轨道障碍物检测应用及展望.pdf

35 现代城市轨道交通4/2024 MODERN URBAN TRANSIT技术装备技术装备宋 宇，吴 宽，张克林，刘 宁，胡 强（北京京城地铁有限公司，北京 101312）第一作者：宋宇,男,高级工程师引用格式：宋宇,吴宽,张克林,等.轨道障碍物检测应用及展望J.现代城市轨道交通,2024(04):35-42.SONG Yu,WU Kuan,ZHANG Kelin,et al.Applications and prospects of track obstacle detection techniquesJ.Modern Urban Transit,2024(04):35-42.DOI:10.20151/ki.1672-7533.2024.04.0061 背景轨道交通已成为我国基础设施的重要组成部分，在促进我国经济发展方面起着至关重要的作用，在此情况下，必须保证列车运行的安全和可靠。其中障碍物侵入轨道安全限界是引发交通事故的重大原因，严重危胁轨道交通运行安全与稳定，已广泛引起社会的重视。轨道限界是为了保证轨道交通运行安全，规定轨摘 要：随着城市化和交通网络不断扩张，确保铁路和地铁轨道上的障碍物及时检测和移除，对于轨道交通系统安全至关重要。文章研究当前先进的轨道障碍物检测技术，特别关注基于深度学习应用，探讨该领域未来的潜在进展。深度学习技术在计算机视觉领域取得显著成功，能够有效识别和分类复杂图像数据，因此在轨道障碍物检测方面具有巨大潜力。通过深入分析这些技术前景，阐明未来轨道障碍物探测领域的挑战和机遇，为相关研究提供有价值的建议和指导。同时提出一种基于动态背景建模与三维点云分割的方法以尝试解决现有主流方法中存在的缺陷，希望通过这一综合方法，提高轨道障碍物检测系统的性能，增强轨道交通安全性，为乘客提供更加可靠的出行体验。关键词：轨道交通；障碍物；检测；点云；建模；交互式分割；应用；展望中图分类号：U284道线路与机车车辆相互间不能逾越的轮廓尺寸线。任何妨碍列车正常运行的物体都被视为障碍物，障碍物的种类较多，对轨道安全造成不良影响，对轨道维护造成较大负担。障碍物侵限事件具有瞬时性和偶然性，通常无法提前预测其发生的时间和地点。因此，处理延时低、可用性高的障碍物检测技术是保障列车运行安全的重要前提。传统障碍物检测工作由人工完成，该方法费时、费力、效率较低。为了提高障碍物检测的效率并减少人力成本，传统的障碍物检测工作已经转向自动化技术，该技术已在轨道交通行业得到广泛应用。北京地铁燕房线成功实现列车内无人值守的全自动运行模式，其中包含对列车进行障碍物检测和脱轨检测，在 80 km/h 的最高运行速度下，如果发现前方出现可能影响列车运行的障碍物即可发起紧急制动；北京地铁 11号线引入远程瞭望系统（ITE），通过车端和高风险区域的传感系统实现列车内外监控、障碍物检测，并通过协同感知和云平台全局感知提供智能驾驶决策支持，使列车运行更智慧、高效。同时高校学术界也对此展开深入的研究，如北京交通大学先进轨道交通自主运行全国重点实验室致力于轨道交通控制与安全科学技术方面的创新性应用基础理论研究和基础性工作，其自主研发的全自动运行系统（FAO）可实现无人驾驶状态下的自主运行，实时处理行车过程中可能发生的各类突发情况。然而，障碍物检测技术还面临着以下挑战：障碍物种类众多且形态特征各异；轨道交通全线障碍物检测任务量大；现有障碍物检测技术的时效性不理想。结合所轨道障碍物检测应用及展望36MODERN URBAN TRANSIT 4/2024 现代城市轨道交通技术装备技术装备轨道障碍物检测应用及展望面临的挑战与研究现状，文章将阐述常用的障碍物检测手段，对各种方法的技术特点和应用范畴进行分析和总结，并对发展趋势进行展望，同时提出一种综合方法，融合深度学习、动态背景建模和 3D 点云分割技术，以提高障碍物检测的精确性和效率。2 轨道障碍物检测现状与分析本章节介绍轨道障碍物检测中主流的数据模态及其处理方法，再根据传感器安装位置分别介绍固定与车载2 类场景，并对其优缺点作出分析。2.1 不同模态数据在轨道障碍物检测中的应用图像数据是最为普遍的数据类型之一，可轻松通过摄像头获取。该数据类型因其直观的呈现形式和相对较低的获取成本成为智能分析任务的首选。利用摄像头可变焦和转向的特点，可以在保证分辨率的情况下达到较大的感知范围。目前对于图像数据的处理算法已经相当成熟，在轨道障碍物检测中也有广泛应用。同磊1等人利用边缘检测和支持向量机对可疑障碍物进行分类和识别。何文玉2等人基于深度学习的 YOLOv3 网络模型对轨道障碍物进行检测，相较于传统图像算法的速度与精度均有提升。陈小屹3采用YOLOv5 网络模型进一步提升了轨道障碍物的检测性能与速度，可以满足实时检测要求，并建立轨道入侵障碍物样本数据库。在轨道障碍物检测任务中空间立体信息至关重要，可以由此推算出障碍物的体积和距离，马海民4提出基于双目视觉系统的列车轨道障碍物距离检测方法，通过精确匹配双目图像中的关键点，并根据左右图像的视差实现机车与障碍物之间距离计算。常规摄像头在低光照场景下成像较差，通常使用红外摄像头作为补充，高晖5提出基于红外图像与加速稳健特征（SURF）算法的轨道交通障碍物识别技术，在广州地铁 4 号线部分路段进行示范性应用并取得良好效果。然而，图像数据类型依然存在较为明显的缺点，尽管有双目立体视觉、热成像等技术，但依然容易受到光照、天气等外部因素的影响。点云数据是由大量三维坐标点组成的数据集合，每个点都包含位置、颜色和其他属性的信息，点云数据可用于物体识别、场景重建等。在轨道障碍物检测中，通常使用激光雷达、毫米波雷达扫描获取点云数据。林玉兵6提出三维激光雷达铁路异物侵限检测方法，使用噪声下基于密度的空间聚类算法（DBSCAN）分离目标与背景。戴鸿辉7等人考虑到点云密度在不同距离分布不均，提出自适应欧式聚类障碍物检测算法，该算法能够实现对百米内障碍物的有效检出。同样点云数据类型也存在明显的缺点，受到传感器的机械结构限制，在不同距离下会呈现出不同的分辨率，在远距离以及垂直方向上数据点较为稀疏，导致难以识别目标轮廓。由此可知，单一模态的数据类型均存在各自的缺陷，而随着技术发展，单一模态的数据已经难以满足复杂场景需求，因此通常对多模态数据进行融合后再开展分析。曲越8根据激光雷达与视频图像处理的特点，提出一种适用于轨面障碍物的检测方法，在直线和弯道时分别使用雷达与图像数据检测轨道。帅琦9考虑到图像传感器与雷达帧率差异，以雷达帧触发双目相机采样，实现多传感器之间的数据配准。翟光耀基于毫米波雷达与机器视觉信息融合，采用自适应卡尔曼滤波跟踪目标，提高雷达在有轨电车运行环境中检测障碍物的准确性和可靠性。赵宇恒10使用激光雷达与毫米波雷达互补，并提出基于目标网格的毫米波雷达去噪方法，引入了“目标池”概念，以生命周期计算目标的真实性，并评估了列车的振动数据，使目标预测更贴合高动态铁路环境。黄涛11等人提出了基于激光雷达、无线电雷达、红外成像、深度相机、超声波传感器等多技术融合的地铁列车障碍物识别系统，结合多种模态数据的优点，进一步提升轨道障碍物的检测性能。2.2 固定场景的轨道障碍物检测固定场景是指传感器所处的位置不变，每个传感器只负责在特定的一片区域内进行分析。这类方式的特点是传感器所对应的环境相对固定，可以对环境进行背景建模，当传感器得到的环境信息与先前建模的背景出现差异时，即可以判断可能有障碍物出现，如图 1 所示。该类方法的传感器可选择的种类丰富，较为传统的有电流、光纤、压力传感器等，通过分析传感器信号与常态时的异常差异，分析障碍物的位置、体积等信息。目前较为主流的方案是基于视频摄像头12-13或激光、毫米波雷达14，这类传感器可以获取更为细节与直观的场景信息，有助于分析算法对障碍物做出更进一步的分析，例如给出障碍物所属的类别（人、动物、车辆等），37 现代城市轨道交通4/2024 MODERN URBAN TRANSIT技术装备技术装备轨道障碍物检测应用及展望以方便相关工作人员做出更合理的判断与决策。由于传感器位置固定的缘故，理论上该类方法的最大分析间隔可以等于系统所能接受的最大报警延迟时间，即系统若要求在障碍物出现的 N 秒内产生报警，该传感器的理论最大分析间隔可以为 N 秒，所以固定场景的方式对分析算法的实时性要求较低，可以采用更加复杂的模型与算法对场景进行分析，因此精确度相对较高。但其缺点也较为明显，检测系统所覆盖的范围受限于传感器的数量，实现全路段覆盖的成本较高。2.3 车载场景的轨道障碍物检测车载场景是指传感器安装于列车之上，通常位于车头，利用算法实时分析列车经过的路段场景，判断是否出现轨道障碍物并实时发出报警，如图 2 所示。车载场景的轨道障碍物检测较为灵活，所需传感器数量少，整体系统链路短、响应快，无须进行车地间通信，列车可以直接通过传感器第一时间得到报警信息，且覆盖范围广。但其难点在于感知环境不固定，受外界因素影响较大，对障碍物检测算法的实时性要求较高，而通常耗时较少的轻量级算法在精确度上会有所下降，因此车载场景的精确度要小于固定场景。车载场景的轨道障碍物检测首先要在感知数据中确定轨道所在的位置，通常使用边缘检测、霍夫变换、聚类或深度学习等方法15-20进行轨道检测。确认轨道位置后，可以根据图像数据的纹理等信息区分轨道界限内是否存在与背景差异较大的区域，或基于图像形态学原理判断轨道区域是否完整，进而判断是否存在障碍物。点云数据可以依照先验知识设定规则，例如轨道的宽度高度等，当轨道平面中出现高度或宽度超出阈值的稳定数据点时，则可以认为是疑似障碍物。最终，通过相互校验不同模态数据的检测结果，可以减少不必要的误报。2.4 难点与探索方向固定场景安装的障碍物检测系统检测精度高，但要做到全线路覆盖则成本较高，为平衡成本与性能之间的矛盾，可以采取二者结合的方式，所有列车均设置车载轨道障碍物检测系统，但在轨道的重点区域，如道岔、车站出入口架设固定场景的障碍物检测系统。视觉相机与雷达传感器各自存在应用场景的局限性，为保证障碍物检测算法的全天候运行，通常使用多模态数据融合手段。多模态数据处理的难点有：（1）不同传感器的数据在时间与空间上不一致，例如相机与雷达之间的数据刷新频率与成像范围不同；（2）在远距离上雷达数据的点云分布稀疏，空间结构严重缺失，并且难以与图像像素形成一对一关系。目前深度学习在多模态数据处理领域展现出卓越的性能，通过神经网络的深度结构，能够高效地融合和处理不同形式的信息，在整合多种模态信息的过程中优势显著，使得系统能够更全面、更深入地理解和表达复杂的现实世界情境。对于车载场景的轨道障碍物检测算法，快速的分析可以令系统更快发出报警，进而提升列车的安全性。除轻量化算法模型外，可以从优化分析策略入手，使用分级分析策略。首先采用轻量级、召回率极高但误报率也较高的模型做初步处理，避免行车过程中大部分无障碍物时间段进行过多无效分析；当检测到疑似图像数据点云数据电流压力当前数据场景模型对比差异产生报警二次分析忽略疑似区域低频率分析背景建模是否图 1 固定场景下轨道障碍物检测流程图图 2 车载场景下轨道障碍物检测流程图图像数据实时分析点云数据实时分析产生报警忽略疑似区域是否二次分析分析区域目标检测形态学分析先验规则38MODERN URBAN TRANSIT 4/2024 现代城市轨道交通技术装备技术装备轨道障碍物检测应用及展望轨道障碍物时，再进入二次判断流程，采用更加重量级的模型以及判别算法，以区分是真实报警还是误报。3 基于背景建模的车载轨道障碍物检测基于 2 章节分析，固定视角的轨道障碍物检测方法具有较高的精确度，通过与环境背景的差异对比，能以极低的漏报率检出行车范围内的场景变动，只要障碍物的判定模型精度足够高，便可以达到低漏报、低误报的性能。本章节提出一种动态背景建模的方法，汲取固定场景与车载场景的优点，再结合当前较为先进的基于深度学习的交互式目标分割算法对疑似目标做最终判别，以达到更好的性能，流程图如图 3 所示。3.1 SLAM环境建模即时定位与地图构建（SLAM）常用于机器人领域，从未知环境中开始，在运动过程中通过传感器定位自身位置和采集周边环境信息，最终构建出整个环境地图，同时实时更新自身位置。在传统地铁环境中的建模，起始点和终点是固定的，在室外可以用全球定位系统（GPS）定位所在位置，在地下和隧道可以在短距离内靠惯性导航获得较为精确的定位21-22。而此方法地图和车辆位置定位的精度较为重要，需要通过确定所在的位置并比对该处地点的近期环境信息，判断是否存在障碍物。为此，此方法集合激光雷达、视觉摄像头、惯性测量单元（IMU）和 GPS 信息，综合计算，得出更为精确的位置信息。此方法使用轻量级基于地平面优化的激光雷达里程计与地图构建（LeGO-LOAM）23框架，该框架由激光雷达里程计与地图构建（LOAM）24衍生而成，在 LOAM 的基础上添加了数据预处理，并且加入回环检测，对后端处理进行优化。激光雷达是依靠旋转扫描一个扇面区域，因此即便在同一帧下不同角度的点云数据采集也存在一定的时间差，如果在扫描环境和传感器相对静止或者相对低速的情况下，这段时间误差的影响可以忽略。但在文章描述的应用场景中，列车处于高速行驶状态，传感器得到的点云数据在同一帧下的不同角度存在一定偏移，因此需要结合IMU 惯性传感器数据对点云数据做畸变运动补偿，以得到精确的三维（3D）点云。将所得到的环境模型点云依次划分成长宽高为 25 cm、50 cm 和 100 cm 3 种粒度大小的网格，求得每一个网格的局部点云特征25-26 并存储，用于后续对比场景的变化。在系统首次运行期间将采集线路的环境信息，完成对环境模型的建立，并且会定期更新重建环境模型，以避免场景变动带来的影响（最终的模型局部如图 4 所示），剔除无效区域的数据点，以提高数据加载和计算速度。3.2 区域定位在实际运行过程中，需要确定列车所在的精确位置，才能与存储的历史背景相互对比。为提升算法的实时性，首先粗略定位列车在线路中的大致位置，再通过点云特征匹配确定列车所在的精确位置。列车在地上运行期间可以通过 GPS 进行定位，进入地下后可以通过网络基站、惯性导航、里程计算进行定位，定位误差可以锁定在 50 m 以内。确定粗略位置后，在所存储的历史背景信息中截取相应误差范围内的图 3 基于背景建模的轨道障碍物检测方法流程图三维点云背景沿线特征点产生报警当前位置历史点云信息-粗略实时与历史点云的差异区域当前位置历史点云信息-精确实时点云信息实时图像信息实时图像对应的差异区域是初次运行正式运行否，更新当前区域历史背景对比查询、匹配SLAM 建模三维至二维映射里程计和GPS 定位判定是否为遗留物39 现代城市轨道交通4/2024 MODERN URBAN TRANSIT技术装备技术装备轨道障碍物检测应用及展望场景点云信息，再以此为根据实现提取的不同尺度的场景点云特征从大尺度（100 cm）到小尺度（25 cm）逐步匹配，确定列车在场景中的精确位置。最后将当前场景的点云与历史存储该位置的场景点云做空间配准27-29，找出场景变化的位置。3.3 障碍物检测在区域定位章节中所述的空间配准完成后，对比每个相同位置的小尺度网格中特征之间的相似度，如果相似度过低则表明该位置场景发生变化，极有可能是障碍物。基于场景变化检测障碍物方式的漏报率极低，场景变化几乎可以看作出现障碍物的必要条件（障碍物尺寸小于传感器分辨率时例外），因此在后续处理中去除多余误报是此方法的重点。通常情况下检测到场景发生变动有如下情况：（1）该位置出现的新物体，可以判定为障碍物；（2）传感器误差导致数据不精确，通常所产生的差异呈现不规则状态；（3）天气、光线、遮挡等因素影响传感器感知环境；（4）空间配准误差导致场景的大部分范围均被判定为不一致。总结上述情况，判定是否有障碍物关键在于变化区域内是否存在一个确切的物体。此方法中将使用交互式目标分割方法判断该场景变化区域是否存在确切的物体。近年，交互式分割算法有突破性进展，Meta 人工智能实验室建立了迄今为止最大的分割数据集，同时发布视觉分割模型（SAM）9，该模型具有极强的泛化能力，通过使用者给出的点、线条或检测框即可精确预测出物体的掩码。在 SAM 的基础上，SAM3D 10的图像交互分割对象转变为 3D 点云数据，可预测出每个数据点是否属于同一物体。交互式分割算法的特点在于只要分析的物体具有相对明显轮廓，即可预测物体掩码，不受物体类别的限制。而在轨道障碍物检测任务中，障碍物的种类繁多且不确定，常规的目标检测算法难以全面涵盖所有类别，因此采用 SAM 系列方法进一步判断变化区域是否存在确切的物体。依次在图像与点云数据中场景发生变化所在区域内获得采样点，利用 SAM 算法分析采样点，根据 SAM 算法返回的结果置信度判定该区域是否存在确切的物体，同时对比变化区域的范围与SAM 所预测的物体体积是否一致，如果体积大致相等，则基本可以判定该区域的场景变化由障碍物出现造成。除轨道障碍物检测以外，对于未知类别物体的检测都可能会出现误报多的问题，通常是由于传感器误差、背景建模错误或环境异常所致，而这类误报在实际场景中并未出现确切的新增物体，因此均可以由 SAM 过滤。以此思路还可应用于多个方向，如汽车自动驾驶避障、遗留物品检测等。4 结语与展望文章对轨道障碍物检测技术进行了深入研究和分析，总结固定场景和车载场景 2 种主要检测方式的优缺点，并提出基于背景建模的车载轨道障碍物检测方法。图 4 轨道环境模型局部示意图40MODERN URBAN TRANSIT 4/2024 现代城市轨道交通技术装备技术装备轨道障碍物检测应用及展望通过综合运用动态背景建模和深度学习技术，该方法在提高检测精确性和实时性方面具有显著优势。针对障碍物检测技术的挑战，文章得出以下几个重要结论。（1）多模态数据融合是未来发展的重要方向，通过整合不同传感器获取的数据，如视觉相机、雷达等，可以提高障碍物检测系统的全天候性能和鲁棒性。（2）优化分析策略是提升实时性的关键。采用分级分析策略，结合轻量级模型和重量级模型，可以在保证精确性的同时提高系统响应速度。（3）交互式目标分割技术具有广阔的应用前景，通过结合 SAM 等先进算法，可以有效过滤误报，提高障碍物检测的准确性和可靠性。（4）进一步完善 SLAM 环境建模技术对系统性能至关重要，通过对环境的精确建模和定位，可以提高系统对障碍物的检测效果。出于对未来技术发展的关注，文章也对轨道障碍物检测的未来发展进行了展望。（1）未来轨道障碍物检测将在深度学习技术应用、多传感器融合、实时性和高效性提升、数据集积累与共享以及自主化等方向进一步发展。随着硬件性能的增强，系统可以使用更加重量级的模型对场景进行分析，同时有更多的计算资源对软硬件进行调度。未来当算法的精度与速度足够高时，便可以有额外的时间动态调度固态激光雷达对远距离区域的可疑目标进行定向探测，或调度变焦镜头获取目标区域更为清晰的图像，进一步提升系统的探测距离与精度。（2）根据车载场景下基于背景建模轨道障碍物检测的思路，每辆列车都可以被当作轨道巡检装置，除检测轨道区域内的障碍物以外，也可以感知轨道周围的场景变化。根据实际应用需求，这些场景变化可以不转化成实时的报警信息，但是依旧可以被记录下来。由于列车运行区域是较为封闭的空间，同一位置的场景通常固定不变，当场景发生变化时，即便不是轨道内的障碍物，也可能是其他类别的安全隐患，例如防护围栏破损、缺失等。实时场景异常变化感知将对轨道工作人员决策起到至关重要的作用。综上所述，随着技术不断进步和创新，轨道障碍物检测技术的研究将持续深入。相信不久的将来，在各方共同努力下，障碍物检测技术将迎来新突破，为轨道交通的安全运行提供更加可靠的保障。参考文献1 同磊,朱力强,余祖俊,等.基于车载前视摄像机的轨道异物检测J.交通运输系统工程与信息,2012,12(04):79-83+134.TONG Lei,ZHU Liqiang,YU Zujun,et al.Railway obstacle detection using onboard forward-viewing cameraJ.Journal of Transportation Systems Engineering and Information Technology,2012,12(04):79-83+134.2 何文玉,杨杰,张天露.基于深度学习的轨道异物入侵检测算法J.计算机工程与设计,2020,41(12):3376-3383.HE Wenyu,YANG Jie,ZHANG Tianlu.Orbital foreign object intrusion detection algorithm based on deep learningJ.Computer Engineering and Design,2020,41(12):3376-3383.3 陈小屹.基于图像处理的铁路轨道异物入侵检测研究D.甘肃兰州:兰州交通大学,2024.CHENG Xiaoyi.Research on intrusion detection of railway track foreign objects based on image processingD.Lanzhou Gansu:Lanzhou Jiaotong University,2024.4 马海民.基于双目视觉系统的列车轨道异物距离检测J.自动化与仪器仪表,2009(04):47-49+56.MA Haimin.Measurement of distance between train and intrusive foreign materials on railway based on binocular vision systemJ.Automation&Instrumentation,2009(04):47-49+56.5 高晖.基于红外图像与 SURF 算法的轨道交通障碍物识别技术研究J.信息系统工程,2023(01):80-82.6 林玉兵.三维激光雷达图像在铁路异物侵限检测中的应用研究D.北京:北方工业大学,2018.LIN Yubing.Application research of 3D ladar image in railway foreign body invasion detectionD.Beijing:North China University of Technology,2018.7 戴鸿辉,耿晨歌,刘丹丹,等.基于激光雷达的城轨交通障碍物检测算法研究J.铁道科学与工程学报,2023,20(06):2350-2360.DAI Honghui,GENG Chenge,LIU Dandan,et al.Obstacle detection algorithm of urban rail transit based 41 现代城市轨道交通4/2024 MODERN URBAN TRANSIT技术装备技术装备轨道障碍物检测应用及展望on lidarJ.Journal of Railway Science and Engineering,2023,20(06):2350-2360.8 曲越.城轨列车非接触式障碍物检测系统的研究D.北京:北京交通大学,2017.QU Yue.The research of non-contact obstacle detection system for urban rail vehicleD.Beijing:Beijing Jiaotong University,2017.9 帅琦.基于立体视觉与雷达数据融合的列车前方障碍物检测方法研究D.甘肃兰州:兰州交通大学,2023.SHUAI Qi.Research on obstacle detection method in front of train based on stereo vision and radar data fusionD.Lanzhou Gansu:Lanzhou Jiaotong University,2023.10 赵宇恒.面向高动态铁路环境的障碍物雷达检测技术研究D.江苏苏州:苏州大学,2023.ZHAO Yuheng.Research on technology of radar obstacle detection in high dynamic railway environmentD.Suzhou Jiangsu:Soochow University,2023.11 黄涛,吕红强,王维.基于多技术融合的地铁列车障碍物检测系统设计J.制造业自动化,2016,38(08):59-60+69.HUANG Tao,LV Hongqiang,WANG Wei.Design of subway train obstacle detection system based on multi-technology integrationJ.Manufacturing Automation,2016,38(08):59-60+69.12 王群.基于双目立体视觉的轨道入侵物识别技术研究D.北京:北京交通大学,2019.WANG Qun.Research on recognition technology of rail invaders based on binocular stereo visionD.Beijing:Beijing Jiaotong University,2019.13 许鑫龙.基于目标增强融合的铁路异物侵限检测方法研究D.北京:北京交通大学,2021.XU Xinlong.Research on railway foreign object intrusion detection methodbased on target enhancement fusionD.Beijing:Beijing Jiaotong University,2021.14 窦瑞.基于激光雷达的铁路障碍物监测系统设计与实现D.北京:中国石油大学(北京),2021.DOU Rui.Design and implementation of railway obstacle monitoring system based on 3D lidarD.Beijing:China University of Petroleum(Beijing),2021.15 王前选,梁习锋,刘应龙,等.铁路钢轨视觉识别检测方法J.中南大学学报(自然科学版),2014,45(07):2496-2502.WANG Qianxuan,LIANG Xifeng,LIU Yinglong,et al.Railway rail identification detection method using machine visionJ.Journal of Central South University(Science and Technology),2014,45(07):2496-2502.16 刘佳嘉,白颍昊.基于 LSD 聚类拟合与 KF 的轨道检测算法J.电子测量技术,2023,46(04):99-106.LIU Jiajia,BAI Yinghao.Track detection algorithm based on LSD cluster fitting and KFJ.Electronic Measurement Technology,2023,46(04):99-106.17 郑修文.基于结构表征和全局自注意力机制的轨道线检测研究与实现D.江苏南京:南京邮电大学,2023.ZHENG Xiuwen.Research and implementation of railway track detection based on structure representation and global self-attention mechanismD.Nanjing Jiangsu:Nanjing University of Posts and Telecommunications,2023.18 李维刚,梅洋,樊响,等.基于车载激光点云的铁路轨道检测J.中国激光,2022,49(04):168-179.LI Weigang,MEI Yang,FAN Xiang,et al.Railway track detection based on vehicle laser point cloudJ.Chinese Journal of Lasers,2022,49(04):168-179.19 王洋,朱力强,余祖俊,等.高速铁路场景的分割与识别算法J.光学学报,2019,39(06):119-126.WANG Yang,ZHU Liqiang,YU Zujun,et al.Segmentation and recognition algorithm for high-speed railway sceneJ.Acta Optica Sinica,2019,39(06):119-126.20 罗玲.基于 LiDAR 数据的铁路轨道信息提取方法研究D.河南焦作:河南理工大学,2017.LUO Ling.Railway extraction based on liDAR dataD.Jiaozuo Henan:Henan Polytechnic University,2017.21 刘菂.基于 SLAM 算法的隧道三维建模与形变检测系统研究D.北京:北京交通大学,2020.LIU Di.Study on tunnel 3D modeling and deformation detection systembased on SLAMD.Beijing:Beijing Jiaotong University,2020.22 汪涛.智能行驶车辆定位技术研究D.吉林长春:吉林大学,2017.42MODERN URBAN TRANSIT 4/2024 现代城市轨道交通技术装备技术装备 WANG Tao.Research on localization method for autonomous driving vehicleD.Changchun Jilin:Jilin University,2017.23 SHAN T.,ENGLOT B.Lego-loam:lightweight and ground-optimized lidar odometry and mapping on variable terrainC/2018 IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS).IEEE,2018:4758-4765.24 ZHANG J.,SINGH S.LOAM:lidar odometry and mapping in real-timeC/Robotics:Science and Systems,2014,2(9):1-9.25 RUSU R.B.,BLODOW N.,BEETZ M.Fast point feature histograms(FPFH)for 3D registrationC/2009 IEEE international conference on robotics and automation.IEEE,2009:3212-3217.26 杨佳琪.点云局部特征描述与匹配研究D.湖北武汉:华中科技大学,2020.YANG Jiaqi.Local feature description and matching forpoint cloudsD.Wuhan Hubei:Huazhong University of Science and Technology,2020.27 王蕊,李俊山,刘玲霞,等.基于几何特征的点云配准算法J.华东理工大学学报(自然科学版),2009,35(05):768-773.WANG Rui,LI Junsan,LIU Lingxia,et al.Registration of point clouds based on geometric propertiesJ.Journal of East China University of Science and Technology,2009,35(05):768-773.28 随银岭.大规模三维点云配准技术研究D.河南郑州:战略支援部队信息工程大学,2022.SUI Yinling.Research on large-Scale 3D point cloud registration technologyD.Zhengzhou Henan:Information Engineering University,2022.29 钟莹,张蒙.基于改进 ICP 算法的点云自动配准技术J.控制工程,2014,21(01):37-40.ZHONG Ying,ZHANG Meng.Automatic registration technology of point cloud based on improved ICP algorithmJ.Control Engineering of China,2014,21(01):37-40.30 KIRILLOV A.,MINTUN E.,RAVI N.,et al.Segment anythingJ.arXiv preprint arXiv:2304.02643,2023.31 ZHANG D.,LIANG D.,YANG H.,et al.SAM3D:zero-shot 3D object detection via segment anything modelJ.arXiv preprint arXiv:2306.02245,2023.32 范钦海,陶永忠,王恺,等.障碍物检测装置碰撞过程动力学仿真研究J.现代城市轨道交通,2023(05):28-35.FAN Qinhai,TAO Yongzhong,WANG Kai,et al.Dynamic simulation research on the collision process of obstacle detection unitsJ.Modern Urban Transit,2023(05):28-35.33 初帆.基于优化 YOLOv3 网络的在途列车障碍物检测方法J.现代城市轨道交通,2021(06):19-23.CHU Fan.En-route train obstacle detection method based on the optimized YOLOv3 networkJ.Modern Urban Transit,2021(06):19-23.收稿日期 2023-11-13责任编辑 司玉林轨道障碍物检测应用及展望Applications and prospects of track obstacle detection techniquesSONG Yu,WU Kuan,ZHANG Kelin,LIU Ning,HU Qiang(Beijing Capital Metro Co.,Ltd.,Beijing 101312,China)Abstract:As urbanization and transportation networks continue to expand,ensuring the detection and removal of obstacles on rail and metro tracks in time is critical to the safety of public transporta