철도운송 무인기술 개발

철도의 무인 기술 개발은 꽤 오래 전인 1957년에 교외 열차를 위한 최초의 실험적인 자동 조종 장치 단지가 만들어졌을 때 시작되었습니다. 철도 운송을 위한 자동화 수준 간의 차이를 이해하기 위해 IEC-62290-1 표준에 정의된 그라데이션이 도입되었습니다. 도로 운송과 달리 철도 운송에는 그림 4과 같이 1단계의 자동화가 있습니다.

그림 1. IEC-62290에 따른 자동화 등급

러시아 철도 네트워크에서 운행되는 거의 모든 열차에는 자동화 수준 1에 해당하는 안전 장치가 장착되어 있습니다. 자동화 수준 2인 열차는 20년 이상 러시아 철도 네트워크에서 성공적으로 운행되었으며 수천 대의 기관차가 장착되어 있습니다. 이 수준은 트랙 회로에서 유도 채널을 통해 수신된 자동 기관차 신호 시스템의 일정 및 표시를 고려하여 주어진 경로를 따라 에너지 최적화 열차 안내를 위한 트랙션 제어 및 제동 알고리즘에 의해 구현됩니다. 레벨 2를 사용하면 운전자의 피로도가 감소하고 에너지 소비가 증가하며 교통 스케줄 실행의 정확도가 높아집니다.

레벨 3은 운전실에 운전자가 없을 가능성을 가정하며 비전 시스템을 구현해야 합니다.

레벨 4는 기관차(전동 열차)의 설계를 크게 변경해야 하는 운전자가 탑승하지 않음을 의미합니다. 예를 들어, 자동 스위치는 선상에 설치되어 있으며, 선상에 사람이 없으면 다시 작동할 수 없습니다.

현재 Siemens, Alstom, Thales, SNCF, SBB 등과 같은 세계 유수의 기업에서 레벨 3 및 4를 달성하기 위한 프로젝트를 구현하고 있습니다.

Siemens는 2018년 3월 Innotrans 전시회에서 무인 트램 분야의 프로젝트를 발표했습니다. 이 트램은 2018년부터 GoAXNUMX 자동화 수준으로 포츠담에서 운행되고 있습니다.

그림 2 지멘스 트램
2019년에 Siemens는 무인 경로의 길이를 두 배 이상 늘렸습니다.
Russian Railways는 무인 철도 차량 개발을 시작한 세계 최초의 회사 중 하나입니다. 따라서 2015년 Luzhskaya 역에서 NIIAS JSC가 기본 기술의 프로젝트 통합자 및 개발자 역할을 하는 3개의 분기 기관차 이동을 자동화하는 프로젝트가 시작되었습니다.

무인 기관차의 제작은 다른 회사와의 협력 없이는 불가능한 복잡한 복잡한 과정입니다. 따라서 Luzhskaya 역에서 JSC NIIAS와 함께 다음과 같은 회사가 참여합니다.

• 온보드 제어 시스템 개발 측면에서 JSC "VNIKTI";
• Siemens - 마샬링 야드(MSR-32 시스템) 운영 자동화 및 푸싱 카 운영 자동화 측면에서;
• 화살표, 신호등을 제어하는 ​​마이크로 프로세서 연동 시스템 측면에서 JSC "Radioavionika";
• PKB TsT - 시뮬레이터 생성;
• 프로젝트 코디네이터로서의 러시아 철도.

첫 번째 단계에서 임무는 운전자가 분기 작업을 조직하기 위한 정상적인 조건에서 기관차 제어를 사용하지 않을 때 교통 자동화의 레벨 2를 달성하는 것이 었습니다.

기존의 션트 기관차를 운행하는 동안 적절한 경로 (화살표 회전, 신호등 켜기)를 설정하여 디스패처에서 운전자에게 음성 명령을 전송하여 교통 통제가 수행됩니다.

자동화 수준 2로 이동하면 모든 음성 통신이 디지털 보안 무선 채널을 통해 전송되는 명령 시스템으로 대체되었습니다. 기술적으로 Luzhskaya 역의 분기 기관차 관리는 다음을 기반으로 구축되었습니다.

• 통합 디지털 스테이션 모델;
• 션트 기관차의 움직임을 제어하기 위한 프로토콜(명령을 보내고 실행을 모니터링하기 위해);
• 지정된 경로, 화살표 및 신호의 위치에 대한 정보를 얻기 위해 전기 연동 시스템과 상호 작용;
• 기관차를 분로하기 위한 위치 확인 시스템;
• 신뢰할 수 있는 디지털 라디오.

2017년까지 3대의 TEM-7A 분기 기관차가 Luzhskaya 역에서 완전 자동 모드로 95%의 시간 동안 다음과 같은 작업을 수행했습니다.

• 주어진 경로를 따라 자동 이동;
• 마차에 대한 자동 액세스;
• 마차와의 자동 연결;
• 마샬링 야드로 마차를 밀고 있습니다.

2017년에는 기관차 입문용 비전시스템 구축과 비상시 원격제어 도입 프로젝트를 시작했다.

2017년 3월 JSC NIIAS 전문가들은 레이더, 라이다 및 카메라로 구성된 기관차를 우회하기 위한 비전 시스템의 첫 번째 프로토타입을 설치했습니다(그림 XNUMX).

그림 3 비전 시스템의 첫 번째 버전

2017-2018년 Luga 비전 시스템 스테이션에서 테스트하는 동안 다음과 같은 결론이 도출되었습니다.

• 장애물을 감지하기 위해 레이더를 사용하는 것은 비실용적입니다. 철도에는 반사율이 좋은 금속 물체가 상당히 많기 때문입니다. 배경에 대한 사람의 감지 범위는 60-70m를 초과하지 않으며 레이더의 각도 해상도가 충분하지 않고 약 1 °입니다. 우리의 연구 결과는 이후 SNCF(프랑스 철도 운영사) 동료들의 테스트 결과에 의해 확인되었습니다.
• Lidar는 최소한의 노이즈로 매우 좋은 결과를 제공합니다. 강설, 비, 안개의 경우 물체 감지 범위가 심각하지 않게 감소합니다. 그러나 2017년에는 라이더가 상당히 비쌌기 때문에 프로젝트의 경제적 성과에 상당한 영향을 미쳤습니다.
• 카메라는 기술 비전 시스템의 필수 요소이며 감지, 물체 분류 및 원격 제어 작업에 필요합니다. 야간 및 악천후 작업을 위해서는 적외선 카메라 또는 근적외선 범위에서 작동할 수 있는 확장된 파장 범위의 카메라가 필요합니다.

테크니컬 비전의 주요 임무는 이동 방향의 장애물 및 기타 물체를 감지하는 것이며 이동은 트랙을 따라 수행되므로 이를 감지해야 합니다.

그림 4. 이진 마스크를 사용한 다중 클래스 세분화(트랙, 마차) 및 트랙 축 결정의 예

그림 4는 트랙 감지의 예를 보여줍니다. 화살표를 따라 이동 경로를 명확하게 결정하기 위해 전기 연동 시스템에서 디지털 무선 채널을 통해 전송되는 화살표의 위치, 신호등 판독값에 대한 선험적 정보가 사용됩니다. 현재 전 세계 철도에서는 신호등을 버리고 디지털 라디오 채널을 통해 제어 시스템으로 전환하는 추세입니다. 이는 200km/h 이상의 속도에서 신호등 표시를 인지하고 인식하기 어려워지기 때문에 고속 교통의 경우 특히 그렇습니다. 러시아에는 신호등을 사용하지 않고 운영되는 두 구간이 있습니다. 모스크바 중앙선과 Alpika-Service - Adler 노선입니다.

겨울에는 그림 5와 같이 트랙이 눈으로 완전히 덮여 트랙 인식이 거의 불가능해지는 상황이 발생할 수 있습니다.

그림 5 눈으로 덮인 트랙의 예

이 경우 감지된 물체가 기관차의 움직임을 방해하는지, 즉 진행 중인지 여부가 불명확해집니다. 이 경우 Luzhskaya 역에서는 역의 고정밀 디지털 모델과 고정밀 온보드 내비게이션 시스템이 사용됩니다.

또한 스테이션의 디지털 모델은 기준점의 측지 측정을 기반으로 생성되었습니다. 그런 다음 고정밀 포지셔닝 시스템으로 기관차의 많은 통로 처리를 기반으로 모든 트랙을 따라 맵이 완성되었습니다.

그림 6 Luzhskoy 역 선로 개발의 디지털 모델

온보드 포지셔닝 시스템의 가장 중요한 매개변수 중 하나는 기관차의 방향(방위각) 계산 오류입니다. 기관차의 방향은 감지된 센서와 물체의 올바른 방향을 위해 필요합니다. 방향 각도 오류가 1°인 경우 100미터 거리에서 경로 축에 대한 개체 좌표의 오류는 1,7미터입니다.

그림 7 방향 오차가 가로 좌표 오차에 미치는 영향

따라서 기관차의 방향을 각도로 측정할 때 허용 가능한 최대 오차는 0,1°를 넘지 않아야 합니다. 온보드 포지셔닝 시스템 자체는 RTK 모드에서 두 개의 이중 주파수 내비게이션 수신기로 구성되며 안테나는 기관차의 전체 길이를 따라 간격을 두고 긴 베이스, 스트랩 다운 관성 내비게이션 시스템 및 휠 센서(오도미터)에 대한 연결을 생성합니다. 입로 기관차의 좌표를 결정하는 표준 편차는 5cm 이하입니다.

또한 추가 위치 데이터를 얻기 위해 SLAM 기술(lidar 및 시각적) 사용에 대한 연구가 Luzhskaya 스테이션에서 수행되었습니다.
그 결과, Luzhskaya 역에서 분로 기관차에 대한 철도 궤간 결정은 궤간 인식 결과와 포지셔닝 기반 디지털 궤도 모델 데이터를 결합하여 수행됩니다.

장애물 감지는 다음을 기반으로 여러 가지 방법으로 수행됩니다.

• 라이다 데이터;
• 스테레오 비전 데이터;
• 신경망 작업.

데이터의 주요 소스 중 하나는 레이저 스캐닝에서 포인트 클라우드를 생성하는 라이다입니다. 운용중인 알고리즘은 고전적인 데이터 클러스터링 알고리즘을 주로 사용한다. 연구의 일환으로 라이다 포인트를 클러스터링하는 작업과 라이다 데이터 및 비디오 카메라 데이터의 공동 처리를 위해 신경망을 사용하는 효과를 확인합니다. 그림 8은 Luzhskaya 역에서 마차의 배경에 대해 인간 더미를 보여주는 LiDAR 데이터(반사율이 다른 점의 구름)의 예를 보여줍니다.

그림 8. Luzhskaya 역의 LiDAR 데이터 예시

그림 9는 두 개의 서로 다른 라이다의 데이터에 따라 복잡한 형태의 자동차에서 클러스터를 추출한 예를 보여준다.

그림 9. 호퍼 카에서 클러스터로 LiDAR 데이터 해석의 예

이와는 별도로 최근 라이다 비용이 거의 150배 하락했고 기술적 특성이 커졌다는 점은 주목할 가치가 있습니다. 이 추세가 계속될 것이라는 데는 의심의 여지가 없습니다. Luzhskaya 스테이션에서 사용되는 LiDAR의 물체 감지 범위는 약 XNUMXm입니다.

다른 물리적 원리를 사용하는 스테레오 카메라도 장애물을 감지하는 데 사용됩니다.

그림 10. 스테레오쌍과 감지된 클러스터의 시차 맵

그림 10은 폴, 웨이박스 및 마차를 감지한 스테레오 카메라 데이터의 예를 보여줍니다.

충분한 제동 거리에서 포인트 클라우드의 충분한 정확도를 얻으려면 고해상도 카메라를 사용해야 합니다. 이미지 크기를 늘리면 시차 맵을 얻는 계산 비용이 증가합니다. 점유된 리소스와 시스템 응답 시간에 대한 필요 조건으로 인해 비디오 카메라에서 유용한 데이터를 추출하기 위한 알고리즘과 접근 방식을 지속적으로 개발하고 테스트해야 합니다.

알고리즘 테스트 및 검증의 일부는 JSC NIIAS와 함께 Design Bureau TsT에서 개발 중인 철도 시뮬레이터를 사용하여 수행됩니다. 예를 들어, 그림 11은 시뮬레이터를 사용하여 스테레오 카메라 알고리즘의 작동을 테스트하는 것을 보여줍니다.

그림 11. A, B - 시뮬레이터의 왼쪽 및 오른쪽 프레임; B – 스테레오 카메라에서 데이터 재구성의 평면도; D - 시뮬레이터에서 스테레오 카메라 이미지 재구성.

신경망의 주요 작업은 사람, 마차 및 분류를 감지하는 것입니다.
혹독한 기상 조건에서 작업하기 위해 JSC NIIAS 전문가도 적외선 카메라를 사용하여 테스트를 수행했습니다.

그림 12. IR 카메라의 데이터

모든 센서의 데이터는 장애물(물체)의 존재 확률을 추정하는 연관 알고리즘을 기반으로 통합됩니다.

또한 도중에 있는 모든 물체가 장애물인 것은 아니므로 우회 작업을 수행할 때 기관차가 자동으로 차량과 연결되어야 합니다.

그림 13. 다양한 센서로 장애물을 감지하여 차량 입구를 시각화한 예

무인 입환 기관차를 운전할 때 장비에 무슨 일이 일어나고 있는지, 어떤 상태인지 빠르게 이해하는 것이 매우 중요합니다. 개와 같은 동물이 기관차 앞에 나타나는 상황도 있습니다. 온보드 알고리즘은 기관차를 자동으로 중지하지만 개가 방해가되지 않으면 다음에해야 할 일은 무엇입니까?

기내 상황을 제어하고 비상 상황 발생 시 결정을 내리기 위해 역의 모든 무인 기관차와 함께 작동하도록 설계된 고정식 원격 제어 및 제어 패널이 개발되었습니다. Luzhskaya 역에서는 EC 포스트에 있습니다.

그림 14 원격 제어 및 관리

Luzhskoy 역에서 그림 14에 표시된 제어 패널은 세 개의 분기 기관차의 작동을 제어합니다. 필요한 경우 이 리모콘을 사용하여 실시간으로 정보를 전송하여 연결된 기관차 중 하나를 제어할 수 있습니다(지연은 무선 채널을 통한 데이터 전송을 고려하여 300ms 이하).

기능 안전 문제

무인 기관차 구현에서 가장 중요한 문제는 표준 IEC 61508 "안전과 관련된 전기, 전자, 프로그래밍 가능한 전자 시스템의 기능 안전"(EN50126, EN50128, EN50129), GOST 33435-2015 표준에 정의된 기능 안전 문제입니다. "철도 차량의 제어, 모니터링 및 안전 장치".

온보드 안전 장치에 대한 요구 사항을 준수하려면 안전 무결성 수준 4(SIL4)가 필요합니다.

SIL-4 레벨을 준수하기 위해 기존의 모든 기관차 안전 장치는 다수의 논리에 따라 구축되며, 여기에서 계산은 두 개 이상의 채널에서 병렬로 수행되고 결과를 비교하여 결정을 내립니다.

무인 입환 기관차의 센서에서 데이터를 처리하는 컴퓨팅 장치도 최종 결과를 비교하는 XNUMX채널 방식에 따라 구축됩니다.

비전 센서의 사용, 다양한 기상 조건 및 다양한 환경에서 작동하려면 무인 차량의 안전성을 입증하는 문제에 대한 새로운 접근 방식이 필요합니다.

2019년 ISO/PAS 21448 규격 “도로용 차량. 지정된 기능의 보안(SOTIF). 이 표준의 주요 원칙 중 하나는 다양한 상황에서 시스템의 동작을 고려하는 시나리오 접근 방식입니다. 총 시나리오 수는 무한대입니다. 기본 설계 목표는 알려진 안전하지 않은 시나리오와 알 수 없는 안전하지 않은 시나리오를 나타내는 영역 2와 3을 최소화하는 것입니다.

그림 15 개발 결과 스크립트 변형

이 접근 방식 적용의 일환으로 JSC NIIAS 전문가는 2017년 운영 시작 이후 모든 새로운 상황(시나리오)을 분석했습니다. 실제 운영에서 만나기 어려운 상황 중 일부는 PKB TsT 시뮬레이터를 사용하여 해결됩니다.

규제 문제

기관차 운전실에 운전자가 없는 완전 자동 제어로 진정으로 전환하려면 규제 문제도 해결해야 합니다.

현재 러시아 철도청은 철도 차량용 자동 제어 시스템을 도입하기 위한 조치 이행을 위한 규제 지원 작업 이행 일정을 승인했습니다. 가장 중요한 문제 중 하나는 철도 운송 생산과 관련되지 않은 시민의 생명이나 건강에 해를 끼친 운송 사고의 내부 조사 및 회계 처리 절차에 대한 규정 업데이트입니다. 이 계획에 따라 2021년에는 무인 철도 차량의 운영을 규제하는 문서 패키지를 개발하고 승인해야 합니다.

사후

현재 Luzhskaya 역에서 운영되는 무인 션트 기관차의 아날로그는 세계에 없습니다. 프랑스(SNCF 회사), 독일, 네덜란드(Prorail 회사), 벨기에(Lineas 회사)의 전문가들은 2018-2019년에 개발된 제어 시스템에 대해 알게 되었으며 이러한 시스템 구현에 관심이 있습니다. JSC NIIAS의 주요 업무 중 하나는 기능을 확장하고 생성된 관리 시스템을 러시아 철도와 외국 기업 모두에 복제하는 것입니다.

현재 러시아 철도청도 Lastochka 무인 전기 열차 개발 프로젝트를 주도하고 있습니다. 그림 16은 프레임워크 내에서 2년 2019월 ES1520G Lastochka 전기 열차용 자동 제어 시스템의 프로토타입 시연을 보여줍니다. 국제 철도 살롱 오브 스페이스 XNUMX "PRO//Dvizhenie.Expo".

그림 16. MCC 무인전동차 운행 시연

무인 전기 열차를 만드는 것은 고속, 상당한 제동 거리, 정류장에서 승객의 안전한 탑승/하차 보장으로 인해 훨씬 ​​더 어려운 작업입니다. 현재 MCC에서 테스트가 활발히 진행되고 있습니다. 이 프로젝트에 대한 이야기는 가까운 시일 내에 게시될 예정입니다.

출처 : habr.com