازی در دو کانال (یا بیشتر) انجام می شود و نتایج برای تصمیم گیری مقایسه می شوند.

واحد محاسباتی برای پردازش داده های حسگرهای لوکوموتیوهای بدون سرنشین نیز با استفاده از یک طرح دو کاناله با مقایسه نتیجه نهایی ساخته شده است.

استفاده از سنسورهای بینایی، عملکرد در شرایط آب و هوایی مختلف و در محیط های مختلف، نیازمند رویکردی جدید به موضوع اثبات ایمنی خودروهای بدون سرنشین است.

در سال 2019 استاندارد ISO/PAS 21448 «وسایل نقلیه جاده ای. امنیت توابع تعریف شده (SOTIF). یکی از اصول اصلی این استاندارد رویکرد سناریو است که رفتار سیستم را در شرایط مختلف بررسی می کند. تعداد کل سناریوها بیانگر بی نهایت است. چالش اصلی طراحی، به حداقل رساندن مناطق 2 و 3 است که سناریوهای ناامن شناخته شده و سناریوهای ناامن ناشناخته را نشان می دهند.

شکل 15 تغییر سناریوها در نتیجه توسعه

به عنوان بخشی از کاربرد این رویکرد، متخصصان JSC NIIAS تمام موقعیت‌های نوظهور (سناریوها) را از زمان شروع عملیات در سال 2017 تجزیه و تحلیل کردند. برخی از موقعیت‌هایی که در عملیات واقعی به سختی مواجه می‌شوند، با استفاده از شبیه‌ساز PKB CT کار می‌کنند.

مسائل نظارتی

برای اینکه واقعاً به طور کامل به کنترل کاملاً خودکار بدون حضور راننده در کابین لوکوموتیو تغییر دهید ، باید مسائل نظارتی نیز حل شود.

در حال حاضر، JSC راه آهن روسیه برنامه ای را برای اجرای کار در زمینه پشتیبانی نظارتی برای اجرای اقدامات برای اجرای سیستم های کنترلی برای سهام نورد راه آهن در حالت خودکار تصویب کرده است. یکی از مهمترین موضوعات به روز رسانی آیین نامه نحوه رسیدگی رسمی و ثبت حوادث حمل و نقلی است که منجر به آسیب به جان یا سلامت شهروندان غیر مرتبط با تولید در حمل و نقل ریلی شده است. بر اساس این طرح، در سال 2021 بسته ای از اسناد تنظیم کننده عملکرد وسایل نقلیه راه آهن بدون سرنشین باید تدوین و تصویب شود.

پس از کلمه

در حال حاضر هیچ مشابهی در دنیای لوکوموتیوهای شنتینگ بدون سرنشین که در ایستگاه Luzhskaya کار می کنند وجود ندارد. متخصصانی از فرانسه (شرکت SNCF)، آلمان، هلند (شرکت Prorail)، بلژیک (شرکت Lineas) در سال 2018-2019 با سیستم کنترل توسعه یافته آشنا شده و علاقه مند به پیاده سازی سیستم های مشابه هستند. یکی از وظایف اصلی JSC NIIAS گسترش عملکرد و تکرار سیستم مدیریت ایجاد شده هم در راه آهن روسیه و هم برای شرکت های خارجی است.

در حال حاضر، JSC راه آهن روسیه همچنین پروژه توسعه قطارهای الکتریکی بدون سرنشین "Lastochka" را هدایت می کند. شکل 16 نمایشی از نمونه اولیه سیستم کنترل خودکار برای قطار الکتریکی ES2G Lastochka در آگوست 2019 در چارچوب را نشان می دهد. فضای سالن راه آهن بین المللی 1520 "PRO//Movement.Expo".

شکل 16. نمایش عملکرد قطار الکتریکی بدون سرنشین در MCC

ایجاد قطار الکتریکی بدون سرنشین به دلیل سرعت بالا، فواصل ترمز قابل توجه و اطمینان از سوار شدن/پیاده شدن ایمن مسافران در نقاط توقف، کار بسیار دشوارتری است. در حال حاضر، آزمایش به طور فعال در MCC در حال انجام است. قرار است در آینده نزدیک داستانی از این پروژه منتشر شود.

منبع: www.habr.com