基于贝叶斯建模的轨道占用识别方法

识别列车所在轨道,是列车运行控制系统必不可少的功能. 提出一种数字轨道地图辅助的基于贝叶斯建模的轨道占用识别方法. 首先,在考虑全球导航卫星系统(Global Navigation Satellite System, GNSS)与方向相关测量误差的基础上进行地图匹配,采用卡尔曼滤波算法处理速度测量值,通过加权求和的方式对GNSS与速度信息进行融合,获得列车沿轨道方向的一维位置;其次,对列车位置假设进行贝叶斯建模,计算在给定GNSS与速度测量的前提下所有可能的位置假设的概率;最后,与设置的假设概率阈值进行比较,对不同的识别结果进行分类. 实验结果表明,基于贝叶斯建模的轨道占用识别法能够减少剔除小概率假设所需的距离,与垂直投影法相比,该方法可以对列车所在轨道做出更确定的判断.     

基于轮轴蠕滑率检测的列车测速方法

[目的]城市轨道交通系统中,列车测速定位技术可为列车自动驾驶、避撞、调度指挥等众多应用提供信息支撑。目前列车控制系统结构功能日趋复杂,随着城市轨道交通运营效率、服务等级的持续提升,对列车测速定位的性能要求越来越高,需进一步提升ATP(列车自动防护)系统在不同场景下的测速定位能力。[方法]提出了基于轮轴蠕滑率检测的列车测速方法,首先介绍了列车测速定位系统的结构,阐述了基于轮轴蠕滑率的列车测速技术流程。然后对轮轴蠕滑理论进行了阐述,对多普勒雷达的测速误差进行建模,得到雷达最大参考速度,以此为基准计算轮轴的蠕滑率,针对不同的蠕滑率对里程计速度施加不同程度的补偿。最后利用现场试验数据,对所提的测速方法进行验证。[结果及结论]试验结果表明,列车制动阶段的大部分时间内轮轴均处于小蠕滑状态,对里程计速度施加较小补偿后的列车最大速度低于既有ATP计算的最大速度。在列车最小速度不变的情况下,该方法在保证安全的前提下,显著提高了列车运行速度的测量精度。     

基于深度数据的车辆目标检测与跟踪方法

现有基于几何特征的目标检测与跟踪方法误检率较高,目标跟踪过程中的漏检易导致错误的目标关联.针对这些问题,本文提出了一种基于激光雷达(LiDAR)深度数据的车辆目标检测与跟踪方法.根据激光雷达深度数据特性,采用一种基于栅格的参数自动化聚类(PAG) 算法对原始数据进行处理,并在每个聚类中提取目标线段,获取目标特征.在此基础上对车辆目标进行识别,并计算得到目标的位置信息.采用卡尔曼滤波算法,制定滤波器管理策略,完成目标关联及状态估计.最后利用装备有一个前向激光雷达的实验车辆对提出的方法进行验证. 实验结果表明,本文提出的方法可准确识别并跟踪多个车辆目标,避免错误的目标关联.