철도운송 무인기술 개발

철도에서 무인 기술이 개발되기 시작한 것은 꽤 오래전인 1957년, 통근 열차를 위한 최초의 실험적 자동 제어 시스템이 개발된 때부터였습니다. 철도 운송의 자동화 수준 간 차이를 이해하기 위해 IEC-62290-1 표준에 정의된 등급이 도입되었습니다. 도로 운송과 달리 철도 운송에는 그림 4에 표시된 1단계의 자동화가 있습니다.

그림 1. IEC-62290에 따른 자동화 정도

러시아 철도망에서 운행되는 거의 모든 열차에는 자동화 레벨 1에 해당하는 안전 장치가 장착되어 있습니다. 자동화 레벨 2를 갖춘 열차는 20년 이상 러시아 철도망에서 성공적으로 운행되어 왔습니다. 수천 대의 기관차가 장착되었습니다. 이 수준은 궤도 회로에서 유도 채널을 통해 수신한 자동 기관차 신호 시스템의 일정과 판독값을 고려하여 주어진 노선을 따라 에너지 최적화 열차 관리를 위한 견인 제어 및 제동 알고리즘을 통해 구현됩니다. 레벨 2를 사용하면 운전자 피로가 줄어들고 에너지 소비와 일정 실행의 정확성 측면에서 이점이 있습니다.

레벨 3은 차량 내부에 운전자가 없는 상황을 가정하고 있으며, 이를 위해서는 기술적 비전 시스템을 구현해야 합니다.

레벨 4는 운전자가 전혀 탑승하지 않는 상태를 가정하는데, 이는 기관차(전기 열차)의 설계를 상당히 변경해야 함을 의미합니다. 예를 들어, 사람이 탑승하지 않은 상태에서 회로 차단기가 작동하면 재설정이 불가능합니다.

현재, 지멘스, 알스톰, 탈레스, SNCF, SBB 등 세계적인 선도 기업들이 레벨 3과 4를 달성하기 위한 프로젝트를 시행하고 있습니다.

지멘스는 2018년 3월 Innotrans 전시회에서 무인 트램 분야의 프로젝트를 발표했습니다. 이 트램은 2018년부터 포츠담에서 자동화 수준 GoAXNUMX으로 운행되고 있습니다.

그림 2 지멘스의 트램
2019년에 지멘스는 무인 노선의 길이를 두 배 이상 늘렸습니다.
러시아 철도 주식회사는 세계 최초로 무인 철도 차량 개발을 시작한 회사 중 하나입니다. 따라서 2015년에는 루시스카야 역에서 3대의 입환 기관차의 운행을 자동화하는 프로젝트가 시작되었으며, JSC NIIAS는 프로젝트 통합자이자 기본 기술 개발자 역할을 했습니다.

무인 기관차를 만드는 것은 다른 회사와의 협력 없이는 불가능한 복잡하고 어려운 과정입니다. 따라서 다음 회사들이 JSC NIIAS와 함께 루즈스카야 역에 참여합니다.

• JSC VNIKTI는 차량 제어 시스템 개발에 참여합니다.
• 지멘스 – 험프 야드 작업(MSR-32 시스템)의 자동화와 왜건 밀기 작업의 자동화 측면에서;
• 스위치와 신호등을 제어하는 ​​마이크로프로세서 중앙 집중화 시스템 측면에서 JSC "Radioavionika";
• PKB CT – 시뮬레이터 생성
• JSC 러시아 철도가 프로젝트 코디네이터로 참여합니다.

첫 번째 단계의 과제는 운전자가 입환 작업을 조직하는 일반적인 조건에서 기관차 제어 장치를 사용하지 않는 수준 2의 이동 자동화를 달성하는 것이었습니다.

기존의 입환기관차를 운행할 경우, 파견자가 기관사에게 음성 명령을 전달하고 적절한 경로(스위치 이동, 신호등 켜기)를 지정하여 교통 제어를 실시합니다.

자동화 레벨 2로 전환하면서 모든 음성 통신은 디지털 보안 무선 채널을 통해 전송되는 명령 시스템으로 대체되었습니다. 기술적으로 루즈스카야 역의 입환 기관차 제어는 다음을 기반으로 구축되었습니다.

• 역의 단일 디지털 모델
• 입환 기관차의 움직임을 제어하기 위한 프로토콜(명령을 보내고 명령 실행을 모니터링하기 위한)
• 지정된 경로, 스위치 및 신호의 위치에 대한 정보를 얻기 위해 전기 중앙 집중 시스템과 상호 작용합니다.
• 입환 기관차용 위치 시스템
• 신뢰할 수 있는 디지털 무선 통신.

2017년까지 3대의 TEM-7A 입환 기관차가 루즈스카야 역에서 95%의 시간 동안 완전 자동 모드로 운행되었으며, 다음과 같은 작업을 수행했습니다.

• 주어진 경로를 따라 자동으로 이동합니다.
• 자동차에 대한 자동 접근;
• 왜건과의 자동 연결;
• 마차들을 모아서 마차장에 밀어 넣는다.

2017년에는 입환 기관차를 위한 기술적 비전 시스템을 구축하고 비상 상황에서 원격 제어를 구현하는 프로젝트가 시작되었습니다.

2017년 3월, JSC NIIAS의 전문가들은 레이더, 라이더, 카메라로 구성된 기술적 비전 시스템의 첫 번째 프로토타입을 입환 기관차에 설치했습니다(그림 XNUMX).

그림 3 머신 비전 시스템의 첫 번째 버전

2017~2018년 루즈스카야 역에서 기술 비전 시스템을 테스트하는 동안 다음과 같은 결론이 도출되었습니다.

• 철도에는 반사율이 좋은 금속 물체가 상당히 많기 때문에 장애물 감지에 레이더를 사용하는 것은 비실용적입니다. 사람을 배경에 비추어 감지하는 거리는 60~70m를 넘지 않으며, 레이더의 각도 분해능은 충분하지 않아 약 1° 정도입니다. 우리의 연구 결과는 이후 SNCF(프랑스 철도 운영사) 동료들의 실험 결과를 통해 확인되었습니다.
• 라이더는 최소한의 노이즈로 매우 좋은 결과를 제공합니다. 눈, 비, 안개 등의 경우에는 물체 감지 범위가 크게 감소합니다. 그러나 2017년에는 라이더가 매우 고가여서 프로젝트의 경제적 성과에 상당한 영향을 미쳤습니다.
• 카메라는 기술적 비전 시스템의 필수적인 요소이며, 물체 감지, 분류, 원격 제어 작업에 필요합니다. 야간이나 기상 조건이 좋지 않은 상황에서 작업하려면 적외선 카메라나 근적외선 범위에서 작동할 수 있는 넓은 파장 범위를 갖춘 카메라가 필요합니다.

기술적 비전의 주요 임무는 경로를 따라 장애물과 기타 물체를 감지하는 것이며, 이동이 트랙을 따라 이루어지기 때문에 이를 감지하는 것이 필요합니다.

그림 4. 다중 클래스 분할(트랙, 왜건)의 예 및 이진 마스크를 사용한 트랙 축 결정

그림 4는 트랙 감지의 예를 보여줍니다. 스위치를 따라 이동하는 경로를 명확하게 결정하기 위해 스위치 위치와 신호등 판독값에 대한 사전 정보가 사용되며, 이 정보는 전기 중앙 집중 시스템에서 디지털 무선 채널을 통해 전송됩니다. 현재 세계 철도는 신호등에서 디지털 무선 제어 시스템으로 옮겨가고 있습니다. 이는 특히 고속 교통의 경우 더욱 그렇습니다. 속도가 200km/h가 넘으면 신호등을 알아차리고 인식하기 어렵기 때문입니다. 러시아에는 신호등을 사용하지 않고 운행되는 두 구간이 있습니다. 모스크바 중앙선과 알피카-서비스-아들러선입니다.

겨울에는 트랙이 완전히 눈으로 덮여 트랙을 인식하는 것이 거의 불가능해지는 상황이 발생할 수 있습니다(그림 5 참조).

그림 5 눈으로 덮인 트랙의 예

이 경우, 감지된 물체가 기관차의 움직임을 방해하는지, 즉 선로 위에 있는지 여부가 불분명해집니다. 이 경우, 루즈스카야 역에는 역의 고정밀 디지털 모델과 고정밀 차량 내비게이션 시스템이 사용됩니다.

또한, 기지점의 측지 측정을 바탕으로 역의 디지털 모형이 만들어졌습니다. 이후, 고정밀 위치 지정 시스템을 이용해 여러 기관차의 이동 경로를 처리하여 모든 선로에 대한 지도가 완성되었습니다.

그림 6 루즈스카야 역의 선로 개발에 대한 디지털 모델

차량 위치 시스템의 가장 중요한 매개변수 중 하나는 기관차의 방향(방위각)을 계산하는 데 있어서 발생하는 오차입니다. 기관차의 방향은 센서와 센서가 감지하는 물체의 올바른 방향을 위해 필요합니다. 방향 각도 오차가 1°일 때, 100m 거리에서 경로 축에 대한 객체 좌표의 오차는 1,7m가 됩니다.

그림 7 방향 오차가 횡좌표 오차에 미치는 영향

따라서 기관차의 방향을 각도로 측정할 때 허용되는 최대 오차는 0,1°를 초과해서는 안 됩니다. 차량 내 위치 시스템 자체는 RTK 모드의 5개 이중 주파수 항법 수신기로 구성되며, 안테나는 기관차 전체 길이를 따라 간격을 두고 배치되어 긴 기반, 플랫폼 없는 관성 항법 시스템 및 휠 센서(주행 거리계)에 연결됩니다. 입환기관차의 좌표 결정에 대한 표준편차는 XNUMXcm 이내이다.

또한, 루즈스카야 역에서 SLAM 기술(라이더 및 시각)을 사용하여 추가적인 위치 데이터를 얻는 방법에 대한 연구가 수행되었습니다.
이에 따라 루즈스카야 역의 입환기관차용 철도 궤도 결정은 궤도 인식 결과와 위치 기반 디지털 궤도 모델의 데이터를 결합하여 수행됩니다.

장애물 감지는 다음을 기반으로 여러 가지 방법으로 수행됩니다.

• 라이더 데이터
• 스테레오 비전 데이터
• 신경망의 작업.

데이터의 주요 소스 중 하나는 레이저 스캐닝을 통해 점의 클라우드를 생성하는 라이더입니다. 사용되는 알고리즘은 주로 고전적인 데이터 클러스터링 알고리즘을 사용합니다. 이 연구에서는 라이더 포인트를 클러스터링하는 작업과 라이더 데이터와 비디오 카메라 데이터의 공동 처리에 신경망을 사용하는 효과성을 테스트합니다. 그림 8은 루즈스카야 역의 기차 차량 배경에 인간 마네킹을 표시하는 라이더 데이터(다양한 반사율을 지닌 점들의 클라우드)의 예를 보여줍니다.

그림 8. 루즈스카야 역의 라이더 데이터 예시

그림 9는 두 개의 서로 다른 라이더에서 수집한 데이터를 사용하여 복잡한 모양의 차량에서 클러스터를 선택하는 예를 보여줍니다.

그림 9. 호퍼카의 클러스터 형태로 제공되는 라이더 데이터 해석의 예

최근 라이더의 비용이 거의 150배나 낮아졌고, 기술적 특성이 향상되었다는 점도 별도로 주목할 만합니다. 이러한 추세가 계속될 것이라는 점에는 의심의 여지가 없습니다. 루즈스카야 역에서 사용되는 라이더의 물체 감지 범위는 약 XNUMXm입니다.

다른 물리적 원리를 사용하는 스테레오 카메라도 장애물을 감지하는 데 사용됩니다.

그림 10. 스테레오 쌍과 감지된 클러스터의 차이 맵

그림 10은 기둥, 선로 상자, 화차를 감지한 스테레오 카메라 데이터의 예를 보여줍니다.

제동에 필요한 거리에서 충분한 포인트 클라우드 정확도를 얻으려면 고해상도 카메라를 사용해야 합니다. 이미지 크기를 늘리면 차이 맵을 얻는 데 필요한 계산 비용이 증가합니다. 필요한 리소스 요구 사항과 시스템 응답 시간 때문에 비디오 카메라에서 유용한 데이터를 추출하기 위한 알고리즘과 접근 방식을 지속적으로 개발하고 테스트할 필요가 있습니다.

알고리즘의 테스트 및 검증 중 일부는 중앙 테스트 설계국과 JSC NIIAS가 함께 개발 중인 철도 시뮬레이터를 사용하여 수행됩니다. 예를 들어, 그림 11은 시뮬레이터를 사용하여 스테레오 카메라 알고리즘의 성능을 테스트하는 방법을 보여줍니다.

그림 11. A, B - 시뮬레이터의 왼쪽 및 오른쪽 프레임. B – 스테레오 카메라로부터 데이터를 재구성한 상단 보기; G - 시뮬레이터에서 스테레오 카메라 이미지를 재구성합니다.

신경망의 주요 임무는 사람과 자동차를 감지하고 분류하는 것입니다.
열악한 기상 조건에서도 작동하기 위해 JSC NIIAS의 전문가들은 적외선 카메라를 사용한 테스트도 수행했습니다.

그림 12. IR 카메라의 데이터

모든 센서에서 수집된 데이터는 연관 알고리즘을 기반으로 통합되며, 이를 통해 장애물(객체)의 존재 확률이 평가됩니다.

게다가 트랙에 있는 모든 물체가 장애물은 아닙니다. 입환작업을 수행할 때 기관차는 자동으로 차량에 연결되어야 합니다.

그림 13. 다양한 센서를 통한 장애물 감지를 통한 마차 접근 시각화의 예

무인 입환 기관차를 운행할 때는 장비의 상태와 작동 상황을 빠르게 파악하는 것이 매우 중요합니다. 개와 같은 동물이 기관차 앞에 나타나는 상황도 발생할 수 있습니다. 차량 내 알고리즘이 자동으로 기관차를 멈추게 하지만, 개가 선로에서 멀어지지 않으면 다음에 어떻게 해야 할까?

기관차 내 상황을 모니터링하고 비상 상황에서 결정을 내리기 위해, 역에 있는 모든 무인 기관차와 함께 작동하도록 설계된 고정형 원격 제어 및 모니터링 패널이 개발되었습니다. 루즈스카야 역의 EC 포스트에 위치해 있습니다.

그림 14 원격 제어 및 관리

루즈스코이 역에서는 그림 14에 표시된 제어판이 300대의 입환 기관차의 운행을 제어합니다. 필요한 경우, 이 원격 제어 장치는 실시간으로 정보를 전송하여 연결된 기관차 중 하나를 제어하는 ​​데 사용될 수 있습니다(무선 채널을 통한 데이터 전송을 고려할 때 지연 시간은 최대 XNUMXms).

기능적 안전 문제

무인 기관차 구현에 있어 가장 중요한 문제는 기능 안전 문제이며, 이는 IEC 61508 "전기, 전자, 프로그래밍 가능 전자 안전 관련 시스템의 기능 안전"(EN50126, EN50128, EN50129), GOST 33435-2015 "철도 차량의 제어, 모니터링 및 안전 장치" 표준에 의해 정의됩니다.

차량 안전장치에 대한 요구사항에 따라 안전 무결성 수준 4(SIL4)를 보장하는 것이 필요합니다.

SIL-4 레벨을 준수하기 위해 모든 기존 기관차 안전 장치는 다수 논리를 사용하여 제작되었습니다. 즉, 계산은 두 개 이상의 채널에서 병렬로 수행되고 결과를 비교하여 결정을 내립니다.

무인 입환 기관차의 센서로부터 데이터를 처리하는 컴퓨팅 장치 역시 최종 결과를 비교할 수 있는 2채널 방식을 사용하여 제작되었습니다.

머신 비전 센서를 사용하고, 다양한 기상 조건과 환경에서 작동하려면 무인 차량의 안전성을 입증하는 문제에 대한 새로운 접근 방식이 필요합니다.

2019년에 ISO/PAS 21448 표준 "도로 차량. 할당된 기능의 안전(SOTIF)"이 발표되었습니다. 이 표준의 주요 원칙 중 하나는 다양한 상황에서 시스템의 동작을 고려하는 시나리오 접근법입니다. 시나리오의 수는 무한합니다. 주요 설계 목표는 알려진 안전하지 않은 시나리오와 알려지지 않은 안전하지 않은 시나리오를 나타내는 영역 2와 영역 3을 최소화하는 것입니다.

그림 15 개발에 따른 시나리오의 변화

이 접근 방식을 적용하는 일환으로 JSC NIIAS의 전문가들은 2017년 운영 시작 이후 발생한 모든 상황(시나리오)을 분석했습니다. 실제 운영 중에는 발생하기 어려운 일부 상황은 PKB CT 시뮬레이터를 사용하여 해결했습니다.

규제 문제

기관차에 운전자가 없이 완전 자동 제어로 전환하려면 규제 문제도 해결해야 합니다.

현재, JSC 러시아 철도는 자동 모드 철도 차량 제어 시스템 도입 조치 시행을 위한 규제 지원에 관한 작업 일정을 승인했습니다. 가장 중요한 문제 중 하나는 철도운송 생산과 관련되지 않은, 국민의 생명이나 건강에 피해를 입힌 운송사고에 대한 공식적인 조사 및 기록 절차에 관한 규정을 개정하는 것입니다. 이 계획에 따라 무인 철도 차량의 운행을 규제하는 일련의 문서가 2021년에 개발되어 승인되어야 합니다.

사후

현재 루즈스카야 역에서 사용되는 무인 입환 기관차와 유사한 기관차는 전 세계적으로 존재하지 않습니다. 프랑스(SNCF), 독일, 네덜란드(Prorail), 벨기에(Lineas)의 전문가들은 2018~2019년에 개발된 제어 시스템을 접했으며 유사한 시스템을 구현하는 데 관심을 보이고 있습니다. JSC NIIAS의 주요 업무 중 하나는 러시아 철도와 외국 기업 모두에서 구축된 관리 시스템의 기능을 확장하고 이를 복제하는 것입니다.

현재 러시아 철도는 무인 전기 열차인 라스토치카를 개발하는 프로젝트도 진행하고 있습니다. 그림 16은 2년 2019월 ES1520G Lastochka 전기 열차의 자동 제어 시스템 프로토타입을 시연하는 모습을 보여줍니다. XNUMX년 국제철도우주박람회 "PRO//Movement.Expo".

그림 16. 모스크바 중앙선 무인 전기 열차 운행 시연

무인 전기 열차를 만드는 것은 이동 속도가 빠르고, 제동 거리가 길며, 정차 지점에서 승객이 안전하게 탑승/하차할 수 있도록 해야 하기 때문에 훨씬 더 복잡한 작업입니다. 현재 모스크바 중앙구에서는 활발하게 테스트가 진행되고 있습니다. 이 프로젝트에 대한 스토리는 가까운 시일 내에 출판될 예정입니다.

출처 : habr.com