CN114872741B - 一种基于安全导向的机车辅助自动驾驶***及方法 - Google Patents
一种基于安全导向的机车辅助自动驾驶***及方法 Download PDFInfo
- Publication number
- CN114872741B CN114872741B CN202210602378.3A CN202210602378A CN114872741B CN 114872741 B CN114872741 B CN 114872741B CN 202210602378 A CN202210602378 A CN 202210602378A CN 114872741 B CN114872741 B CN 114872741B
- Authority
- CN
- China
- Prior art keywords
- locomotive
- safety
- module
- speed
- running
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 613
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000003993 interaction Effects 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims description 40
- 238000013439 planning Methods 0.000 claims description 34
- 230000007613 environmental effect Effects 0.000 claims description 33
- 238000013210 evaluation model Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 12
- 206010041349 Somnolence Diseases 0.000 claims description 11
- 238000002955 isolation Methods 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 9
- 208000032140 Sleepiness Diseases 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000037321 sleepiness Effects 0.000 claims description 7
- 239000000872 buffer Substances 0.000 claims description 5
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 claims description 4
- 239000007853 buffer solution Substances 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 3
- 101100149325 Escherichia coli (strain K12) setC gene Proteins 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 description 28
- 238000005070 sampling Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 230000033228 biological regulation Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 239000007779 soft material Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61C—LOCOMOTIVES; MOTOR RAILCARS
- B61C17/00—Arrangement or disposition of parts; Details or accessories not otherwise provided for; Use of control gear and control systems
- B61C17/12—Control gear; Arrangements for controlling locomotives from remote points in the train or when operating in multiple units
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0072—On-board train data handling
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于安全导向的机车辅助自动驾驶***及方法,包括:车载模块、机车接口模块、交互模块和环境安全模块;机车接口模块与车载模块连接;交互模块与车载模块连接;环境安全模块与车载模块连接;环境安全模块的毫米波雷达与车载模块连接;激光雷达与车载模块连接。本发明通过在机车辅助自动驾驶***中设置环境安全模块,实现了基于安全导向的机车辅助自动驾驶,解决了单一传感器存在的视觉盲区,而视频传感器的测量精度随距离增大而降低,对于较远距离的物体检测清晰度不够,而且也无法得到物体的准确距离信息的技术问题。能够提高障碍物检测的准确度。大提高机车运行安全性,降低司机驾驶过程中的疲劳度。
Description
技术领域
本发明涉及机车辅助自动驾驶***技术领域,尤其涉及一种基于安全导向的机车辅助自动驾驶***及方法。
背景技术
现有铁路机车由于轨道线路固定,多以人工驾驶为主,由于机车运行线路长,容易存在疲劳驾驶等问题而存在安全隐患,且人工驾驶时,多通过人眼观测周围环境,加上人的反应存在一定的滞后性,对于周围环境的感知程度较弱,遇到紧急情况时不能及时躲避。通过增加多传感器设备可以降低驾驶员驾驶强度,缓解驾驶员紧张情绪,提高机车运行安全性。
目前现有的感知设备以单一传感器为主,单一传感器检测容易造成信息盲区,信息表达具有局限性。如现有机车上配置的6A视频采集装置,由于视频传感器测量精度随距离增大而降低,对于较远距离的物体检测清晰度不够,这是传感器物理属性所致。另外现有视频数据无法实现实时处理,只能用于事后的问题分析,无法满足智能化轨道交通发展的需求。
传感器融合在智慧交通领域应用正在逐步推广,但在大铁路行业上的应用还有待推广,尤其是重载、长大坡道等特殊场景的铁路应用环境更需要利用多种传感器的信息融合实现智能轨道交通的长远发展。
发明内容
本发明提供一种基于安全导向的机车辅助自动驾驶***及方法,以克服上述技术问题。
为了实现上述目的,本发明的技术方案是:
一种基于安全导向的机车辅助自动驾驶***,机车辅助自动驾驶***根据内置于车载模块中的安全状态评估模型确定机车运行安全等级,以实现机车辅助自动驾驶;包括:车载模块、机车接口模块、交互模块和环境安全模块;
所述机车接口模块与所述车载模块连接,以实现所述机车接口模块与所述车载模块之间的数据交换,实现所述车载模块根据LKJ数据、TCMS数据、司乘人员状态数据、制动机数据、列尾数据对机车进行安全状态评估,获取机车运行安全等级,并根据所述机车运行安全等级实现机车的辅助自动驾驶;
所述交互模块与所述车载模块连接,以实现所述交互模块与所述车载模块之间的数据交换,实现通过所述交互模块显示危险预警警示、轨迹跟随及机车运行状态、机车运行的规划曲线、自动驾驶牵引/制动力,及人工操作与自动驾驶间指令交互;
所述环境安全模块与所述车载模块连接,以实现所述环境安全模块与所述车载模块之间的数据交换,将所述环境安全模块所采集到的环境数据传输至所述车载模块;
所述环境安全模块包括若干摄像头、毫米波雷达和激光雷达;所述摄像头与所述车载模块连接,以获取机车运行方向前方障碍物图像,并传输至所述车载模块;
所述毫米波雷达与所述车载模块连接,以获取所述障碍物与当前机车相对距离数据和方位角数据,并传输至所述车载模块;
所述激光雷达与所述车载模块连接,以获取机车运行方向前方障碍物的坐标、尺寸和运动方向,和障碍物与当前机车相对速度数据,并传输至所述车载模块。
进一步的,所述车载模块包括接口单元、中央控制单元及数据存储单元;
所述接口单元与所述机车接口模块进行连接,以实现所述车载模块通过所述接口单元与所述机车接口模块之间的数据交换;通过所述机车接口单元获取机车接口模块的LKJ数据、TCMS数据、司乘人员状态数据、制动机数据、列尾数据;
所述接口单元与所述交互模块进行连接;以实现所述车载模块通过所述接口单元与所述交互模块之间的数据交换;实现通过所述交互模块实现危险预警警示、轨迹跟随及机车运行状态、机车运行的规划曲线的可视化,及人工操作与自动驾驶间指令交互;
所述接口单元与所述环境安全模块进行连接;以实现所述车载模块通过所述接口单元与所述环境安全模块之间的数据交换;
所述数据存储模块与所述接口单元连接,以实现所述数据存储模块与所述接口单元之间的数据交换,所述数据存储模块预存机车当前运行线路信息,包括但不限于地面坡度、机车限速曲线;所述数据存储模块根据安全事故高发区或者地面坡度变化区自动驾驶运行数据建立路线特征数据库;
进一步的,存储模块也能够为司乘人员状态数据建立数据库,统计其实际运行时的运行数据,用于提取司乘人员驾驶特性;以根据所述司乘人员驾驶特性作为建立司乘人员状态模型的参数,进而规划运行速度曲线;
所述中央控制单元与所述接口单元连接,以实现所述中央控制单元与所述接口单元之间的数据交换,并根据安全事故高发区或者地面坡度变化区建立路线特征数据库,并对路线特征数据库中的特征作为所述安全状态评估模型中的参数,以对机车进行安全状态评估,获取机车运行安全等级,并根据所述机车运行安全等级实现机车的辅助自动驾驶。
进一步的,所述对机车进行安全状态评估的方法为:
通过安全状态评估模型确定机车运行安全等级ABCD;并根据所述机车运行安全等级启动对应的安全预警,并引导机车重新规划运行速度曲线;
所述安全状态评估模型包括机车速度导向模型、机车故障导向模型、环境安全导向模型及司乘人员状态导向模型;
机车通过所述机车速度导向模型获取机车速度安全等级;
机车通过所述机车故障导向模型获取机车故障安全等级;
机车通过所述环境安全导向模型获取机车环境安全等级;
机车通过所述司乘人员状态导向模型获取机车司乘人员安全等级;
所述安全状态评估模型取机车速度安全等级、机车故障安全等级、机车环境安全等级和机车司乘人员安全等级的最小值。
进一步的,机车通过所述机车速度导向模型获取机车速度安全等级的方法如下:
所述机车速度导向模型实时监督机车运行速度,获得机车速度安全等级A,A∈(0,1,3,5):即机车速度运行安全等级包括安全5级、安全3级、安全1级和安全0级;
具体的,当机车运行速度不超过速度安全阈值,且机车载重不超过载重阈值且当前运行线路坡度值不大于坡度阈值时,所述机车速度安全等级A=5,此时机车不需要重新规划运行速度曲线;
当机车速度不超过速度安全阈值,且机车载重超过载重阈值且当前运行线路坡度值大于坡度阈值时,所述机车速度安全等级A=3,此时机车向司乘人员发出危险预警提示,不需要重新规划运行速度曲线;
当机车速度不超过速度安全阈值,且机车运行速度与机车运行曲线上当前位置点的速度之差小于速度差值阈值时,所述机车速度安全等级A=1,此时机车调整实时运行速度,不需要重新规划运行速度曲线;
当机车速度超过速度安全阈值,或者机车运行速度与机车运行曲线上当前位置点的速度之差小于速度差值阈值时,所述机车速度安全等级A=0,机车在倒计时时间阈值内由自动驾驶模式转为人工驾驶模式,重新规划运行速度曲线。
进一步的,机车通过所述机车故障导向模型获取机车故障安全等级的方法如下:所述机车故障导向模型根据车载网络故障模型,分析当前故障是否影响机车自动驾驶,以获取机车故障安全等级B,B∈(0,1,3,5);决定是否需要重新规划运行速度曲线;即机车故障安全等级包括安全5级、安全3级、安全1级和安全0级;
具体的,当机车无故障时,所述机车故障安全等级B=5,此时机车不需要重新规划运行速度曲线;
当机车隔离轴数量小于第一隔离轴数量阈值时,所述机车故障安全等级B=3,此时机车向司乘人员发出危险预警提示,不需要重新规划运行速度曲线;
当机车隔离轴数量大于第一隔离轴数量阈值且小于第二隔离轴数量阈值时,所述机车故障安全等级B=1,此时机车调整实时运行速度,不需要重新规划运行速度曲线;
当机车隔离轴数量大于第二隔离轴数量阈值时,所述机车故障安全等级B=0,机车由自动驾驶模式转为人工驾驶模式,重新规划运行速度曲线。
进一步的,机车通过所述环境安全导向模型获取机车环境安全等级的方法如下:
所述环境安全导向模型根据所述环境安全模块所采集到的障碍物尺寸和障碍物与机车之间的距离,获取机车环境安全等级C,C∈(0,1,3,5);即机车环境安全等级包括安全5级、安全3级、安全1级和安全0级;
具体的,当机车运行方向前方无障碍物,或障碍物的尺寸小于尺寸阈值、障碍物的硬度小于硬度阈值时及障碍物与机车之间的距离大于距离阈值时,所述机车环境安全等级C=5,此时机车不需要重新规划运行速度曲线;
当机车运行方向前方有尺寸大于尺寸阈值且硬度小于硬度阈值的障碍物时,所述机车环境安全等级C=3,此时机车向司乘人员发出危险预警提示,不需要重新规划运行速度曲线;
当机车运行方向前方有尺寸大于尺寸阈值的动态障碍物时,所述机车环境安全等级C=1,此时机车调整实时运行速度,不需要重新规划运行速度曲线;
当机车运行方向前方的障碍物与机车之间的距离小于距离阈值时,所述机车环境安全等级C=0,机车由自动驾驶模式转为人工驾驶模式,重新规划运行速度曲线。
进一步的,机车通过所述司乘人员状态模型获取机车司乘人员安全等级的方法如下:所述司乘人员状态模型根据6A***数据,获取机车司乘人员安全等级D,D∈(0,1,3,5);即机车司乘人员安全等级包括安全5级、安全3级和安全0级;
具体的,当司乘人员根据汽车驾驶员瞌睡预警***的信号确定司机无瞌睡状态或司乘人员持续看手机持续时间不超过时间阈值时,所述司乘人员安全等级D=5,此时机车不需要重新规划运行速度曲线;
当司乘人员根据汽车驾驶员瞌睡预警***提供的报警信号确定司机处于瞌睡状态或者司乘人员持续看手机持续时间超过时间阈值时,所述司乘人员安全等级D=3,此时机车向司乘人员发出危险预警提示,不需要重新规划运行速度曲线;
当司乘人员根据汽车驾驶员瞌睡预警***提供的报警信号确定司机处于瞌睡状态,且经多次预警提醒后仍处于瞌睡状态,所述司乘人员安全等级D=0,机车进行紧急制动操作,同时重新规划运行速度曲线。
进一步的,所述环境安全导向模型包括信息采集功能模块、信息感知功能模块、环境识别功能模块和目标跟随功能模块,
所述信息采集功能模块通过所述摄像头、毫米波雷达和激光雷达所获取的机车运行方向前方障碍物信息进行数据整合处理,获取障碍物数据;
所述信息感知功能模块通过对障碍物与当前机车相对距离数据和方位角数据以及相对速度数据,获取障碍物的形状;
所述环境识别功能模块通过卷积算法获取障碍物状态,以建立安全距离模型,获取机车环境安全等级;所述障碍物状态包括静态障碍物和动态障碍物运动状态;
所述目标跟随功能模块对所述动态障碍物信息进行实时跟随;对机车运行方向前方的障碍物进行跟踪;
所述安全距离模型的建立方法为:
根据障碍物尺寸、机车运行速度、当前线路条件、机车载重、动态障碍物运动状态及安全事故高发区路段或线路坡度变化区的线路特性,获取机车当前车辆行驶的安全距离。
一种基于安全导向的机车辅助自动驾驶***的设计方法,包括如下步骤:
S1:机车辅助自动驾驶***获取机车线路信息、机车信息和前方信号机状态信息;
S2:根据所述机车线路信息、机车信息和前方信号机状态信息,建立机车运行模型;
S3:根据所述机车运行模型,结合所述安全状态评估模型确定机车运行安全等级,以根据机车运行安全等级引导机车规划运行速度曲线;
S4:通过所述交互模块输出所述机车运行速度曲线及预警信息。
进一步的,当机车重载时,所述步骤S3前还包括:根据重载机车参数、车辆及缓冲器***的参数,建立重载机车多质点模型和车钩缓冲器模型,以减小组合机车纵向冲击力。
有益效果:本发明的一种基于安全导向的机车辅助自动驾驶***及方法,通过在机车辅助自动驾驶***中设置环境安全模块,实现了基于安全导向的机车辅助自动驾驶,解决了单一传感器存在的视觉盲区,而视频传感器的测量精度随距离增大而降低,对于较远距离的物体检测清晰度不够,而且也无法得到物体的准确距离信息的技术问题。能够提高障碍物检测的准确度。大提高机车运行安全性,降低司机驾驶过程中的疲劳度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1基于安全导向的机车辅助自动驾驶***设备连接图;
图2基于安全导向的机车辅助自动驾驶***设计框图;
图3环境安全导向的机车辅助自动驾驶***设计框图;
图4机车辅助自动驾驶***线路图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供了一种基于安全导向的机车辅助自动驾驶***,如图1-4所述;
在保证原有机车装置能够正常运行的前提下,当满足自动驾驶条件时,由人机交互显示单元通过驾驶状态切换界面进入机车辅助自动驾驶状态。包括:LKJ设备、TCMS***、6A***、制动单元、列尾装置、车载模块、机车接口模块、交互模块和环境安全模块;
具体的,所述LKJ设备是机车运行监控装置,是中国铁路机车运行控制***体系的常用组成部分;所述TCMS***是通用机车控制和管理***;所述6A***是机车车载安全防护***(简称6A***)是针对机车的高压绝缘、防火、视频、机车供电、制动***、走行部等涉及安全的重要事项、重点部件和部位,采用的具有实时检测、监视、报警并可实现网络传输、统一固态存储和拥有智能人机界面等功能的***。所述LKJ设备与所述机车接口模块连接,以实现所述LKJ设备与所述机车接口模块之间的数据交换,获取机车运行的LKJ数据;所述LKJ数据包括:编组信息、机车总重、车辆辆数、坡道状况,机车限速值,公里标,前方信号机状态;所述TCMS***与所述机车接口模块连接,以实现所述TCMS***与所述机车接口模块之间的数据交换,获取TCMS数据;所述TCMS数据包括机车运行速度,牵引/制动力,工况数据,故障信息数据;所述6A***与所述机车接口模块连接,实现所述6A***与所述机车接口模块之间的数据交换,获取司乘人员状态数据;所述制动单元与所述机车接口模块连接,以实现所述制动单元与所述机车接口模块之间的数据交换,获取机车运行过程中的制动机数据;所述列尾装置与所述机车接口模块连接,以实现所述列尾装置与所述机车接口模块之间的数据交换,获取列尾数据;
具体的,LKJ设备提供了LKJ数据,即机车运行基本线路数据,包括并不限于编组信息、机车总重、车辆辆数、坡道状况,机车限速曲线,公里标,前方信号机状态等;TCMS***提供TCMS数据,包括机车运行速度,牵引/制动力,工况,故障信息等机车运行基础数据;6A***提供6A***数据,包括司乘人员驾驶过程中的操作视频;制动单元提供制动机数据,即执行自动驾驶发出的空气减压控制指令;列尾装置提供列尾数据,即机车车尾部风压数据,为自动驾驶***反馈尾部实时风压信息。
所述机车接口模块与所述车载模块连接,以实现所述机车接口模块与所述车载模块之间的数据交换,实现所述车载模块根据LKJ数据、TCMS数据、司乘人员状态数据、制动机数据、列尾数据对机车进行安全状态评估,获取机车运行安全等级,并根据所述机车运行安全等级实现机车的辅助自动驾驶;
具体的,所述车载模块是整个机车辅助自动驾驶***的核心,是机车运行的大脑,是所有数据的处理中心,结合环境安全模块及机车接口模块的数据实现基于安全导向的机车运行的规划曲线设计、危险预警及轨迹跟随等功能;
优选的,所述车载模块包括接口单元、中央控制单元及数据存储单元;
所述接口单元与所述机车接口模块进行连接,以实现所述车载模块通过所述接口单元与所述机车接口模块之间的数据交换;通过所述机车接口单元获取机车接口模块的LKJ数据、TCMS数据、司乘人员状态数据、制动机数据、列尾数据,且通过车载模块与制动机进行交互,实现紧急状态下的紧急制动操作;
所述接口单元与所述交互模块进行连接;以实现所述车载模块通过所述接口单元与所述交互模块之间的数据交换;实现通过所述交互模块实现危险预警警示、轨迹跟随及机车运行状态、机车运行的规划曲线的可视化,及人工操作与自动驾驶间指令交互;
所述接口单元与所述环境安全模块进行连接;以实现所述车载模块通过所述接口单元与所述环境安全模块之间的数据交换;
具体的,所述车载模块的接口单元与机车接口模块的数据进行交互,获取机车接口模块采集的车载数据,并且通过与制动机交互,实现紧急状态下的紧急制动处理;与环境安全模块的数据进行交互,获取环境安全模块通过摄像头、毫米波雷达采集的环境信息。与交互模块的数据进行交互,实现自动驾驶与人工驾驶之间的切换等指令交互信息,和机车的运行状态显示、危险预警、轨迹跟随等交互信息。
所述交互模块与所述车载模块连接,以实现所述交互模块与所述车载模块之间的数据交换,实现通过所述交互模块显示危险预警警示、轨迹跟随及机车运行状态、机车运行的规划曲线、自动驾驶牵引/制动力,及人工操作与自动驾驶间指令交互;
具体的,本实施例中的交互模块能够对以下信息进行可视化,包括危险预警警示、轨迹跟随及机车运行状态、环境线路,自动驾驶曲线动态规划的显示、自动驾驶牵引/制动力,实时运行状态、人工操作与自动驾驶间指令交互等功能等。所述交互模块在接收到危险信号时,提供语音预警信息,待设定倒计时时间内能够人工操作切换至手动驾驶或因情况紧急可在自动驾驶模式通过给制动单元发送制动指令控制紧急停车。
所述中央控制单元与所述接口单元连接,以实现所述中央控制单元与所述接口单元之间的数据交换,并根据安全事故高发区或者地面坡度变化区建立路线特征模型,以对机车进行安全状态评估,获取机车运行安全等级,并根据所述机车运行安全等级实现机车的辅助自动驾驶;
具体的,所述车载模块的中央控制单元是轨道机车上通用的具有优化计算、自适应控制功能的成熟的控制单元,通过接收机车接口单元所获取的车载数据和环境安全模块的数据,具体包括机车速度、前方信号机状态、限速值及地面坡度,司乘人员驾驶状态、机车当前故障状态等信息,结合环境安全模块对机车运行的安全导向性进行评估,并能实现机车运行规划曲线设计、危险预警及轨迹跟随等功能。
所述环境安全模块与所述车载模块连接,以实现所述环境安全模块与所述车载模块之间的数据交换,将所述环境安全模块所采集到的环境数据传输至所述车载模块;所述环境数据包括机车运行方向前方障碍物的坐标、尺寸和运动方向、所述障碍物与当前机车相对距离数据和方位角数据以及相对速度数据。
所述数据存储模块与所述接口单元连接,以实现所述数据存储模块与所述接口单元之间的数据交换,所述数据存储模块预存机车当前运行线路信息,包括但不限于地面坡度、机车限速曲线;并存储安全事故高发区或者地面坡度变化区自动驾驶运行数据的数据库。进一步的,存储模块也能够为司乘人员状态数据建立数据库,统计其实际运行时的运行数据,用于提取司乘人员驾驶特性;以根据所述司乘人员驾驶特性作为建立司乘人员状态模型的参数,进而规划运行速度曲线;具体的,本实施例中的根据所述司乘人员驾驶特性作为参数建立司乘人员状态模型的方法为领域里的常规技术,这里不进行过多描述。
具体的,所述数据存储模块预存机车当前运行线路的基本信息,包括并不限于坡道状况,机车限速曲线等,并在每次上电运行时与车载LKJ交互,确认数据版本信息是否一致,如不一致,需通过接口单元重新获取并保存LKJ新版数据,同时通过接口单元将数据上传给交互模块的显示单元,所述数据存储模块采用的是常见的能够进行数据存储以及数据更新模块,本发明仅为对其进行使用,因此这里不进行详细说明。
优选的,所述环境安全模块包括若干摄像头、毫米波雷达和激光雷达;
所述环境安全模块感知机车运行环境状况,通过摄像头、雷达等传感器增加机车对外部环境感知及实时处理能力。优选的,所述摄像头与所述车载模块连接,以获取机车运行方向前方障碍物图像,并传输至所述车载模块;
所述毫米波雷达与所述车载模块连接,以获取所述障碍物与当前机车相对距离数据和方位角数据,并传输至所述车载模块;
所述激光雷达与所述车载模块连接,以获取机车运行方向前方障碍物的坐标、尺寸和运动方向,和障碍物与当前机车相对速度数据,并传输至所述车载模块。在本发明的实施例中,所述摄像头、毫米波雷达和激光雷达均为对已有产品的直接应用,本专利仅为利用所述摄像头、毫米波雷达和激光雷达实现对机车运行环境信息进行采集,因此这里不进行赘述。
具体的,在发明的一个本实施例中,所述环境安全模块,由摄像头、毫米波雷达组成,摄像头和毫米波雷达分别针对观测目标收集数据,然后由车载模块的中央控制单元对摄像头和毫米波雷达的传输的环境数据进行特征提取与模式识别处理,并将目标按类别进行准确关联,最后利用融合算法将同一目标的所有传感器数据进行整合,对障碍物的位置、种类、速度等进行准确检测,实现机车周围环境感知功能。环境安全模块依据所述摄像头、毫米波雷达所采集数据的准确度及长度的不同,通过多种传感器之间的配合作业,避免行车中的死角。通过环境安全模块实时检测车辆行驶路况,可降低司乘人员的工作强度,提高运行的安全性。
在本发明的另一个实施例中,所述环境安全模块包括摄像头与毫米波雷达和激光雷达,在摄像头与毫米波雷达融合的基础上,增加激光雷达传感器,将三者的采集数据进行融合;激光雷达能够按扫描线数分单线与多线,根据成像方法分一维、二维、三维,一维多用于对目标距离测量,平面目标信息特征,二维对目标物体轮廓如树木,三维对目标进行精确识别与跟踪。激光雷达不仅能帮助无人驾驶车辆控制***获取目标信息的精确位置,还能够获取目标信息的速度、大小、方向等其他信息特征。所述环境安全模块在机车低速行驶过程中,尤其是在有限速要求的路段、机车防溜、出入库、岔道口即与居民生活区相连的地区运行的情况,能够对目标进行精确识别与跟踪,增加机车运行的安全性。其中,对环境数据进行特征提取和模式识别处理,并将目标按类别进行准确关联,最后利用融合算法将同一目标的所有传感器数据进行整合,均为现有技术,此处不进行详细展开描述。
优选地,所述对机车进行安全状态评估的方法为:
通过安全状态评估模型确定机车运行安全等级ABCD;并根据所述机车运行安全等级启动对应的安全预警,并引导机车重新规划运行速度曲线;其中的安全状态评估模型为内置于车载模块中软件程序;
所述安全状态评估模型包括机车速度导向模型、机车故障导向模型、环境安全导向模型及司乘人员状态导向模型;机车通过所述机车速度导向模型获取机车速度安全等级;机车通过所述机车故障导向模型获取机车故障安全等级;机车通过所述环境安全导向模型获取机车环境安全等级;机车通过所述司乘人员状态导向模型获取机车司乘人员安全等级;
所述安全状态评估模型取机车速度安全等级、机车故障安全等级、机车环境安全等级和机车司乘人员安全等级的最小值。
所述机车运行安全等级包括安全5级、安全3级、安全1级和安全0级;具体的,安全等级的设计为多个领域内技术人员根据长期的工作经验而设定,并内置于车载模块的软件程序中而进行应用。
所述机车速度导向模型通过所述LKJ设备,实时监督机车运行速度,获得机车速度安全等级A,A∈(0,1,3,5):即机车速度运行安全等级包括安全5级、安全3级、安全1级和安全0级;具体的,根据机车速度导向模型获得的机车速度安全等级,依据机车限定速度曲线要求,在安全阈值范围内规划机车运行曲线并实时控制机车运行,必要时,需要结合当前机车运行路况,是否为坡路,坡度是否影响机车控制,机车载重量等,如果当前速度有撞线危险,需要转为人工驾驶时,进一步的,还要根据存储模块为司乘人员状态数据建立数据库,所统计的司乘人员实际运行时的状态数据,提取司乘人员驾驶特性;依据不同司乘人员的驾驶特性,重新规划速度曲线,如有的司乘人员喜欢快速变换档位,有的司乘人员喜欢慢慢调速,具体规划过程需结合实际数据多次拟合。具体的,对于重载机车或长大下坡等场景,以及结合安全事故高发区或线路坡度变化区的特性,或在结合其他安全导向状态时限速规定阈值会有差别,可以借用LKJ装置也可以由独立的设备实现上述功能。
当机车运行速度不超过速度安全阈值,且机车载重不超过载重阈值且当前运行线路坡度值不大于坡度阈值时,所述机车速度安全等级A=5,此时机车不需要重新规划运行速度曲线;具体的,当机车载重超过载重阈值时重载机车,具体的载重阈值根据机车型号、机车数量等机车参数不同而不同,每辆机车在运行前其载重阈值是已经设定好,并直接定义在车载***中的。坡度阈值同样为机车运行前根据机车当前的运行路线而预先设置完成的。
当机车速度不超过速度安全阈值,且机车载重超过载重阈值且当前运行线路坡度值大于坡度阈值时,所述机车速度安全等级A=3,此时机车向司乘人员发出危险预警提示,不需要重新规划运行速度曲线;
当机车速度不超过速度安全阈值,且机车运行速度与机车运行曲线上当前位置点的速度之差小于速度差值阈值时,所述机车速度安全等级A=1,此时机车运行速度接近运行速度曲线,有撞线风险,但是不影响机车正常运行,因此,机车调整实时运行速度,不需要重新规划运行速度曲线;
当机车速度超过速度安全阈值,或者机车运行速度与机车运行曲线上当前位置点的速度之差小于速度差值阈值时,所述机车速度安全等级A=0,机车由自动驾驶模式转为人工驾驶模式,重新规划运行速度曲线;本发明的另一个实施例中,机车在在倒计时时间阈值内,可通过辅助自动驾驶***向制动接口模块发送制动指令控制紧急停车。
所述机车故障导向模型根据车载网络故障模型,分析当前故障是否影响机车自动驾驶,以获取机车故障安全等级B,B∈(0,1,3,5);即机车故障安全等级包括安全5级、安全3级、安全1级和安全0级;决定是否需要重新规划运行速度曲线,及是否需要调整牵引/制动力;
当机车无故障时,所述机车故障安全等级B=5,此时机车不需要重新规划运行速度曲线;
当机车隔离轴数量小于第一隔离轴数量阈值时,此时不影响机车正常运行时,所述机车故障安全等级B=3,此时机车向司乘人员发出危险预警提示,不需要重新规划运行速度曲线;
当机车隔离轴数量大于第一隔离轴数量阈值且小于第二隔离轴数量阈值时,此时不影响机车正常运行时,所述机车故障安全等级B=1,此时机车调整实时运行速度,不需要重新规划运行速度曲线;
当机车隔离轴数量大于第二隔离轴数量阈值时,此时机车不能够正常运行,所述机车故障安全等级B=0,机车由自动驾驶模式转为人工驾驶模式,重新规划运行速度曲线;本实施例中的第一隔离轴数量阈值小于第二隔离轴数量阈值,二者的取值范围根据不同的机车型号取值有所不同。
本实施例通过机车轴隔离数量作为机车故障等级的划分依据,具体的,第一隔离轴数量与机车类型相关的,6轴车,8轴车的隔离轴数均不同,第二隔离轴数量阈值是机车轴数总和的一半。
所述环境安全导向模型根据所述环境安全模块所采集到的障碍物尺寸和障碍物与机车之间的距离,获取机车环境安全等级C,C∈(0,1,3,5);即机车环境安全等级包括安全5级、安全3级、安全1级和安全0级;
当机车运行方向前方无障碍物,或障碍物的尺寸小于尺寸阈值、障碍物的硬度小于硬度阈值时及障碍物与机车之间的距离大于距离阈值时,所述机车环境安全等级C=5,此时机车不需要重新规划运行速度曲线;
当机车运行方向前方有尺寸大于尺寸阈值且硬度小于硬度阈值的障碍物时,所述机车环境安全等级C=3,此时机车向司乘人员发出危险预警提示,不需要重新规划运行速度曲线;
当机车运行方向前方有尺寸大于尺寸阈值的动态障碍物时,所述机车环境安全等级C=1,此时机车调整实时运行速度,不需要重新规划运行速度曲线;
当机车运行方向前方的障碍物与机车之间的距离小于距离阈值时,所述机车环境安全等级C=0,机车由自动驾驶模式转为人工驾驶模式,重新规划运行速度曲线;
具体的,本实施例中,根据机车运行安全标准及本领域人员的常规的公知技术,对于机车在不同运行线路及不同的实时运行速度情况下,对于小尺寸障碍物的尺寸标准,软质材料的界定标准,超大静态障碍物的尺寸标准,硬质材料障碍物的界定标准等,均有相关的规定,并且相应参数预先设置于机车的中央控制单元中,实现本实施例中通过安全状态评估模型来确定机车运行安全等级。
具体的,本实施例从障碍物尺寸、机车当前运行速度、当前线路条件、机车载重及动态障碍物跟随状态等加以计算出当前状态下车辆行驶的安全距离,以铁轨为参考基准,只考虑机车运行范围内影响机车运行的障碍物。小尺寸软质材料障碍物,尺寸范围0.5米以内的,常见的如轨旁纸壳、塑料等,符合安全距离标准,如不影响机车运行的,经评估验证可忽略的属于安全5级;超大静态障碍物或硬质材料障碍物,符合安全距离标准不影响机车规划曲线正常运行,需有危险预警提示,需要提醒司乘人员注意,依据安全距离模型判断是否需要减速慢行,分别属于安全3级或、安全1级,安全0级,如出库时的库门等障碍物,可转为人工驾驶状态;动态障碍物即使符合安全距离标准,也需要实时跟随障碍物运动状态,动态障碍物包括误入线路内的人、动物、车辆等,依据安全距离模型判断,必要时采取紧急制动并鸣笛预警,分别属于安全1级或安全0级。
所述司乘人员状态模型根据6A***数据,获取机车司乘人员安全等级D,D∈(0,1,3,5);即机车司乘人员安全等级包括安全5级、安全3级和安全0级;
当司乘人员根据汽车驾驶员瞌睡预警***的信号确定司机无瞌睡状态或司乘人员持续看手机持续时间不超过时间阈值时,所述司乘人员安全等级D=5,此时机车不需要重新规划运行速度曲线;具体的,本实施例中判定驾驶员瞌睡状态的汽车驾驶员瞌睡预警***是现有技术,这里不进行详细描述。
当司乘人员根据汽车驾驶员瞌睡预警***提供的报警信号确定司机处于瞌睡状态或者司乘人员持续看手机持续时间超过时间阈值时,所述司乘人员安全等级D=3,此时机车向司乘人员发出危险预警提示,不需要重新规划运行速度曲线;
当司乘人员根据汽车驾驶员瞌睡预警***提供的报警信号确定司机处于瞌睡状态,且经多次预警提醒后仍处于瞌睡状态,所述司乘人员安全等级D=0,机车进行紧急制动操作,同时重新规划运行速度曲线。
具体的,安全状态评估模型的结果为机车速度导向模型、机车故障导向模型、环境安全导向模型及司乘人员状态导向模型的综合,由4位数字组成,表示为ABCD,其中的A表示机车速度导向安全等级值,B表示机车故障导向安全等级值,C表示环境安全导向安全等级值,D表示司乘人员状态导向安全等级值。即当安全状态评估功能模块值为5555时,无安全隐患,机车可正常运行;当有任何一位的数字值小于5时,发出危险预警提示;当有任何一位的数字值为0时,立即转入人工驾驶模式。必要时,启动紧急制动。
优选地,所述安全距离模型的建立方法为:
根据障碍物尺寸、机车运行速度、当前线路条件、机车载重、动态障碍物运动状态及安全事故高发区路段或线路坡度变化区的线路特性,获取机车当前车辆行驶的安全距离。
具体的,本实施例还通过记录存储的安全事故高发区或线路坡度变化区的自动驾驶运行数据,提取特征路段的特征,以上特征可用于建立机车安全距离模型建模。
具体的,本实施例的安全状态评估模型,也能够用于辅助自动驾驶过程中的人工驾驶过程,通过记录存储的司乘人员各线路运行特征,提取司乘人员驾驶特征,分析司乘人员是否存在瞌睡状态,玩手机操作等非正常的驾驶状态,所述司乘人员特征能够用于建立机车安全距离模型建模。
优选的,所述环境安全导向模型包括信息采集功能模块、信息感知功能模块、环境识别功能模块和目标跟随功能模块,
所述信息采集功能模块通过所述摄像头、毫米波雷达和激光雷达所获取的机车运行方向前方障碍物信息进行数据整合处理,获取障碍物数据;
所述信息感知功能模块通过对障碍物与当前机车相对距离数据和方位角数据以及相对速度数据,获取障碍物的形状;
所述环境识别功能模块通过卷积算法获取障碍物状态,以建立安全距离模型,获取机车环境安全等级;所述障碍物状态包括静态障碍物和动态障碍物运动状态;静态障碍物为线路周边的环境,以轨道线路为分界点,对障碍物尺寸及相对距离建立模型,由安全状态评估模块结合机车数据评估安全等级。动态障碍物需要由目标跟随功能模块实时跟随障碍物状态后,再依据障碍物尺寸及相对距离建立模型,结合机车运行数据评估安全等级。具体的,本实施例中的利用数据滤波、聚类分析及卷积算法等识别障碍物。识别过程中过于考虑局部细节特征,容易受限于图像本身,如需识别的障碍物较远时,当感兴趣的目标过于小时,按照多层级联的结构只靠提取细节来识别会影响准确率;反而适量的增加感兴趣目标的全局特征能达到比较好的效果。针对以上问题设计了两个不同的网络结构通过增加全局特征来修正传统卷积神经网络,然后通过并联这两个卷积神经网络结构实现在无人驾驶汽车过程中对动态障碍物的检测识别。
优选的,所述卷积算法的卷积网络包括第一卷积神经网络模型和第二卷积神经网络模型;所述第一神经网络模型和所述第二神经网络模型并联,且均与全连接层连接,作为输出层;
所述第一神经网络模型用于对环境图像的细节特征进行采样,所述第二神经网络模型对所述第一神经网络模型的采样的结构进行修正,对环境图像的全局特征进行采样。
具体的,所述识别机车运行方向前方的障碍物的方法为:通过卷积神经网络模型处理机车运行方向前方的障碍物的图像;
所述卷积算法的卷积网络包括第一卷积神经网络模型和第二卷积神经网络模型;所述第一神经网络模型和所述第二神经网络模型并联,且均与全连接层连接,作为输出层;所述第一神经网络模型用于对环境图像的细节特征进行采样,所述第二神经网络模型对所述第一神经网络模型的采样的结构进行修正,对环境图像的全局特征进行采样。
具体的,在所述输入层中输入所述机车运行方向前方的障碍物的图像;在所述第一神经网络模型中对所述机车运行方向前方的障碍物的图像的细节特征进行采样;在所述第二神经网络模型中对所述第一神经网络模型采样的结构进行修正,对所述机车运行方向前方的障碍物的图像的全局特征进行采样。
本发明的一个实施例如下:
如一个由4层卷积层和3层池化层组成的第一神经网络模型。第一神经网络模型是由4个卷积层和3个池化层组成,为了保证对细节的足够采样,当卷积层步长均为1时,第一个卷积层的卷积核为8X8,第一层池化操作提取的特征图数为16,第二个和第三个卷积层的卷积核为3X3,第二层和第三层池化层提取的特征图数为32,第四个卷积层的卷积核为2X2。
第二神经网络模型是一个由3层卷积层和1层池化层组成,目的是对图像的全局特征进行采样。当卷积层步长均为1时,第一个卷积层的卷积核为5x5,第一层池化操作提取的特征图数为16,第二个和第三个卷积层的卷积核为3x3,但是只保留初次卷积后的池化操作,进而可以最大化的保留图像的全局特征同时除去冗余的数据和保证图像位移不变的同时降低图像的维度。
全连接层在该网络结构中共有3个,在第一神经网络模型和第二神经网络模型中分别有2个具有400个单元的全连接层,分别对第一神经网络模型和第二神经网络模型提取的图像特征进行融合,然后由1个100个单位的全连接层将两部分融合在一起,第一神经网络模型通过全连接层1提取的是局部的图像特征,第二神经网络模型通过全连接层2提取的是全部的图像特征,该改进的算法即时将局部特征与全局特征融合在一起得到更为准确的图像识别,因此采用一层100个单位的全连接,最后用Softmax分类层即输出层进行分类识别。输出障碍物的准确的图像。
具体的,本实施例中的网络结构是由两层卷积神经网络模型并行组成,最后由同一个全连接层整合两层的识别结果。第一神经网络模型主要作用是对图像的细节特征进行采样,因此不改变网络结构,第二神经网络模型的主要作用是对上层采样的结构进行修正,对图像的全局特征进行采样。
所述目标跟随功能模块对所述动态障碍物信息进行实时跟随;对机车运行方向前方的障碍物进行跟踪。主要包括机动目标模型的选取,跟随参数确定等。其中的机动目标模型,比较常速度模型、常加速模型及当前统计模型的***原理及应用场合,采用基于当前机动目标模型的自适应卡尔曼滤波算法对车辆前方目标进行跟踪,并分析跟踪***参数对算法的影响。
具体的,本发明的实施例中,所述信息采集功能模块、信息感知功能模块、环境识别功能模块和目标跟随功能模块,均为利用已有的模块,实现本实施例中的功能,因此不进行详细描述。
本发明还公开了一种基于安全导向的机车辅助自动驾驶***设计方法,包括如下步骤:
具体的,本实施例中的机车辅助自动驾驶***,在保障机车运行安全的前提下结合不同的应用场景来剪辑自动驾驶模型,通过调整相关参数的方法来实现不同场景下的机车辅助自动驾驶模型。并依据根据不同的安全导向模型,结合当前机车数据评估安全等级,来设置安全预警等级,并根据安全预警等级来进行机车运行曲线的重新规划。
S1:机车辅助自动驾驶***获取机车线路信息、机车信息和前方信号机状态信息;
具体的,本实施例中的所述线路信息包含线路限速、车站、坡道、弯道、位置及分相等;所述机车信息包含机车总重、机车长度、货车车辆数、机车牵引/制动特性、空气制动特性、机车编组、轮径和机车实时状态;所述信号信息包含行车前方的信号灯以及信号灯所处位置等。
S2:根据所述机车线路信息、机车信息和前方信号机状态信息;建立机车模型;
具体的,按照牵规等相关规定,结合机车信息建立机车模型,并计算相关的阻力,其中,机车模型的建立,为轨道机车领域的常用技术,本实施例不进行具体描述。
S3:根据安全导向模型识别机车运行方向前方的障碍物,结合安全状态评估功能模块,获取机车运行速度曲线;
所述安全导向模型包括:机车速度安全导向模型、司乘人员状态导向模型、机车故障安全导向模型、环境安全导向模型;
具体的,机车辅助自动驾驶***根据速度安全导向模型;以实时监督机车运行速度,一旦机车速度超过规定速度,LKJ会立刻产生紧急制动指令,从而达到安全防护目的,具有输出语音提示、解除机车牵引力、常用制动和紧急制动四种控制机车指令的功能;
根据所述6A***数据建立司乘人员状态导向模型;本实施例中,通过对6A***视频数据实时分析,监控司乘人员状态,分辨是否存在瞌睡或其他违规操作行为,如玩手机,非法操作等。其中的防瞌睡对讲功能能够对司乘人员进行连续3次语音提醒(或关联无人警惕报警),如3分钟后检测状态仍未有改善,则提高危险等级,必要时,启动紧急制动。同时也能够将司乘人员对操作面板的相关操作信息存储记录,便于后期故障追溯。
根据车载网络故障数据建立机车故障安全导向模型,以分析当前故障是否影响机车自动驾驶,根据故障影响程度决定是否需要重新规划运行曲线,以及是否需要重新设计调整牵引/制动力等。如轴隔离故障,当隔离轴数不同时,牵引/制动力的计算值也不同,如果隔离轴数量大于一定数据(依车型不同),则可能无法实现自动驾驶功能,则需要提醒司乘人员将机车模型切换到人工驾驶状态。具体的,在本发明的另一个实施例中,以HXD2型机车为例介绍机车的故障程度,以实现本发明根据故障的程度来确定辅助自动驾驶***是否需要重新规划运行,其故障代码由6位数字组成,其中前两位数字表示故障等级,中间两位数字表示故障发生的部件,最后两位为具体的故障代码。
根据环境数据建立环境安全导向模型,所述环境安全导向模型分为动态运行与静态停车两种不同状态。动态运行时主要考虑环境安全问题,查看线路周边是否存在障碍物,该障碍物为静态还是动态,是否影响机车运行;是否有临时闯入动态障碍物(人、动物,车辆)等。静态停车状态主要考虑车辆是否存在溜车现象。动态障碍物检测需要跟踪激光雷达数据,除了包含障碍物点的位置极坐标,还有激光点的回波脉冲宽度,其与障碍物的颜色、材质与表面粗糙程度有关。回波脉冲宽度一般在0~500范围内,不同障碍物对应的脉冲宽度值有很大差别,可以用于障碍物的匹配关联。
具体的,本实施例中机车速度安全导向模型、司乘人员状态导向模型、机车故障安全导向模型,环境安全导向模型均采用已有的技术来建立,这里仅为应用所建立的模型来实现本实施例中的机车辅助自动驾驶***的建立,因此不进行详细描述。
优选的,当机车重载时,在所述步骤S3前还包括根据重载机车参数、车辆及缓冲器***的参数,建立重载机车多质点模型和车钩缓冲器模型,以减小组合机车纵向冲动,保障机车安全平稳运行。
具体的,当机车为重载机车时,重载机车因其长编组、大载重的特点,控车难度高,在行车时需要司机密切注意编组机车运行状态和线路情况,及时调整牵引力和制动力,重载机车的制动***以空气制动为主,制动信号以空气压力波为媒介从车头向机车尾部传送,空气压力波传播极限速度是300m/s。采用传统空气制动,制动减压信号从编组机车头部传向编组机车尾部至少需要8s左右的时间,导致编组机车制动时间不一致,从而产生较大车钩力和纵向冲动,这是导致重载机车发生断钩、脱轨事故的主要原因。因此,在辅助驾驶***中加入车钩力估算模块,以期达到减小组合机车纵向冲击力,保障机车安全平稳运行。
车钩力估算模块主要是依据《机车牵引计算规章》,结合重载组合机车的机车、车辆及缓冲器***的参数,建立重载机车多质点模型和车钩缓冲器模型,并将车钩缓冲器模型特征曲线线性化,利用Newmark算法迭代计算机车运行时的车钩力。
优选的,当机车处于长达下坡时,如遇到突发情况,无法在较短时间与距离内进行紧急停车,所以机车需要在进入大坡道前先将机车降到一个较低的速度。当机车需要进行降速时,单独使用电制动的电制动力不足以克服全车的坡道阻力,而单独使用空气制动又受到了制动机性能及闸瓦热负荷的限制,所以一般是空电联合制动。
长大下坡道空气制动与电制动合理配合,减小机车冲动并满足再制动时机车管充风时间需求,需注意以下几点
(1)先投入电制动力到400kN以上,再采用空气制动;
(2)每次空气制动后充气时间>169s,两次空气制动间隔3km以上,一般不能连续使用6次以上;
(3)空气制动缓解速度不能低于35km/h;
(4)缓解空气制动后,电制动至少还需保持10s。
为了保证机车在长大下坡运行的安全性,在长大下坡区段对机车的操作有着严格的要求,一般采用循环制动。循环制动是小减压量的空气制动加电制动。
所述司乘人员状态导向模型中的司乘人员状态包括谨慎驾驶型、普通驾驶型、专家驾驶型和鲁莽驾驶型。
具体的,通过6A***数据,提取不同司乘人员开车特征,对不同司乘人员的驾驶特点数据,将司乘人员状态分为谨慎驾驶型、普通驾驶型、专家驾驶型和鲁莽驾驶型,以上数据能够用于完善机车安全距离模型建模。
S4:通过所述交互模块输出所述机车运行速度曲线及预警信息。
自动驾驶***根据机车运行速度曲线,实现机车的自动驾驶。
本实施例的一种基于安全导向的机车辅助自动驾驶***软件功能实现在保障安全的前提下结合不同应用场景通过建立模型,通过调整参数的方式实现不同场景下的机车辅助自动驾驶功能。
具体的,本实施例的工作原理为,根据安全状态评估模型,包括并不限于机车速度导向模型、机车故障导向模型、环境安全导向模型及司乘人员状态导向模型;结合当前机车运行安全等级,设置不同的安全预警等级。并根据不同安全预警等级采取一定的决策,有需要重新规划曲线的需要重新规划运行曲线。安全状态评估多传感器模块检测到的前方线路运行环境状态给出不同危险等级;依据6A***获取司乘人员驾驶状态,分析司乘人员是否存在瞌睡,玩手机等非正常驾驶操作状态;进而对机车运行环境状态进行评估,判断是否存在影响机车运行行为,决定是否需要重新规划机车运行曲线,及是否需要采取警示策略。在不影响机车正常运行状态下,依据不同运行场景按一定规则算法规划机车运行曲线,实现机车安全平稳运行。。在影响机车正常运行状态下时,依据安全状态评估值决定是否需要重新规划机车运行曲线,必要时,提供危险预警警告。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于安全导向的机车辅助自动驾驶***,其特征在于,机车辅助自动驾驶***根据内置于车载模块中的安全状态评估模型确定机车运行安全等级,以实现机车辅助自动驾驶;包括:车载模块、机车接口模块、交互模块和环境安全模块;
所述车载模块包括接口单元、中央控制单元及数据存储单元;
所述接口单元与所述机车接口模块进行连接,以实现所述车载模块通过所述接口单元与所述机车接口模块之间的数据交换;通过机车接口单元获取机车接口模块的LKJ数据、TCMS 数据、司乘人员状态数据、制动机数据、列尾数据;
所述接口单元与所述交互模块进行连接;以实现所述车载模块通过所述接口单元与所述交互模块之间的数据交换;实现通过所述交互模块实现危险预警警示、轨迹跟随及机车运行状态、机车运行的规划曲线的可视化,及人工操作与自动驾驶间指令交互;
所述接口单元与所述环境安全模块进行连接;以实现所述车载模块通过所述接口单元与所述环境安全模块之间的数据交换;
数据存储模块与所述接口单元连接,以实现所述数据存储模块与所述接口单元之间的数据交换,所述数据存储模块预存机车当前运行线路信息,包括地面坡度、机车限速曲线;所述数据存储模块根据安全事故高发区或者地面坡度变化区自动驾驶运行数据建立路线特征数据库;
进一步的,存储模块也能够为司乘人员状态数据建立数据库,统计其实际运行时的运行数据,用于提取司乘人员驾驶特性;以根据所述司乘人员驾驶特性作为建立司乘人员状态模型的参数,进而规划运行速度曲线;
所述中央控制单元与所述接口单元连接,以实现所述中央控制单元与所述接口单元之间的数据交换,并根据安全事故高发区或者地面坡度变化区建立路线特征数据库,并对路线特征数据库中的特征作为所述安全状态评估模型中的参数,以对机车进行安全状态评估,获取机车运行安全等级,并根据所述机车运行安全等级实现机车的辅助自动驾驶;
所述机车接口模块与所述车载模块连接,以实现所述机车接口模块与所述车载模块之间的数据交换,实现所述车载模块根据LKJ数据、TCMS 数据、司乘人员状态数据、制动机数据、列尾数据对机车进行安全状态评估,获取机车运行安全等级,并根据所述机车运行安全等级实现机车的辅助自动驾驶;
所述对机车进行安全状态评估的方法为:
通过安全状态评估模型确定机车运行安全等级ABCD;并根据所述机车运行安全等级启动对应的安全预警,并引导机车重新规划运行速度曲线;
所述安全状态评估模型包括机车速度导向模型、机车故障导向模型、环境安全导向模型及司乘人员状态导向模型;所述司乘人员状态导向模型中的司乘人员状态包括谨慎驾驶型、普通驾驶型、专家驾驶型和鲁莽驾驶型;
机车通过所述机车速度导向模型获取机车速度安全等级;
机车通过所述机车故障导向模型获取机车故障安全等级;
机车通过所述环境安全导向模型获取机车环境安全等级;
机车通过所述司乘人员状态导向模型获取机车司乘人员安全等级;
所述安全状态评估模型取机车速度安全等级、机车故障安全等级、机车环境安全等级和机车司乘人员安全等级的最小值;
所述环境安全导向模型包括信息采集功能模块、信息感知功能模块、环境识别功能模块和目标跟随功能模块,
所述信息采集功能模块通过摄像头、毫米波雷达和激光雷达所获取的机车运行方向前方障碍物信息进行数据整合处理,获取障碍物数据;
所述信息感知功能模块通过对障碍物与当前机车相对距离数据和方位角数据以及相对速度数据,获取障碍物的形状;
所述环境识别功能模块通过卷积算法获取障碍物状态,以建立安全距离模型,获取机车环境安全等级;所述障碍物状态包括静态障碍物和动态障碍物运动状态;
所述目标跟随功能模块对所述动态障碍物信息进行实时跟随;对机车运行方向前方的障碍物进行跟踪;
所述安全距离模型的建立方法为:
根据障碍物尺寸、机车运行速度、当前线路条件、机车载重、动态障碍物运动状态及安全事故高发区路段或线路坡度变化区的线路特性,获取机车当前车辆行驶的安全距离;
所述交互模块与所述车载模块连接,以实现所述交互模块与所述车载模块之间的数据交换,实现通过所述交互模块显示危险预警警示、轨迹跟随及机车运行状态、机车运行的规划曲线、自动驾驶牵引/制动力,及人工操作与自动驾驶间指令交互;
所述环境安全模块与所述车载模块连接,以实现所述环境安全模块与所述车载模块之间的数据交换,将所述环境安全模块所采集到的环境数据传输至所述车载模块;
所述环境安全模块包括若干摄像头、毫米波雷达和激光雷达;
所述摄像头与所述车载模块连接,以获取机车运行方向前方障碍物图像,并传输至所述车载模块;
所述毫米波雷达与所述车载模块连接,以获取所述障碍物与当前机车相对距离数据和方位角数据,并传输至所述车载模块;
所述激光雷达与所述车载模块连接,以获取机车运行方向前方障碍物的坐标、尺寸和运动方向,和障碍物与当前机车相对速度数据,并传输至所述车载模块。
2.根据权利要求1所述的一种基于安全导向的机车辅助自动驾驶***,其特征在于,
机车通过所述机车速度导向模型获取机车速度安全等级的方法如下:
所述机车速度导向模型实时监督机车运行速度,获得机车速度安全等级A,Aϵ(0,1,3,5):即机车速度运行安全等级包括安全5级、安全3级、安全1级和安全0级;
具体的,当机车运行速度不超过速度安全阈值,且机车载重不超过载重阈值且当前运行线路坡度值不大于坡度阈值时,所述机车速度安全等级A=5,此时机车不需要重新规划运行速度曲线;
当机车速度不超过速度安全阈值,且机车载重超过载重阈值且当前运行线路坡度值大于坡度阈值时,所述机车速度安全等级A=3,此时机车向司乘人员发出危险预警提示,不需要重新规划运行速度曲线;
当机车速度不超过速度安全阈值,且机车运行速度与机车运行曲线上当前位置点的速度之差小于速度差值阈值时,所述机车速度安全等级A=1,此时机车调整实时运行速度,不需要重新规划运行速度曲线;
当机车速度超过速度安全阈值,或者机车运行速度与机车运行曲线上当前位置点的速度之差小于速度差值阈值时,所述机车速度安全等级A=0,机车在倒计时时间阈值内由自动驾驶模式转为人工驾驶模式,重新规划运行速度曲线。
3.根据权利要求2所述的一种基于安全导向的机车辅助自动驾驶***,其特征在于,机车通过所述机车故障导向模型获取机车故障安全等级的方法如下:所述机车故障导向模型根据车载网络故障模型,分析当前故障是否影响机车自动驾驶,以获取机车故障安全等级B,Bϵ(0,1,3,5);决定是否需要重新规划运行速度曲线;即机车故障安全等级包括安全5级、安全3级、安全1级和安全0级;
具体的,当机车无故障时,所述机车故障安全等级B=5,此时机车不需要重新规划运行速度曲线;
当机车隔离轴数量小于第一隔离轴数量阈值时,所述机车故障安全等级B=3,此时机车向司乘人员发出危险预警提示,不需要重新规划运行速度曲线;
当机车隔离轴数量大于第一隔离轴数量阈值且小于第二隔离轴数量阈值时,所述机车故障安全等级B=1,此时机车调整实时运行速度,不需要重新规划运行速度曲线;
当机车隔离轴数量大于第二隔离轴数量阈值时,所述机车故障安全等级B=0,机车由自动驾驶模式转为人工驾驶模式,重新规划运行速度曲线。
4.根据权利要求2所述的一种基于安全导向的机车辅助自动驾驶***,其特征在于,机车通过所述环境安全导向模型获取机车环境安全等级的方法如下:
所述环境安全导向模型根据所述环境安全模块所采集到的障碍物尺寸和障碍物与机车之间的距离,获取机车环境安全等级C,Cϵ(0,1,3,5);即机车环境安全等级包括安全5级、安全3级、安全1级和安全0级;
具体的,当机车运行方向前方无障碍物,或障碍物的尺寸小于尺寸阈值、障碍物的硬度小于硬度阈值时及障碍物与机车之间的距离大于距离阈值时,所述机车环境安全等级C=5,此时机车不需要重新规划运行速度曲线;
当机车运行方向前方有尺寸大于尺寸阈值且硬度小于硬度阈值的障碍物时,所述机车环境安全等级C=3,此时机车向司乘人员发出危险预警提示,不需要重新规划运行速度曲线;
当机车运行方向前方有尺寸大于尺寸阈值的动态障碍物时,所述机车环境安全等级C=1,此时机车调整实时运行速度,不需要重新规划运行速度曲线;
当机车运行方向前方的障碍物与机车之间的距离小于距离阈值时,所述机车环境安全等级C=0,机车由自动驾驶模式转为人工驾驶模式,重新规划运行速度曲线。
5.根据权利要求2所述的一种基于安全导向的机车辅助自动驾驶***,其特征在于,机车通过所述司乘人员状态模型获取机车司乘人员安全等级的方法如下:所述司乘人员状态模型根据6A***数据,获取机车司乘人员安全等级D,Dϵ(0,1,3,5);即机车司乘人员安全等级包括安全5级、安全3级和安全0级;
具体的,当司乘人员根据汽车驾驶员瞌睡预警***的信号确定司机无瞌睡状态或司乘人员持续看手机持续时间不超过时间阈值时,所述司乘人员安全等级D=5,此时机车不需要重新规划运行速度曲线;
当司乘人员根据汽车驾驶员瞌睡预警***提供的报警信号确定司机处于瞌睡状态或者司乘人员持续看手机持续时间超过时间阈值时,所述司乘人员安全等级D=3,此时机车向司乘人员发出危险预警提示,不需要重新规划运行速度曲线;
当司乘人员根据汽车驾驶员瞌睡预警***提供的报警信号确定司机处于瞌睡状态,且经多次预警提醒后仍处于瞌睡状态,所述司乘人员安全等级D=0,机车进行紧急制动操作,同时重新规划运行速度曲线。
6.根据权利要求1~5任一项所述的一种基于安全导向的机车辅助自动驾驶***的设计方法,其特征在于,包括如下步骤:
S1:机车辅助自动驾驶***获取机车线路信息、机车信息和前方信号机状态信息;
S2:根据所述机车线路信息、机车信息和前方信号机状态信息,建立机车运行模型;
S3:根据所述机车运行模型,结合所述安全状态评估模型确定机车运行安全等级,以根据机车运行安全等级引导机车规划运行速度曲线;
S4:通过所述交互模块输出所述机车运行速度曲线及预警信息。
7.根据权利要求6所述的一种基于安全导向的机车辅助自动驾驶***的设计方法,其特征在于,当机车重载时,所述步骤S3前还包括:根据重载机车参数、车辆及缓冲器***的参数,建立重载机车多质点模型和车钩缓冲器模型,以减小组合机车纵向冲击力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210602378.3A CN114872741B (zh) | 2022-05-30 | 2022-05-30 | 一种基于安全导向的机车辅助自动驾驶***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210602378.3A CN114872741B (zh) | 2022-05-30 | 2022-05-30 | 一种基于安全导向的机车辅助自动驾驶***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114872741A CN114872741A (zh) | 2022-08-09 |
CN114872741B true CN114872741B (zh) | 2023-10-03 |
Family
ID=82680452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210602378.3A Active CN114872741B (zh) | 2022-05-30 | 2022-05-30 | 一种基于安全导向的机车辅助自动驾驶***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114872741B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116674578B (zh) * | 2023-08-03 | 2023-10-20 | 南京德沃克自动化有限公司 | 基于车辆显控***的控制方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107662623A (zh) * | 2017-09-25 | 2018-02-06 | 中铁二院重庆勘察设计研究院有限责任公司 | 有轨电车安全行驶检测预警***和方法 |
WO2019036552A1 (en) * | 2017-08-16 | 2019-02-21 | Claudio Filippone | LOST LOCOMOTIVE HEAT RECOVERY SYSTEM AND ASSOCIATED METHODS |
CN111824214A (zh) * | 2019-04-18 | 2020-10-27 | 中车株洲电力机车研究所有限公司 | 一种重载机车自动驾驶主动安全控制方法及*** |
CN111845788A (zh) * | 2019-04-18 | 2020-10-30 | 中车株洲电力机车研究所有限公司 | 基于场景智能感知的重载机车自动驾驶***和方法 |
CN113359752A (zh) * | 2021-06-24 | 2021-09-07 | 中煤科工开采研究院有限公司 | 一种井工煤矿料车自动驾驶方法 |
WO2022021700A1 (zh) * | 2020-07-28 | 2022-02-03 | 株洲中车时代电气股份有限公司 | 一种机车运行速度曲线规划方法、装置及相关组件 |
-
2022
- 2022-05-30 CN CN202210602378.3A patent/CN114872741B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019036552A1 (en) * | 2017-08-16 | 2019-02-21 | Claudio Filippone | LOST LOCOMOTIVE HEAT RECOVERY SYSTEM AND ASSOCIATED METHODS |
CN107662623A (zh) * | 2017-09-25 | 2018-02-06 | 中铁二院重庆勘察设计研究院有限责任公司 | 有轨电车安全行驶检测预警***和方法 |
CN111824214A (zh) * | 2019-04-18 | 2020-10-27 | 中车株洲电力机车研究所有限公司 | 一种重载机车自动驾驶主动安全控制方法及*** |
CN111845788A (zh) * | 2019-04-18 | 2020-10-30 | 中车株洲电力机车研究所有限公司 | 基于场景智能感知的重载机车自动驾驶***和方法 |
WO2022021700A1 (zh) * | 2020-07-28 | 2022-02-03 | 株洲中车时代电气股份有限公司 | 一种机车运行速度曲线规划方法、装置及相关组件 |
CN113359752A (zh) * | 2021-06-24 | 2021-09-07 | 中煤科工开采研究院有限公司 | 一种井工煤矿料车自动驾驶方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114872741A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832748B (zh) | 一种共享汽车驾驶员更换***及方法 | |
CN111427041B (zh) | 一种矿区无人驾驶车辆的紧急停车*** | |
CN110316198A (zh) | 一种用于高速公路提速的安全保障***及运行方法 | |
WO2021031469A1 (zh) | 一种车辆障碍物检测方法及*** | |
CN106061793A (zh) | 成像***及方法 | |
CN104859662A (zh) | 自主车辆中的故障处理 | |
CN112180605B (zh) | 一种基于增强现实的辅助驾驶*** | |
CN111667695B (zh) | 一种基于高音喇叭队列的交通风险预警***和方法 | |
CN111231827A (zh) | 一种雨雾天气显示车辆前方碰撞风险区域的装置和方法 | |
CN114872741B (zh) | 一种基于安全导向的机车辅助自动驾驶***及方法 | |
AU2011308097B2 (en) | A railroad track inspection vehicle | |
CN105438147A (zh) | 车载光学探测结合点对点通讯的机车防撞方法 | |
CN207345852U (zh) | 一种列车调车作业安全防控*** | |
CN105083328A (zh) | 车载光学探测结合无线网桥通讯的机车防撞方法及装置 | |
CN113501029A (zh) | 一种城铁障碍物及脱轨检测装置及方法 | |
KR101128978B1 (ko) | 철도 건널목에서 사고방지를 위한 지능화 시스템 및 열차제동방법 | |
CN113435404A (zh) | 基于雷达及图像检测的电客车调车安全辅助驾驶方法与*** | |
CN105083326A (zh) | 利用光学探测机构追踪钢轨轨迹的机车防撞方法及装置 | |
RU94202U1 (ru) | Электротехнический комплекс для предупреждения аварийных ситуаций на железнодорожных переездах | |
CA3126118C (en) | Vehicle monitoring system | |
CN113734207B (zh) | 车辆安全防护***、方法及车辆 | |
CN115903779A (zh) | 一种盾构隧道电机车的智能预警***及方法 | |
CN204895486U (zh) | 车载光学探测与地理信息相结合的机车防撞装置 | |
CN105083325A (zh) | 车载光学探测与地理信息相结合的机车防撞方法及装置 | |
CN113568337A (zh) | 路基的车辆行驶异常行为多传感融合探测***与控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |