DOI： 10.11817/j.issn.1672-7207.2020.02.030
基于激光雷达的铁路轨道检测方法
郭子明1,蔡伯根1, 2, 3,姜维1, 2, 3
（1. 北京交通大学 电子信息工程学院，北京，100044；
2. 北京交通大学 轨道交通控制与安全国家重点实验室，北京，100044；
3. 北京交通大学 轨道交通电磁兼容与卫星导航工程技术研究中心，北京，100044）
摘要:利用激光雷达采集的距离信息，提出一种基于轨道横向与纵向几何特征的轨道检测方法。首先，在激光雷达的单次扫描数据中，根据轨道对周围环境的遮挡特性及高度跳变，完成对可能的轨顶关键点的检测；其次，构建轨道横截面模型，通过模型匹配的方式剔除前期的误检并确定最终轨道位置；最后，考虑轨道的纵向连续性和单轨之间的轨距、平行性特征，对轨顶检测点间进行关联形成轨道区段。研究结果表明：纵向单轨聚类及轨道横向关联可显著减少错误检测，最终轨道检测召回率为83.0%~97.5%，准确率为93.3%~97.9%。
关键词:轨道检测；列车车载定位；模型匹配；关联；激光雷达
中图分类号:U284 文献标志码:A 开放科学(资源服务)标识码(OSID)
文章编号:1672-7207（2020）02-0560-07
A railway track detection method using LiDAR
GUO Ziming1, CAI Baigen1, 2, 3, JIANG Wei1, 2, 3
(1. School of Electronic and Information Engineering, Beijing Jiaotong University, Beijing 100044, China；
2. State Key Laboratory of Rail Traffic Control and Safety, Beijing Jiaotong University, Beijing 100044, China；
3. Beijing Engineering Research Center of EMC and GNSS Technology for Rail Transportation,Beijing Jiaotong University, Beijing 100044, China)
Abstract: A track detection method based on the lateral and longitudinal geometric features was proposed using the distance information recorded by a LiDAR sensor. Firstly, within a single scan, the possible rail head key points were detected on the basis of the background occlusion caused by rails and the height jump of rails. Then a rail profile model was built by model matching with which the false positives were eliminated and the positions of the rails were determined. Eventually, considering the longitudinal continuity of tracks and checking the gauge and parallelism between rails, the rail head key points were associated to form track sections. The results show that the longitudinal rail clustering and the lateral track association can decrease the false positives remarkably. The final recall of the track detection is 83.0%-97.5% while the precision is 93.3%-97.9%.
Key words: track detection; train-borne localization; model matching; association; light detection and ranging (LiDAR)
在列车运行控制系统中，对列车当前位置的准确感知是保障列车运行安全的重要手段[1]。因此，列车定位系统不仅需要准确获取列车在运行线路中的绝对位置，而且需具备实现轨道选择式定位的能力[2]，从而防止碰撞事故的发生。现有基于全球卫星导航系统的列车车载定位技术在隧道、山谷等特殊环境条件下存在精度不高及可靠性不足的问题[3-6]，且在列车经过道岔时无法及时判断列车行驶方向及在平行股道区段的占用股道。而轨道检测作为道岔及道岔处分支方向识别的重要前提，为改善上述问题提供了可能。除此之外，轨道检测能够提供铁路网络的地理及几何拓扑特征，解决特定轨道地图的生成与维护问题，为铁路轨道等基础设施维护提供新的方法支撑[7-8]。几种不同的传感器可应用于轨道检测中，如摄像机[9-10]、惯性传感器[11-12]、涡流传感器[13]和激光雷达[14-15]。STEIN等[14]对各传感器测量原理及优缺点进行了对比分析，发现激光雷达具有准确性和可靠性上的优势，是用于轨道检测的最佳传感器。RAHMIG等[16]将激光雷达作为一种轨道事件传感器，利用距离与回波强度信息对轨道进行检测，然而没有评估检测方法的性能。HACKEL等[17]考虑轨道横截面的几何特征，在单次激光雷达扫描数据中完成轨道关键点检测，并采用模型匹配算法对检测结果中的误检进行有效剔除，最后基于轨道纵向的连续性，生成属于不同轨道的平滑的轨道点集。OUDE ELBERINK等[8,18]提出了基于数字地形模型的轨道检测方法，提取了轨道中心线，对结果中的直线轨道区段的6维方向进行估计，其轨道中心线的估计精度约为2 cm。STEIN等[15]以城市轻轨轨道为检测对象，根据轨槽的深度及宽度特征，构建特定的轨道横截面几何模型，提出了基于特征和模型匹配的轨道检测方法。在已有的研究中，基于距离与回波强度信息的轨道检测准确率更高，只考虑距离信息会造成大量误检。此外，现有研究中缺乏对大量实验数据的定量分析，对轨道检测方法中各阶段的检测性能验证存在不足。为此，本文作者以激光雷达作为轨道检测传感器，在只考虑距离信息的前提下，加入轨高特征等限制条件，减少复杂铁路环境中非轨道目标造成的距离突变检测，并进一步简化轨道模型，最后利用现场实验数据，对不同阶段轨道检测方法的性能进行分析。
1 激光雷达数据描述
本文采用1个单线激光雷达传感器实现对地面环境扫描。激光雷达以垂直于轨道平面的方式安装在列车前端顶部，距离地面高度为
，如图1所示。激光雷达通过发射高速旋转的激光脉冲并接收目标反射的脉冲信号，在
平面中获取环境的二维距离描述，将垂直于平面的列车前进方向定义为
方向。激光雷达的每一次扫描都可以获得1组点集
，其中，
为数据点的横坐标，
为数据点的纵坐标，
为1次扫描获得的数据点个数。
图1 激光雷达安装及坐标描述
Fig. 1 LiDAR sensor setup and coordinate description
2 轨道检测
常见的轨道由2条互相平行的单轨组成，2条单轨之间的距离称为轨距(
)，如图1(b)所示。本文首先采用基于特征与模型的方法对单轨进行检测。基于轨高特征及轨道对激光脉冲的遮挡特性，一帧激光雷达数据中可能的轨顶关键点可以被提取出来；然后，以模型匹配的方式对结果中的错误检测进行剔除，与模型相匹配的轨顶关键点则被认为是真实的轨道检测；最后，在沿轨道方向上对相邻帧中的轨道检测进行关联，从而形成连续的单轨目标。
2.1 单次扫描下的轨道检测
2.1.1 遮挡边缘
由于轨道是在地面上的目标，在
方向上对搜索区域进行限制，能够大大减少每次扫描中需要处理的数据点数，节约计算资源。本文将方向上的搜索区域限制为
(1)
式中：
为方向搜索区域限制参数，其选择应考虑轨道高度，并保证搜索区域能够覆盖所有轨道所在高度。
若激光雷达对无明显目标的地表平面进行扫描，则相邻数据点的距离变化较小。而轨道是1种凸形目标，会阻碍激光脉冲到达被其遮挡的区域，从而造成相关激光点之间的距离明显变化。单次扫描下第
个数据点与相邻点之间的距离
可以被近似定义为
(2)
式中：
。
若超过设定阈值
，则该点被认为是1个遮挡边缘，需对其进行后续处理。遮挡边缘检测见图2。
图2 遮挡边缘检测
Fig. 2 Detection of occluding edge
2.1.2 高度跳变
单次扫描中的遮挡边缘包括所有的轨顶关键点及其他凸形目标对应的边缘点。由于轨高限制，轨顶关键点与其附近落于轨底的激光数据点在高度上相差约为轨高
，如图2所示。定义遮挡边缘点
对应的搜索邻域内的激光数据点
满足
(3)
式中：
为搜索半径。若在的邻域中存在点满足
(4)
则遮挡边缘才可能是轨顶关键点。式(4)中：
为测量不确定度。
2.1.3 模型匹配
对每1个可能的轨顶关键点的邻域点进行模型匹配，从而确定最终的轨道位置。应用于模型匹配的邻域搜索半径为
。本文采用迭代最近点(iterative closest point, ICP)算法实现模型匹配，并将文献[17]中线性分段轨道横截面模型进一步简化为点模型，如图3所示。对于邻域内的所有激光数据点和点模型，在平面内找到平移向量
，使所有平移后的激光点与模型匹配程度最高，即匹配误差最小。匹配误差
为
(5)
式中：
为经平移后与模型相匹配的邻域点个数；
为对应于模型中的点。
图3 轨道横截面模型
Fig. 3 Rail profile model
由于轨道横截面具有对称性，图3只给出了适用于
坐标小于0的轨顶关键点的轨道横截面模型。若要对坐标大于0的轨顶关键点的邻域进行模型匹配，则只需将图3的点模型沿
平面翻转即可。通过不断迭代找到最小匹配误差
，并将其与设定的阈值
进行对比。若小于该阈值，则认为所有与轨顶模型匹配的数据点中的横坐标中值点为轨顶关键点。
2.2 纵向单轨聚类
考虑到轨道在方向上的连续性，需将每一帧激光雷达数据中识别出的轨顶关键点与历史检测点进行聚类，形成若干连续的单轨。
将第1帧激光雷达数据中的轨顶关键点分派为不同聚类，通过判断后续的每1个轨顶检测点与现有各聚类的位置关系，实现沿轨道方向的聚类生长。图4所示为纵向单轨聚类的示例，该聚类包含10个历史轨顶检测点，当前时刻存在3个待分配的检测点
，
和
。在较短时间内的轨道聚类可以被看作是线性的，本文采用最小二乘法来确定聚类的主方向。在此基础上，可以计算出3个检测点到聚类主方向的垂直距离，其中距离最近，且距离小于允许的最大偏差
，因此，与该聚类关联。已有的轨道聚类在每1次扫描中只与最多1个轨顶关键点进行关联，所以，需要分别为和创建新的聚类。
为了保证聚类的准确性，每个聚类中最近
次扫描的轨顶检测点被用于计算聚类的主方向。由于对轨道的检测至少需要3个测量点[19]，并考虑过小的单轨聚类是由误检造成的，故要求每个聚类最近次扫描中必须包含
个检测点，不符合该条件的聚类不会再与后续检测发生关联。另外，为防止短时间的漏检造成错误关联，允许每个轨道聚类在连续
次扫描中没有发生检测点关联，无关联时刻的聚类主方向与上一时刻相同。
图4 纵向单轨聚类
Fig. 4 Longitudinal rail clustering
2.3 轨道横向关联
在通常情况下，轨道是由1组平行的单轨组成，为了实现横向的单轨间关联，本文采用基于轨距及平行性检查的轨道横向关联方法。
对于标准轨距轨道(
)，其实际轨距允许变化范围为[1.43, 1.47] m。然而，本文的轨顶关键点与轨距测量所需的关键点的定义不同，因此，考虑轨道横截面的尺寸，适用于本文的轨距变化范围应为[1.50, 1.54] m。在每一帧轨顶关键点完成纵向轨道聚类后，对每1个关键点进行横向距离搜索，寻找与其横向距离符合轨距变化范围的其他关键点，形成可能的轨对，并与已有轨道区段关联。然而，仅根据轨距进行横向关联，在特定情况下会存在关联不确定性，如图5所示。当前时刻图5中左侧第2条单轨上的轨顶关键点与其左侧和右侧单轨上的关键点间的距离都符合轨距要求，因此，需加入其他限制条件解决该不确定性问题。
图5 轨道横向关联
Fig. 5 Lateral track association
本文第2.2节中各轨道聚类的主方向可用于横向关联的平行性检测。当已有聚类在当前时刻获得状态更新后，将各聚类的最新主方向进行对比，若2个聚类的主方向夹角不超过轨道平行性最大允许角度偏差
，则2个轨道聚类符合平行性要求。同时，为提高算法解决不确定性问题的能力，还需考虑每个轨道聚类历史匹配中的左右轨分配情况。图5中，通过轨距检测，当前扫描中左侧第2条单轨上的轨顶关键点既可与右侧相邻轨道关键点关联，也可与左侧轨道关键点关联，然而，在之前时刻的单轨横向关联中，该轨道被识别为左侧轨道的右侧单轨，根据轨道的分布特点，属于该轨道聚类的轨道关键点只能继续作为1条轨道的右侧单轨，在此限制条件下，当前时刻的属于该轨道聚类的轨道关键点只能与其左侧关键点发生关联形成轨对。由于缺少方向信息，轨道区段的初始化只根据对第1帧激光雷达数据进行轨距检测而完成。若2个横向关联的轨顶关键点与已有轨道区段不匹配或轨顶关键点属于新的单轨聚类，则为其新建1个轨道区段。
与单轨纵向聚类相同，在每次关联中，每个已有的轨道区段只能添加1组轨顶关键点，最近次扫描中至少包含对轨道关键点，并允许其连续次扫描中没有发生检测点关联。
3 实验分析
3.1 激光雷达传感器及检测参数
本文采用Pepperl+Fuchs OMD30M-R2000-B23-V1V1D-1L[14]激光雷达传感器，在铁路试验场采集轨道激光雷达测量数据。该激光雷达传感器安装于铁路实验车辆前端顶部，距离地面高度
，具有360°的视场角，角度分辨率为0.071°，每秒可获取50次扫描数据。实验车辆主要以调车模型行驶，方向上的行驶距离由速度传感器测量得到。实验场地具备窄轨(
)、标准轨距轨道()和混合轨距轨道，共采集5组数据。
本文轨道检测算法中的所有参数选择较保守。
为激光雷达测量标准差，经过实验分析
。用于遮挡边缘检测的被定义为3倍。用于单轨聚类主方向确认的滑动窗为1 s内激光雷达的扫描次数，而滑动窗内至少包含的检测点个数与允许的最大无关联次数有关，为
。所有参数的具体数值如表1所示。
表1 轨道检测算法中的参数
Table 1 Parameters within track detection method
3.2 实验结果分析
为了获得量化的实验结果，每组实验数据中的地面真值都被人为标注出来，即每1个激光雷达数据点是否属于某一轨道。将每1个轨顶关键点的位置与地面真值进行对比，可确定其属于正确检测(true positive, TP)或误检(false positive, 
)。真值中存在的而算法没有检测出的轨顶关键点则为漏检(false negative, 
)。在此基础上，召回率
和准确率
用于评估算法性能：
(6)
(7)
式中：
，
和
分别为正确检测、误检与漏检的次数。
对每1组数据依次进行单次扫描下的轨道检测、纵向单轨聚类和轨道横向关联，在每个阶段的算法完成后都会计算出此时轨道检测的召回率与准确率。所有数据的轨道检测结果见表2，其中，参数下标
，
和
分别代表单次扫描下的轨道检测、纵向单轨聚类和轨道横向关联3个算法阶段。
表2 不同算法阶段的轨道检测结果
Table 2 Track detection results after different steps of method
图6所示为对第2组数据依次进行单次扫描下的轨道检测、纵向单轨聚类和轨道横向关联后的轨顶关键点检测结果，在
平面中表示。图6中，箭头所示数值为各轨道区段的检测召回率。实验车辆从
处自左向右行驶，车辆行驶在由3条单轨构成的混合轨距轨道上，在其右侧依次有2条汇入当前轨道的侧轨，分别为标准轨距轨道和窄轨。从表2和图6可以看出：单次扫描的轨道检测后，所有轨道中的96.9%被正确检测，且在不同阶段的轨道检测结果中，对实验车辆所在轨道的检测召回率都要高于其他2条轨道的检测召回率。由于轨道设计原因，在道岔处(
)的轨道具有不同的几何形状，会发生少量漏检。图6中，错误检测点主要出现在
和
，
的区域。从图6(a)可以看出：在经过单次扫描的轨道检测后，轨道外存在一些随机分布的错误检测点(
)，而在经过纵向单轨聚类和轨道横向关联后，这些错误检测点明显减少，最终的整体检测准确率
为94.6%。然而，对于轨道横向关联，任何1个轨顶关键点只有在存在与其满足轨距和平行性要求的另一检测的条件下才被保留，因此，在图6(c)的下方边界处(
)的轨顶关键点，由于不存在与之关联的另1条轨道而被剔除，轨道横向关联后降低了这条轨道区段的检测召回率(90.5%)。
图6 第2组数据在不同算法阶段的轨道检测结果
Fig. 6 Track detection results at different steps of method for dataset 2
由表2可以看出：第4组数据的最终轨道检测召回率最低(
)，这是因为部分轨道位于平交道口，其几何形状与本文定义的模型不符，从而产生了大量漏检，导致对应轨道区段的检测召回率较低。对比不同组数据在不同算法阶段的召回率与准确率，可以发现随着不同阶段算法的实现，轨道检测的召回率略有降低，而检测准确率显著提高。就整体实验结果而言，本文的方法可以准确检测每1条轨道，最低召回率为83.0%，最高召回率为97.5%，且发生的错误检测较少(准确率在93.3%至97.9%之间)。此外，本文提出的方法适用于多种不同轨距的轨道，例如标准轨距轨道、窄距轨道及混合轨距轨道。
4 结论
1) 在纵向单轨聚类及轨道横向关联中，都规定了在包含次扫描的滑动窗内至少包含的检测点个数及允许的最大无关联次数，有效地减少了错误的轨道检测。在不考虑激光雷达回波强度信息的前提下，各组数据在纵向单轨聚类后的轨道检测准确率相比单次扫描下的轨道检测提高了2.4%~4.3%，而在轨道横向关联后又至少提高了3.1%。
2) 基于轨道横纵向几何特征的轨道检测方法适用于现实铁路环境中多种复杂轨道的检测，为道岔及列车在道岔处的分支方向的识别以及列车车载定位系统实现轨道选择式定位提供了新的信息来源。
参考文献：
[1] 刘江, 蔡伯根, 王剑. 基于卫星导航系统的列车定位技术现状与发展[J]. 中南大学学报(自然科学版), 2014, 45(11): 4033-4042.
LIU Jiang, CAI Baigen, WANG Jian. Status and development of satellite navigation system based train positioning technology[J]. Journal of Central South University (Science and Technology), 2014, 45(11): 4033-4042.
[2] STEIN D. Mobile laser scanning based determination of railway network topology and branching direction on turnouts[D]. Karlsruhe: Karlsruhe Institute of Technology. The Institute of Measurement and Control Systems, 2017: 6-8.
[3] LUDDECKE K, RAHMIG C. Evaluating multiple GNSS data in a multi-hypothesis based map-matching algorithm for train positioning[C]// Proceedings of IEEE Intelligent Vehicles Symposium. Baden-Baden, Germany: IEEE, 2011:1037-1042.
[4] LAUER M, STEIN D. A train localization algorithm for train protection systems of the future[J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 16(2): 1-10.
[5] ALBRECHT T, LUDDECKE K, ZIMMERMANN J. A precise and reliable train positioning system and its use for automation of train operation[C]// Proceedings of IEEE International Conference on Intelligent Rail Transportation. Beijing, China: IEEE, 2013: 134-139.
[6] 王迪, 陈光武, 刘射德, 等. 基于GNSS双差定姿的区间列车轨道占用判别方法研究[J]. 铁道学报, 2018, 40(11): 81-87.
WANG Di, CHEN Guangwu, LIU Shede, et al. Study on GNSS double difference attitude determination based train track occupancy discrimination method[J]. Journal of the China Railway Society, 2018, 40(11): 81-87.
[7] HEIRICH O, ROBERTSON P, STRANG T. RailSLAM - localization of rail vehicles and mapping of geometric railway tracks[C]// Proceedings of IEEE International Conference on Robotics and Automation. Karlsruhe, Germany: IEEE, 2013: 5212-5219.
[8] OUDE ELBERINK S, KHOSHELHAM K, ARASTOUNIA M, et al. Rail track detection and modelling in mobile laser scanner data[C]// Proceedings of ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Antalya, Turkey: ISPRS, 2013: 223-228.
[9] WOHLFEIL J. Vision based rail track and switch recognition for self-localization of trains in a rail network[C]// Proceedings of IEEE Intelligent Vehicles Symposium (IV). Baden-Baden, Germany: IEEE, 2011: 1025-1030.
[10] ROSS R. Track and turnout detection in video-signals using probabilistic spline curves[C]// Proceedings of 15th International IEEE Conference on Intelligent Transportation Systems. Anchorage, AK, USA: IEEE, 2012: 294-299.
[11] HEIRICH O, STEINGASS A, LEHNER A, et al. Velocity and location information from onboard vibration measurements of rail vehicles[C]// Proceedings of the 16th International Conference on Information Fusion. Istanbul, Turkey: IEEE, 2013: 1835-1840.
[12] RESENDIZ E, HART J, AHUJA N. Automated visual inspection of railroad tracks[J]. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(2): 751-760.
[13] HENSEL S, HASBERG C, STILLER C. Probabilistic rail vehicle localization with eddy current sensors in topological maps[J]. IEEE Transactions on Intelligent Transportation Systems, 2011, 12(4): 1525-1536.
[14] STEIN D, LAUER M, SPINDLER M. An analysis of different sensors for turnout detection for train-borne localization systems[J] WIT Transactions on The Built Environment, 2014, 135: 827-838.
[15] STEIN D, SPINDLER M, KUPER J, et al. Rail detection using lidar sensors[J]. International Journal of Sustainable Development and Planning, 2016, 11(1): 65-78.
[16] RAHMIG C , JOHANNES L , KATRIN L. Detecting track events with a laser scanner for using within a modified multi-hypothesis based map-matching algorithm for train positioning[C]// Proceedings of European Navigation Conference. Vienna, Austria: IEEE, 2013.
[17] HACKEL T, STEIN D, MAINDORFER I, et al. Track detection in 3D laser scanning data of railway infrastructure[C]// Proceedings of IEEE International Instrumentation and Measurement Technology Conference. Pisa, Italy: IEEE, 2015: 693-698.
[18] OUDE ELBERINK S, KHOSHELHAM K. Automatic extraction of railroad centerlines from mobile laser scanning data[J]. Remote Sensing, 2015, 7(5): 5565-5583.
[19] BLUG A, BAULIG C, WOLFELSCHNEIDER H, et al. Fast fiber coupled clearance profile scanner using real time 3D data processing with automatic rail detection[C]// Proceedings of IEEE Intelligent Vehicles Symposium. Parma, Italy: IEEE, 2004: 658-663.
（编辑 伍锦花）
收稿日期： 2019 -05 -07; 修回日期： 2019 -07 -07
基金项目(Foundation item)：北京市自然科学基金资助项目(4184096)；国家自然科学基金资助项目(61703034) (Project(4184096) supported by the Natural Science Foundation of Beijing Municipality; Project(61703034) supported by the National Natural Science Foundation of China )
通信作者：姜维，博士，副教授，从事多传感器组合导航研究；E-mail：weijiang@bjtu.edu.cn
