铁路上无人驾驶技术的开发早在很久以前就开始了，早在 1957 年，第一个用于郊区列车的实验性自动驾驶系统就诞生了。 为了了解铁路运输自动化水平之间的差异，引入了 IEC-62290-1 标准中定义的等级。 与公路运输不同，铁路运输有4个自动化程度，如图1所示。
图 1. 符合 IEC-62290 的自动化程度
几乎所有在俄罗斯铁路网上运行的列车都配备了与自动化级别 1 相对应的安全装置。自动化级别为 2 的列车已在俄罗斯铁路网上成功运行了 20 多年，配备了数千辆机车。 该级别由牵引力控制和制动算法实现，用于沿着给定路线进行能量最佳的列车引导，同时考虑到通过感应通道从轨道电路接收的自动机车信号系统的时间表和指示。 2 级的使用减少了驾驶员的疲劳，并提高了能源消耗和交通调度执行的准确性。
级别 3 假定驾驶室中可能没有驾驶员，这需要实施视觉系统。
4 级意味着车上完全没有司机，这需要对机车（电力列车）的设计进行重大改变。 例如，船上安装了自动开关，如果在船上没有人在场的情况下触发它们，将无法再次触发。
目前，达到 3 级和 4 级的项目正在由世界领先的公司实施，例如西门子、阿尔斯通、泰雷兹、SNCF、SBB 等。
西门子于 2018 年 3 月在 Innotrans 展览会上展示了其在无人驾驶电车领域的项目。 该有轨电车自 2018 年起以 GoAXNUMX 自动化水平在波茨坦运营。
图2 西门子电车
2019 年，西门子将其无人驾驶路线的长度增加了一倍多。
俄罗斯铁路公司是世界上最早开始研发无人驾驶铁路车辆的公司之一。 因此，2015 年，在 Luzhskaya 站启动了一个项目，以实现 3 台调车机车的移动自动化，NIIAS JSC 担任项目集成商和基础技术开发商。
无人驾驶机车的创造是一个复杂的复杂过程，如果不与其他公司合作是不可能的。 因此，在 Luzhskaya 站，这些公司与 JSC NIIAS 一起参与：
- JSC“VNIKTI”在车载控制系统的开发方面；
- 西门子——在编组场（MSR-32系统）自动化操作和推车操作自动化方面；
- JSC "Radioavionika" 在控制箭头、交通灯的微处理器联锁系统方面；
- PKB TsT - 创建模拟器；
- 俄罗斯铁路作为项目协调员。
第一阶段的任务是实现 2 级交通自动化，此时司机在组织调车工作的正常条件下不使用机车控制装置。
在传统调车机车的运行过程中，交通控制是通过调度员向司机发送语音命令并设置适当的路线（转向箭头、打开红绿灯）来进行的。
当进入 2 级自动化时，所有语音通信都被通过数字安全无线电信道传输的命令系统所取代。 从技术上讲，Luzhskaya 车站调车机车的管理建立在以下基础上：
- 统一数字站模型；
- 控制调车机车运动的协议（用于发送命令和监控其执行）；
- 与电气联锁系统交互以获得有关指定路线、箭头和信号位置的信息；
- 调车机车定位系统；
- 可靠的数字收音机。
到 2017 年，3 台 TEM-7A 调车机车 95% 的时间在 Luzhskaya 车站以全自动模式运行，执行以下操作：
- 沿给定路线自动移动；
- 自动进入货车；
- 与货车自动耦合；
- 将货车推到编组场。
2017年启动调车机车视觉系统项目，紧急情况下实现远程控制。
2017 年 3 月，JSC NIIAS 专家安装了第一个调车机车视觉系统原型，由雷达、激光雷达和摄像头组成（图 XNUMX）。
图 3 第一版视觉系统
Luga视觉系统在2017-2018年的站内测试中，得出以下结论：
- 使用雷达检测障碍物是不切实际的，因为铁路上有大量具有良好反射率的金属物体。 人们对他们背景的探测范围不超过 60-70 米，此外，雷达的角分辨率不足，约为 1°。 我们的发现随后得到了 SNCF（法国铁路运营商）同事的测试结果的证实。
- 激光雷达以最小的噪音提供非常好的结果。 在降雪、下雨、起雾的情况下，物体的检测范围会出现非临界性的下降。 然而，在 2017 年，激光雷达相当昂贵，这严重影响了该项目的经济绩效。
- 摄像头是技术视觉系统不可或缺的组成部分，是检测、物体分类和远程控制等任务所必需的。 对于夜间和恶劣天气条件下的操作，需要红外热像仪或具有能够在近红外范围内工作的扩展波长范围的热像仪。
技术视觉的主要任务是检测行进方向上的障碍物和其他物体，由于运动是沿着轨迹进行的，所以检测是很有必要的。
图 4. 多类分割（轨道、货车）和使用二元掩码确定轨道轴的示例
图 4 显示了轨迹检测的示例。 为了明确地确定沿箭头的移动路线，使用了关于箭头位置的先验信息，即交通信号灯的读数，这些信息通过数字无线电信道从电气联锁系统传输。 目前，世界铁路上有一种趋势，就是放弃红绿灯，改用数字无线电频道的控制系统。 对于高速交通尤其如此，因为在超过 200 公里/小时的速度下，很难注意到和识别交通信号灯的指示。 在俄罗斯，有两个路段不使用红绿灯运行 - 这是莫斯科中央环线和 Alpika-Service - Adler 线。
在冬季，可能会出现轨道完全被雪覆盖，几乎无法识别轨道的情况，如图 5 所示。
图 5 被雪覆盖的轨道示例
在这种情况下，检测到的物体是否干扰机车的运动，即是否在途中变得不清楚。 在 Luzhskaya 车站，在这种情况下，使用了车站的高精度数字模型和高精度机载导航系统。
此外，该站的数字模型是在基点大地测量的基础上创建的。 然后，通过高精度定位系统对机车的多条通道进行处理，完成了所有轨道的地图绘制。
图6 Luzhskoy站轨道开发数字模型
车载定位系统最重要的参数之一是计算机车方位（方位角）的误差。 机车的方向对于传感器和它们检测到的物体的正确方向是必要的。 方位角误差为1°，物体坐标相对于路径轴在100米距离的误差为1,7米。
图7 定向误差对横向坐标误差的影响
因此，以角度测量机车方位的最大允许误差不应超过0,1°。 车载定位系统本身由两个 RTK 模式的双频导航接收器组成，其天线沿机车的整个长度间隔开，以创建一个长底座、捷联惯性导航系统并连接到车轮传感器（里程表）。 调车机车坐标确定标准偏差不大于5厘米。
此外，在 Luzhskaya 站进行了关于使用 SLAM 技术（激光雷达和视觉）获取额外位置数据的研究。
为此，结合轨距识别结果和基于定位的数字轨道模型数据，对卢日站调车机车轨距进行了确定。
障碍物检测也基于以下几种方式进行：
- 激光雷达数据；
- 立体视觉数据；
- 神经网络的工作。
数据的主要来源之一是激光雷达，它通过激光扫描产生点云。 在运行的算法中，主要使用经典的数据聚类算法。 作为研究的一部分，检查了使用神经网络执行聚类激光雷达点任务以及联合处理激光雷达数据和来自摄像机的数据的有效性。 图 8 显示了一个激光雷达数据示例（具有不同反射率的点云），显示了 Luzhskaya 站一辆马车背景下的假人。
图 8. Luzhskaya 站激光雷达数据示例
图 9 显示了根据两个不同激光雷达的数据从具有复杂形状的汽车中提取聚类的示例。
图 9. 激光雷达数据解释为漏斗车集群的示例
另外，值得注意的是，最近激光雷达的成本几乎下降了一个数量级，而它们的技术特性却有所提高。 毫无疑问，这种趋势将继续下去。 Luzhskaya 站使用的激光雷达的物体探测范围约为 150 米。
使用不同物理原理的立体相机也用于检测障碍物。
图 10. 来自立体对和检测到的簇的视差图
图 10 显示了立体相机数据的示例，其中检测到杆、路箱和货车。
为了在足以制动的距离处获得足够精度的点云，有必要使用高分辨率相机。 增加图像尺寸会增加获得视差图的计算成本。 由于占用资源和系统响应时间的必要条件，需要不断开发和测试从摄像机中提取有用数据的算法和方法。
算法的部分测试和验证是使用铁路模拟器进行的，该模拟器由 Design Bureau TsT 与 JSC NIIAS 共同开发。 例如，图 11 显示了使用模拟器来测试立体相机算法的操作。
图 11. A、B - 来自模拟器的左帧和右帧； B——立体相机数据重建的顶视图； D - 从模拟器重建立体相机图像。
神经网络的主要任务是检测人、货车及其分类。
为了在恶劣的天气条件下工作，JSC NIIAS 专家还使用红外摄像机进行了测试。
图 12. 来自红外摄像机的数据
来自所有传感器的数据基于关联算法进行集成，其中估计障碍物（物体）存在的概率。
而且，并非途中的所有物体都是障碍物；在进行调车作业时，机车必须与车厢自动耦合。
图 13. 通过不同传感器检测障碍物的汽车入口可视化示例
在操作无人调车机车时，快速了解设备正在发生什么，处于什么状态是极其重要的。 也有动物，例如狗，出现在机车前方的情况。 车载算法会自动停止机车，但如果狗不让开，接下来该怎么办？
为了控制车上的情况并在紧急情况下做出决定，开发了一种固定式远程控制和控制面板，旨在与车站的所有无人驾驶机车配合使用。 在 Luzhskaya 车站，它位于 EC 邮局。
图 14 远程控制与管理
在 Luzhskoy 车站，图 14 所示的控制面板控制着三台调车机车的运行。 如有必要，使用此遥控器，您可以通过实时传输信息来控制其中一台连接的机车（考虑到无线电信道上的数据传输，延迟不超过 300 毫秒）。
功能安全问题
无人驾驶机车实施中最重要的问题是功能安全问题，由标准IEC 61508“与安全相关的电气、电子、可编程电子系统的功能安全”（EN50126、EN50128、EN50129）、GOST 33435-2015定义“铁路机车车辆的控制、监测和安全装置”。
安全完整性等级 4 (SIL4) 需要符合车载安全设备的要求。
为了符合 SIL-4 级别，所有现有的机车安全设备都是根据多数逻辑构建的，其中在两个（或多个）通道中并行执行计算，并比较结果以做出决定。
无人调车机车传感器数据处理计算单元也是按照双通道方案搭建的，并进行了最终结果对比。
视觉传感器的使用，在各种天气条件和不同环境下的工作需要一种新的方法来证明无人驾驶车辆的安全性。
2019年ISO/PAS 21448标准《道路车辆. 特定功能的安全性 (SOTIF)。 该标准的主要原则之一是场景方法，它考虑了系统在各种情况下的行为。 场景的总数是无限的。 主要设计目标是尽量减少代表已知不安全场景和未知不安全场景的区域 2 和 3。
图 15 作为开发结果的脚本转换
作为这种方法应用的一部分，JSC NIIAS 专家分析了自 2017 年开始运营以来出现的所有情况（情景）。 使用PKB TsT模拟器解决了一些在实际操作中难以遇到的情况。
监管问题
还必须解决监管问题，以便在机车驾驶室中没有驾驶员在场的情况下真正转向全自动控制。
目前，俄罗斯铁路公司已经批准了实施监管支持工作的时间表，以实施引入铁路机车车辆自动控制系统的措施。 最重要的问题之一是更新了与铁路运输生产无关的对公民生命或健康造成伤害的运输事故内部调查和核算程序的规定。 根据该计划，应在 2021 年制定并批准一揽子规范无人驾驶铁路车辆运行的文件。
后记
目前，世界上还没有在 Luzhskaya 车站运行的无人驾驶调车机车的类似物。 来自法国（SNCF 公司）、德国、荷兰（Prorail 公司）、比利时（Lineas 公司）的专家在 2018-2019 年熟悉了开发的控制系统，并对实施此类系统感兴趣。 JSC NIIAS 的主要任务之一是扩展功能并在俄罗斯铁路和外国公司复制创建的管理系统。
目前，俄罗斯铁路公司还在牵头开发 Lastochka 无人驾驶电动列车的项目。 图16为2年2019月ES1520G Lastochka电动列车自动控制系统样机在框架内的演示。 Space XNUMX“PRO//Dvizhenie.Expo”国际铁路沙龙。
图 16. 无人驾驶电动列车在 MCC 的运行演示
由于速度快、制动距离长以及确保乘客在停靠点安全上下车，因此创建无人驾驶电动火车是一项艰巨得多的任务。 目前，MCC 正在积极进行测试。 关于这个项目的故事计划在不久的将来出版。
来源： habr.com