一种基于激光雷达的隧道内列车主动障碍物检测系统及方法与流程

本发明涉及轨道交通自主检测与防护领域，尤其是涉及一种基于激光雷达的隧道内列车主动障碍物检测系统及方法。

背景技术：

随着地铁技术的快速发展以及城市地铁交通网的越来越密集、复杂，地铁的运行速度越来越快，自动化程度越来越高，对于信号系统的安全、可靠以及效率提出了更高的要求。当前对于地铁信号系统来说，从传统的司机驾驶，到目前的自动驾驶，主要是听指令行车，列车从调度中心获取移动授权然后动车，并控制运行速度，这可以满足绝大多数运营的需求，但是对于一些意外的特殊场景，仍然会存在一定的安全隐患。近年来，也发生了一些事故案例，譬如，因为外部施工单位私自打桩击穿隧道导致列车车头撞击受损；地铁车辆撞上轨道旁未关闭到位的人防门事故；以及多起地铁车辆追尾事故。这些意外出现在轨道上的障碍物，未来必将成为自动驾驶的最大挑战。因此，地铁自动驾驶不仅应具有听令行车的耳朵，同时应具备自主防护的眼睛，用于处理一些可能的障碍物侵限事件，从而提高列车的运行安全与效率。

经过多年的发展，汽车领域的自动驾驶技术，已经逐步走向成熟。很多自动驾驶领域的技术，也逐渐扩展到其它领域，譬如多传感器技术的融合，深度学习以及大数据处理技术，这也给轨道交通带来了新的机遇，它可以为轨道交通提供自主检测与防护的眼睛。目前激光点云在轨道交通领域的使用与研究尚处于早期阶段，加之地铁隧道内独特的空间结构特性，隧道与地面道路环境差异较大，为激光雷达在地铁内的使用也带来了挑战。

在地铁内要实现防撞预警功能，首要任务是识别出地铁的安全运行空间，即地铁轨道的轨行区，当前方轨行区的空间确定后，才能够对前方探测到的物体进行障碍物判别。目前地面道路针对前方道路的行驶区域判别，综合了雷达slam与gnss定位系统，能够做到非常精确的车辆定位，从而根据构建好的点云地图来区分行驶区域。但地铁隧道绝大部分位于地下，无法通过卫星信号进行定位，且隧道一般都是长管道，从激光点云数据中可识别的空间特征非常少，利用slam技术在地铁隧道内实时定位也难以实现。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于激光雷达的隧道内列车主动障碍物检测系统及方法。

本发明的目的可以通过以下技术方案来实现：

根据本发明的一个方面，提供了一种基于激光雷达的隧道内列车主动障碍物检测系统，该系统包括激光雷达、车载主机、网络交换机、显示设备、告警装置和制动装置；

所述的车载主机通过网络交换机分别连接车头前置的激光雷达和显示设备，所述的车载主机通过数字输出接口分别连接告警装置和制动装置；

所述的车载主机通过对激光雷达点云数据的处理分析，提取列车前方的轨行区空间特征，并根据识别到的轨行区对列车前方障碍物进行检测。

作为优选的技术方案，所述的制动装置包括车辆常规制动和车辆紧急制动；

所述的车载主机为实时接收并处理激光雷达采集到的点云数据，并将处理识别的结果进行对外输出，并控制告警设备、列车常规制动、列车紧急制动；

所述的激光雷达为采集点云数据的传感器，并实时向车载主机输出采集到的点云数据；

所述的网络交换机用于实时传输点云数据与处理结果。

作为优选的技术方案，所述的系统有效识别列车前方的行驶安全区域的三维空间，实现主动障碍物检测与防撞，通过告警信息辅助司机进行安全驾驶，接入列车制动系统，控制常规制动与紧急制动。

根据本发明的另一个方面，提供了一种采用所述的基于激光雷达的隧道内列车主动障碍物检测系统的方法，该方法包括以下步骤：

步骤1、实时采集雷达点云数据，完成数据清洗与预处理；

步骤2、在激光点云的坐标系中根据实时采集的隧道点云提取特征点；

步骤3、对特征点进行拟合与修正，建立列车前方轨行区的三维空间数学模型；

步骤4、根据轨行区内的点云进行聚类，检测障碍物，计算障碍物的大小与距离；

步骤5、输出告警信息，并根据危险等级触发常规制动或紧急制动。

作为优选的技术方案，所述的步骤1中的数据清洗与预处理具体包括以下步骤：

步骤1.1、筛除掉点云数据中数值为异常值的点，确保收到的数据能够保持同一种数据格式；

步骤1.2、筛除隧道空间外部的异常点，由于隧道是一个相对封闭的空间，落在隧道空间外的点都要滤除；

步骤1.3、点云降采样，在保留点云特征的基础上，滤除部分点云，实施降采样处理；

步骤1.4、降采样处理后的点云再进行隧道纵断面的提取，在沿隧道走向相对短的一段距离内，隧道的形态近似视为直线段，以该直线段内点云沿隧道方向的坐标轴为方向，对该轴上的点云坐标进行分段处理，从而得到多个反应隧道特征额纵断面点云；

步骤1.5、断面点云分类，针对二维的断面点云，采用二维坐标系下的数学方法对其进行拟合处理，以区分不同类型的断面，并通过点云与拟合曲线之间的平均距离作为点云形态是否匹配的标准。

作为优选的技术方案，所述的步骤1.1中数值为异常值的点，包括数据为nan或是空值的点。

作为优选的技术方案，所述的步骤1.2中筛除隧道空间外部的异常点的方式包括半径滤波和直通滤波。

作为优选的技术方案，所述的步骤1.3中降采样的方式包括体素滤波和随机降采样。

作为优选的技术方案，所述的步骤1.5中不同类型的点云断面区域包括隧道区、站台区、折返区和防淹门。

作为优选的技术方案，所述的步骤2具体包括：

根据地铁隧道内的空间特性以及不同的断面类型，搭建基于激光点云的隧道临界点提取模型，并对每个断面提取隧道的特征点，所述的断面类型包括管状隧道的点云断面、站台的点云断面和轨面断面。

作为优选的技术方案，，对于所述管状隧道的点云断面轨行区提取方法具体包括：

通过在二维的点云中查找断面两侧距离中心最远的点，为隧道壁上的特征点；隧道断面点云山两侧特征点在断面横坐标上的均值，为当前断面的轨道中心特征点；根据轨道中心与列车车辆的安全边界，推导出隧道内的轨行区安全边界特征点。

作为优选的技术方案，对所述站台的轨行区提取方法具体包括：

将满足竖直线形态的散点过滤出来，根据提取的竖直线点云的长度以及其点云是否连续，作为判断站台区边界的标准，选取最长且连续的竖直线形态的点云作为站台的边界特征点；根据列车车辆的安全边界，推导出站台区域的轨行区安全边界特征点。

作为优选的技术方案，对所述轨面特征点的提取方法具体包括：

通过已获取的轨道中心特征点，根据已知钢轨的轨距，采用直通滤波方式，得到轨道范围内的断面点云子集，对该子集中的点进行z轴上的排序，并对该子集的点以z轴的值为参照进行聚类，选取聚类后z轴均值最低的点作为轨道轨面区域。

作为优选的技术方案，当无法获取到隧道完整断面点云导致断面上的特征点缺失或错判时，对这类干扰点根据该断面前连续多个断面的特征点进行滤波处理。

作为优选的技术方案，所述无法获取到隧道完整断面点云的情况包括：

1)由于雷达视角问题，隧道弯道处只能采集到的隧道单侧的点云；

2)由于远处物体反射率不足，断面点云不完整，提取到的特征点中有干扰点存在。

作为优选的技术方案，所述的滤波处理具体包括以下步骤：

步骤a、选取最靠近激光雷达的多个断面点云，根据上述步骤提取特征点，作为初始特征点，这些初始特征点将作为判别后续特征点是否正常且合理的依据；

步骤b、在初始特征点确定后，由近及远开始依次判断后续点云断面的隧道壁以及轨行区安全边界特征点是否正确；

步骤c、判断提取得到的两侧隧道壁特征点，是否满足隧道最小和最大宽度的约束，如满足则记录下特征点，如不满足继续下一步骤；

步骤d、分别计算断面两侧轨行区安全边界特征点与往前多个断面轨行区安全边界特征点在xy平面内投影的斜率变化，斜率变化明显大于隧道最小半径弯道斜率变化的点滤除，如两侧点的斜率变化均在接受范围内，则继续下一步骤；

步骤e.待滤波隧道特征点与前一隧道壁特征点之间，是否存在连续的多个墙面点云，选取存在墙面点云可能性更大的一侧作为该断面的隧道壁特征点；

步骤f.根据确定的单侧隧道壁以及轨行区安全边界特征点，结合隧道曲率与隧道宽度，计算正确的另一侧隧道壁以及轨行区安全边界特征点；

步骤g.根据提取到的轨面，确定轨行区安全边界特征点的z值。

作为优选的技术方案，所述的步骤3具体包括：在得到的连续断面上的特征点之后，根据列车车身的安全界限，推算三维的列车安全行驶区域的边界点；通过拟合的数理统计分析手段，建立三维空间下的隧道壁曲线模型，并对曲线进行修正，从而获得列车前方的三维轨行区域。

作为优选的技术方案，所述的拟合具体包括以下步骤：

步骤3.1、在xy平面内拟合安全行驶区域边界线；在拟合安全行驶区域边界线时，采用连续多个直线段的方式进行近似拟合，每个直线段包含若干个同等数量的轨行区安全边界特征点在xy平面内完成拟合后，计算各直线段的交点，作为最终的轨行区安全边界点；

步骤3.2、在yz平面内，根据获取到的轨面特征点，拟合出表现轨面的直线，并以此计算各交点的高度值hmin；

步骤3.3、根据列车车辆安全高度，计算安全高度hmax，得到安全行驶区域的三维模型。

作为优选的技术方案，拟合时采用滤波算法对特征点以及拟合曲线进行平滑处理。

作为优选的技术方案，所述的步骤4中在得到障碍物的信息后，为防止扰动带来的误判，采取冗余的方式校准判别结果。

作为优选的技术方案，所述的冗余方式包括双雷达和多帧结合。

作为优选的技术方案，所述的步骤5中对确认后的判别结果，根据其尺寸大小与距离，触发不用等级的告警、常规制动或紧急制动。

与现有技术相比，本发明具有以下优点：

1、提出了一种基于隧道壁特征的轨行区识别及障碍物检测的方案。

2、采用纯激光雷达方案，部署简单，结构轻量化，成本低，实时性好。算法均采用公式化推导，检测结果稳定、准确，安全可靠性可证明。

3、无需对列车进行定位，能够实时针对采集到的三维点云进行轨行区提取与障碍物检测，使用更为灵活，且在设备上电后即可工作，不受列车定位准确性问题的影响。

4、独立性好，与原有的列车信号系统不关联，不依赖于列车既有信号系统的定位、速度等信息，在信号系统故障的前提下仍能独立工作，保障列车安全运行。

5、有效识别列车前方的行驶安全区域的三维空间，实现主动障碍物检测与防撞，通过告警信息可以辅助司机进行安全驾驶，接入列车制动系统，控制常规制动与紧急制动，可以辅助无人驾驶，进一步提高系统的智能化程度。

附图说明

图1为本发明的检测系统结构示意图；

图2为本发明的点云数据预处理流程图；

图3为本发明的隧道断面点云；

图4为本发明的站台断面点云；

图5为本发明的隧道断面隧道壁特征点与轨行区安全边界特征点提示意图；

图6为本发明的站台断面隧道壁特征点与轨行区安全边界特征点提示意图；

图7为本发明的轨面特征点提示意图；

图8为本发明的存在异常或扰动点的隧道断面示意图；

图9为本发明的存在异常或扰动点的站台断面示意图；

图10为本发明的对干扰点进行滤波处理的流程图；

图11为本发明的安全行驶区域边界拟合示意图；

图12为本发明的根据特征点与车辆参数确定的安全行驶区断面图；

图13为本发明的点云侵限判别示意图；

图14为本发明的障碍物检测与告警流程图。

具体实施方式

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的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本发明利用激光点云直接进行轨行区识别，能够有效判别识别列车前方的轨行区，确立列车的安全行驶空间，进而进行障碍物的判别，对地铁列车的主动避障具有重要的意义。

本发明的内容主要是基于激光雷达传感器的列车主动防撞系统，系统由采集设备、控制设备、执行设备等构成，包括激光雷达传感器、控制主机、网络交换机、告警装置等，通过对激光雷达点云数据的处理分析，提取列车前方的轨行区空间特征，并根据识别到的轨行区对列车前方障碍物进行检测。其中要实现的主要功能有：实时采集雷达点云数据，完成数据清洗与预处理；在激光点云的坐标系中根据实时采集的隧道点云提取特征点；对特征点进行拟合与修正，建立列车前方轨行区三维空间数学模型；根据轨行区内的点云进行聚类，检测障碍物，计算障碍物的大小与距离；输出告警信息，并根据危险等级触发常规制动或紧急制动。

本系统可以有效识别列车前方的行驶安全区域的三维空间，实现主动障碍物检测与防撞，通过告警信息可以辅助司机进行安全驾驶，接入列车制动系统，控制常规制动与紧急制动，可以辅助无人驾驶，进一步提高系统的智能化程度。

本发明的隧道内列车防撞系统包括以下关键点：

1.本发明的隧道内列车防撞系统由车载控制主机、激光雷达、网络交换机等组成，传感器种类少、设备数量少，结构轻量化，部署成本较低，易于搭建，且无需进行复杂的点云数据坐标转换，能够在轨道交通信号系统故障的情况下独立运行。

2.本发明方案能够实时采集激光雷达探测到的点云数据，实时对点云数据进行清洗与预处理，对数据进行降采样处理，减小算法的处理数据量，提高处理效率，提高方案的实时性。从点云中提取隧道的纵断面信息，对隧道断面特征进行分类，判断当前断面的隧道类型。

3.根据地铁隧道内的空间特性以及不同的断面类型，搭建基于激光点云的隧道临界点提取模型，并针对每个断面提取隧道的特征点(隧道壁、轨面等特征点)。

4.根据隧道中不同的线路线型，在直道、弯道、上坡、下坡等隧道环境中均能够有效获取列车前方隧道壁临界点的三维坐标，特别针对弯道处进行了有效处理，消除由于弯道处雷达视角导致的内弯侧隧道点云无法获取所带来的干扰。此外，对于无法获取到隧道完整断面点云的情况，会导致断面上的特征点缺失或错判，对这类干扰点需根据该断面前连续多个断面的特征点进行滤波处理，降低干扰点带来的影响。

5.在得到的连续断面上的特征点之后，根据列车车身的安全界限，推算三维的列车安全行驶区域的边界点。之后通过拟合等数理统计分析手段，建立三维空间下的隧道壁曲线模型，并对曲线进行修正，从而获得列车前方的三维轨行区域。

6.根据列车的安全行驶区域，对区域内点云进行聚类，检测潜在的侵限障碍物，并能够根据障碍物的大小与距离，触发告警、常规制动、紧急制动等操作。

关键点1的特征在于，本发明是由车载主机、激光雷达、网络交换机等设备组成的一套完整、可独立运行的方案，主要设备的功能如下：

1.车载主机是本发明中搭载处理算法的运行平台，能够实时接收并处理激光雷达采集到的点云数据，并能够将处理识别的结果进行对外输出，并控制告警设备、列车常规制动、列车紧急制动等车载装置。

2.激光雷达是本发明中采集点云数据的传感器，并实时向车载主机输出采集到的点云数据，该激光雷达一般安装于列车车头，能够探测到列车前方的隧道环境。

3.网络交换机是本发明中用于实时传输点云数据与处理结果的网络设备，使本发明能够同时与多台激光雷达进行互联，并为可能新增的设备留下通信通道。

4.本发明的方案，传感器种类少，设备数量少，结构轻量化，部署成本较低，无需复杂的传感器同步与融合，易于搭建，具有较好的实时性与可用性。

关键点2的特征在于，当车载主机收到实时的点云数据时，为提高算法的准确性，同时保证方案的运行效率与实时性，需要对采集的数据进行数据清洗与预处理，对数据的预处理流程如下：

1.筛除掉点云数据中，数值为异常值的点，如数据为nan或是空值的点。确保收到的数据能够保持同一种数据格式，防止在后续处理中因为异常值导致处理出错。

2.筛除隧道空间外部的异常点。由于隧道是一个相对封闭的空间，落在隧道空间外的点都应该滤除，可以通过半径滤波(radiusoutlierfilter)或者直通滤波(passthroughfilter)的方式进行滤除。

3.点云降采样。由于单帧点云通常会包含超过1万甚至10万个激光点信息，如果直接处理将会对设备算力要求非常高，且实时处理大量的点云数据也会对系统带来非常大的负荷，导致延迟、数据帧丢失甚至系统宕机的情况出现。在保留点云特征的基础上，适当滤除部分点云，实施降采样处理，可以通过体素滤波(voxelgridfilter)的方式进行降采样，也可通过随机降采样等其他方式进行处理。

4.降采样处理后的点云再进行隧道纵断面的提取。由于轨道隧道一般转弯半径比较大，在沿隧道走向相对短的一段距离内，隧道的形态可以近似视为直线段。以此为假设，以该直线段内点云沿隧道方向的坐标轴为方向，对该轴上的点云坐标进行分段(segment)处理，从而得到多个反应隧道特征额纵断面点云，将三维点云降维成二维点云，能够在保留隧道特征的前提下，提升后续计算的效率，降低算法的复杂度。

5.断面点云分类。在隧道中，根据得到的断面形态，主要的场景可以分为隧道区，站台区，折返区以及防淹门等特殊区域，不同的区域，断面点云具有不同的形态和特征。针对二维的断面点云，可以采用二维坐标系下的数学方法对其进行拟合处理，以区分不同类型的断面，并通过点云与拟合曲线之间的平均距离作为点云形态是否匹配的标准，不同类型的点云断面。

关键点3的特征在于，当实时获取到隧道的连续多个点云断面，并对其分类后，针对不同类型的点云断面采取不同的轨行区提取方法。

1.针对管状隧道的点云断面轨行区提取方法。隧道类别的断面点云一般都拥有较为容易辨识的形态，通常来说取决于隧道建设时盾构机的钻头形状，故隧道断面形态非常固定，列车轨行区均位于隧道正中。常规的地铁隧道一般呈椭圆形，且隧道壁一般为水泥等光线不可穿透的实体介质，在断面点云中极少会出现隧道断面范围之外的噪点。通过在二维的点云中查找断面两侧距离中心最远的点，即可以认为是隧道壁上的特征点。隧道断面点云山两侧特征点在断面横坐标上的均值，既是当前断面的轨道中心点。根据轨道中心与列车车辆的安全边界，可推导出隧道内的轨行区安全边界特征点。

2.针对站台等特殊位置的轨行区提取方法。站台的断面点云形态与隧道内的完全不同，通常为一个矩形的形态，且站台屏蔽门为光线可穿透的玻璃，断面内难免会出现站台内部的干扰点，如站台上的人、柱子、楼梯等，但站台区域内部的目标点云数据，其高度值均高于站台地面。所以针对站台的轨行区边界提取，以断面点云内的竖直线形态的散点作为目标。首先将满足竖直线形态的散点过滤出来，之后根据提取的竖直线点云的长度以及其点云是否连续，作为判断站台区边界的标准，选取最长且连续的竖直线形态的点云作为站台的边界特征点。根据列车车辆的安全边界，可推导出站台区域的轨行区安全边界特征点。

3.轨面特征点的提取方法。由于受限于雷达射程的限制，我们一般考虑对近处具有完整轨道形态的点云进行处理，来获取轨面特征点，并根据这些特征点去拟合轨道的高程曲线。近处的断面点云都具有完整的隧道形态，能够更准确，稳定的提取轨道轨面。在关键点3的第1点中，已经获取到了轨道中心特征点，根据已知钢轨的轨距，采用直通滤波的方式，便能够得到轨道范围内的断面点云子集，对该子集中的点进行z轴上的排序，并对该子集的点以z轴的值为参照进行聚类，选取聚类后z轴均值最低的点作为轨道轨面区域。

关键点4的特征在于，由于隧道内环境复杂，且不同类型的激光雷达会存在差异，且距离激光雷达越远的断面，越容易出现不完整的断面点云。根据断面点云提取的特征点，将可能会有将干扰点当成特征点的情况出现，对此做进一步的滤波处理。主要可能出现的情况如下：

1.由于雷达视角问题，隧道弯道处只能采集到的隧道单侧的点云。

2.由于远处物体反射率不足，断面点云不完整，提取到的特征点中有干扰点存在。

滤波处理方法如下：

1.对于距离激光雷达越近的点云，获取到的点云数量越多，断面也越完整。通过安装位置与角度的调整，一定能够确保靠近激光雷达近处点云的完整性。故选取最靠近激光雷达的多个断面点云，根据上述步骤提取特征点，作为初始特征点，这些初始特征点将作为判别后续特征点是否正常且合理的依据。

2.在初始特征点确定后，由近及远开始依次判断后续点云断面的隧道壁以及轨行区安全边界特征点是否正确。

a)判断提取得到的两侧隧道壁特征点，是否满足隧道最小和最大宽度的约束，如满足则记录下特征点，如不满足继续下一步骤；

b)分别计算断面两侧轨行区安全边界特征点与往前多个断面轨行区安全边界特征点在xy平面内投影的斜率变化，斜率变化明显大于隧道最小半径弯道斜率变化的点滤除，如两侧点的斜率变化均在接受范围内，则继续下一步骤；

c)待滤波隧道特征点与前一隧道壁特征点之间，是否存在连续的多个墙面点云，选取存在墙面点云可能性更大的一侧作为该断面的隧道壁特征点；

d)根据确定的单侧隧道壁以及轨行区安全边界特征点，结合隧道曲率与隧道宽度，计算正确的另一侧隧道壁以及轨行区安全边界特征点。

e)根据提取到的轨面，确定轨行区安全边界特征点的z值。

关键点5的特征在于，在得到隧道内连续的轨行区安全边界特征点之后，需要将列车的安全行驶区域进行数学模型化描述。考虑到轨行区安全边界特征点经过滤波后仍可能存在一些误差，先在xy平面内拟合安全行驶区域边界线。在拟合安全行驶区域边界线时，采用连续多个直线段的方式进行近似拟合，每个直线段包含若干个同等数量的轨行区安全边界特征点。拟合时可以采用滤波算法对特征点以及拟合曲线进行平滑处理。

在xy平面内完成拟合后，计算各直线段的交点，作为最终的轨行区安全边界点。

在yz平面内，根据获取到的轨面特征点，拟合出表现轨面的直线，并以此计算各交点的高度值hmin。

根据列车车辆安全高度，计算安全高度hmax值，得到安全行驶区域的三维模型。

关键点6的特征在于，得到安全行驶区域的三维模型后，通过立体几何算法，能够将处于安全行驶区域内的点云筛选出来，并对其进行聚类与辨别。对安全区域内的点云进行聚类后，可以得到障碍物的大小以及距离。

在得到障碍物的信息后，为防止扰动带来的误判，可以采取冗余的方式，采用双雷达或多帧结合的方式校准判别结果，对确认后的判别结果，根据其尺寸大小与距离，触发不用等级的告警、常规制动或紧急制动。

具体实施例(本实施例中的标坐标为竖直方向z，水平方向x，深度方向y)：

如图1所示，一种基于激光雷达的隧道内列车主动障碍物检测系统，该系统包括激光雷达、车载主机、网络交换机、显示设备和告警装置，所述的车载主机通过网络交换机分别连接车头前置的激光雷达和显示设备，所述的车载主机通过数字输出接口分别连接告警装置和制动装置，所述的系统通过对激光雷达点云数据的处理分析，提取列车前方的轨行区空间特征，并根据识别到的轨行区对列车前方障碍物进行检测。

所述的车载主机为搭载处理算法的运行平台，实时接收并处理激光雷达采集到的点云数据，并将处理识别的结果进行对外输出，并控制告警设备、列车常规制动、列车紧急制动等车载装置；所述的激光雷达为采集点云数据的传感器，并实时向车载主机输出采集到的点云数据；所述的网络交换机用于实时传输点云数据与处理结果。

所述的制动装置包括车辆常规制动和车辆紧急制动。

如图2所示，当车载主机收到实时的激光雷达点云数据时，需要先对数据进行预处理操作，预处理步骤如下：

1.筛除掉点云数据为nan值的点，此处采集的点云格式可采用常规的pointcloud2点云数据格式，清洗掉nan的点，确保后续处理中不会由于点云的异常值而产生报错；

2.筛除隧道空间外部的异常点。由于隧道是一个相对封闭的空间，落在隧道空间外的点都应该滤除，采用半径滤波(radiusoutlierfilter)的方式进行滤除。本实施例采用的雷达，水平方向角分辨率约为0.08度，竖直方向角分辨率约为0.08度，那么对于拥有连续平面的物体来说，假设在距雷达为100m深度的墙面上，能够检测到的两点之间最小距离为14cm。考虑到远距离物体反射率的变化、物体的入射角、遮挡等影响因素，我们采用一个经验值，对于某单个点云，以其为圆心，半径1m的范围内需满足5个点的阈值，否则视为离群点或干扰点进行滤除。

3.点云降采样。本实施例采用的雷达，每秒的点云数量为24万个点，采样频率为10hz，车载主机的数据处理周期为100ms，即每个周期点云数量为24000点。采用体素滤波(voxelgridfilter)的方式对点云进行降采样，体素尺寸设置为20cm*20cm*200cm。经过降采样后的点云能够较好的保留隧道的三维特征，同时数量下降至10％左右，能够为后续运算减少大量运算量。

4.隧道纵断面提取。本实施例中对隧道的纵断面提取，实施方法为对体素滤波之后的点云，对其y值进行分段(segment)处理，采用2m为间隔，得到多个断面点云，所得断面点云如图3和图4所示。

5.断面点云分类。如图3和图4所示，在隧道的不用区域，得到的断面点云将呈现不同形态。隧道区的断面点云与盾构机的钻头形状相似，为圆或椭圆状。站台区的点云包含了墙面、屏蔽门、广告牌等特征，主要的线型特征以长竖直线为主。根据上述的两个特征，实现对隧道区域站台区的断面点云分类，后续将根据点云类型分别进行处理。

如图5所示，本实施例针对隧道区的点云，先找到断面点云在xz平面投影下的x最大与最小的n个极值，然后取n个极值的中位数作为断面点云的隧道壁特征点，并根据两侧隧道壁特征点在x轴上的平均值，确定隧道中心位置。再根据标准轨距宽度、车辆宽度、水平安全距离阈值，计算得到两侧的轨行区安全边界特征点。

如图6所示，本实施例针对站台区的点云，先找到断面点云在xz平面投影下的近似竖直线段，本实施例采用分段(segment)的方式，将xz平面投影在x轴上分成多个等宽的区域，并对同一区域内的点进行直线拟合。本实施例中，对拟合出直线段的点云进行z轴方向的排序，如果z轴上两个连续点的差值δz大于设定好的阈值，则认为该直线段不连续。之后计算各段连续直线的长度，选择最长的两段直线段来提取隧道壁特征点。根据两侧隧道壁特征点在x轴上的平均值，确定隧道中心位置。再根据标准轨距宽度、车辆宽度、水平安全距离阈值，计算得到两侧的轨行区安全边界特征点。

如图7所示，本实施例针对轨面的提取，先根据断面点云的xz平面投影下找到的轨行区安全边界特征点，确定可能存在的轨道x轴范围。再对x轴采用直通滤波器，得到包含轨道在内的断面点云。之后对滤波后的点云进行z轴的排序，找到最低点附近的近似地面，和最高点附近的近似隧道顶，取均值再进行直通滤波，筛除掉隧道顶部的点，得到如图6中所示的虚线矩形区域的断面点云。此区域中，z值的最大极值便是轨面的特征点，最小极值便是隧道地面的特征点。

如图8和图9所示，由于距离激光雷达越远，能检测到的点云约稀疏，远距离物体反射率的变化、物体的入射角、遮挡、屏蔽门玻璃的镜面反射等影响因素，都会对雷达的探测造成影响，从而导致提取到残缺的或是具有干扰点的断面点云。针对此类点云，需要进行滤波处理，消除特征点中的干扰点。本实施例中对这类存在干扰的断面点云，滤波处理流程如图10所示，滤波步骤如下：

1.判断当前以获取到的初始轨行区安全边界特征点点数是否满足设定的阈值，本实施例中该阈值设定为3*2＝6，即单侧为3个，两侧共计6个。如数量不满足阈值，则根据前述的特征点提取步骤提取该断面特征点作为初始特征点，如初始特征点数量已满足，则对该断面提取的轨行区安全边界特征点采用干扰点滤波步骤；

2.干扰点滤波步骤如下：

a)判断提取得到的两侧隧道壁特征点，是否满足隧道最小和最大宽度的约束，实际的隧道宽度需根据实际线路的图纸和实测结果决定，如满足则记录下两侧的轨行区安全边界，如不满足继续下一步骤；

b)分别计算断面两侧轨行区安全边界特征点与往前多个断面轨行区安全边界特征点在xy平面内投影的斜率变化，斜率计算可采用如下公式：

式中δkxy代表斜率变化，单位为度，xcrr，ycrr为当前待滤波特征点，xpre，ypre为前一断面特征点的x，y值(第pre断面)，xpre-1，ypre-1为第pre-1断面特征点的x，y值。斜率变化明显大于隧道最小半径弯道情况下斜率变化的点滤除，得到可信的单侧轨行区安全边界特征点。如两侧点的斜率变化均在接受范围内，则继续下一步骤；

c)待滤波隧道特征点与前一隧道壁特征点之间，是否存在连续的墙面点云，选取存在墙面点云可能性更大的一侧作为该断面的隧道壁特征点。本实施例中，以当前带滤波特征点crr与前一断面特征点pre的连线方向为轴，去原始的当前帧三维点云中筛选分布在连线段附近的点，并选取点数更多的一侧作为可信的单侧轨行区安全边界特征点。；

d)根据确定的单侧隧道壁以及轨行区安全边界特征点，结合隧道曲率与隧道宽度，计算正确的另一侧隧道壁以及轨行区安全边界特征点。

e)根据提取到的轨面，确定两侧轨行区安全边界特征点的z值。

在得到滤波过后的两侧轨行区安全边界特征点后，需对构成的轨行区安全区域进行描述。如图11所示，为三维安全行驶区域在xy平面内的投影。如图12所示，为三维安全行驶区域在xz平面内的投影。

首先在xy平面内，根据提取获得的两侧轨行区安全边界特征点，分别在xy平面内拟合直线段，本实施例中采用3点确定一条直线的方式，通过直线段拟合来描述轨行区的线型变化。

在yz平面内，通过提取得到的轨面特征点，拟合出表现轨面的直线，并以此计算各交点的高度值hmin。

根据列车车辆安全高度，计算安全高度hmax值，得到安全行驶区域的三维模型。

如图13所示，得到安全行驶区域的三维模型后，本实施例采用立体几何算法，以此筛选原始三维隧道点云中，处于安全行驶区域内的点云，对于某一探测点是否位于安全行驶区域内的判别方法可采用以下公式，式中x，y，z分别为个点在zyx坐标系下的坐标值，

a1＝(e12.x-e11.x)*(p′.y-e11.y)-(e12.y-e11.y)*(p′.x-e11.x)

b1＝(e13.x-e12.x)*(p′.y-e12.y)-(e13.y-e12.y)*(p′.x-e12.x)

c1＝(e14.x-e13.x)*(p′.y-e13.y)-(e14.y-e13.y)*(p′.x-e13.x)

d1＝(e11.x-e14.x)*(p′.y-e14.y)-(e13.y-e14.y)*(p′.x-e14.x)

a2＝(e12.z-e11.z)*(p′.y-e11.y)-(e12.y-e11.y)*(p′.z-e11.z)

b2＝(e13.z-e12.z)*(p′.y-e12.y)-(e13.y-e12.y)*(p′.z-e12.z)

c2＝(e14.z-e13.z)*(p′.y-e13.y)-(e14.y-e13.y)*(p′.z-e13.z)

d2＝(e11.z-e14.z)*(p′.y-e14.y)-(e13.y-e14.y)*(p′.z-e14.z)

如满足：

(a1＞0&b1＞0&c1＞0&d1＞0)|(a1＜0&b1＜0&c1＜0&d1＜0)

且，

(a2＞0&b2＞0&c2＞0&d2＞0)|(a2＜0&b2＜0&c2＜0&d2＜0)

那么判定探测点p′处于该安全区域内。式中&代表逻辑运算的“与”，|代表逻辑运算的“或”。遍历完所有点云中的点，得到处于安全运行区域内的点集。

如图14所示，障碍物检测与报警的流程如下：

1.首先需对其进行聚类与辨别。本实施例中采用欧式距离的聚类方法，根据实际采用雷达的角分辨率设置不同距离下的聚类参数(物体最小点数阈值、最大点间距等)，对安全区域内的点云进行聚类，得到聚类结果后，再计算聚类物体的中心坐标，由此得到障碍物的尺寸大小以及与雷达之间的距离。

2.在遍历完所有安全区域内点云，得到障碍物的信息后，为防止扰动带来的误判，本实施例采取冗余的方式，可采用双雷达与两帧融合的方式校准判别结果。以两帧融合的方式为例，即对连续两帧检测到的障碍物进行比对，如障碍物的尺寸大小与距离符合当前列车运行速度下的变化，则确认检测到障碍物。

3.对确认后的判别结果，根据其尺寸大小与距离，触发不同等级的告警、常规制动或紧急制动。本实施例的常规制动与紧急制动发触条件，根据具体线路的安全等级要求来设定。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。