一种列车碰撞预警方法及其装置与流程

[0001]
本发明涉及列车控制领域，尤其涉及一种列车碰撞预警方法及其装置。


背景技术：

[0002]
由于仅通过驾驶员观察列车行驶前方的环境需要驾驶员保持高度的注意力，且对于夜晚或者恶劣天气等视线不良情况，驾驶员很难准确判断列车行驶情况。因此，采用各种传感器进行环境感知是实现列车智能驾驶的前提。目前环境感知领域中，常用的传感器的有摄像头、激光雷达和毫米波雷达等。
[0003]
然而摄像头虽然能够获取丰富的环境信息，但是在视线不良的情况下不能发挥其作用。并且，摄像头不能很好的获取深度信息，对目标距离的判断不准确。毫米波雷达能够很好的适应不同的环境，但是其获取的目标信息较少，且目标位置也存在一定的偏差。激光雷达能够准确的获取深度信息，并且具有较高的分辨率，能够适应一定的恶劣天气。
[0004]
目前激光雷达广泛应用于汽车智能驾驶领域，能够有效地探测列车前方的环境信息，可实现汽车的主动防撞功能。但汽车在时速100km/h的制动距离一般都在几十米范围内，因此其主动防撞功能也只需考虑100m范围内的目标。
[0005]
相对地，轨道交通列车的制动距离至少为200m以上，因此列车的碰撞预警或者主动防撞功能需要考虑更远的距离。由于激光雷达的分辨率有限，对于列车前方的较远位置，仅能分辨地面以上的目标，而地面和轨道基本无点云返回。因此，列车前方较远位置处的轨道信息无法获取到，从而无法有效地限定列车的行驶区域。当激光雷达探测到较远距离处存在障碍物时，由于无法判断出障碍物是否在列车的行驶区域内，因此也无法进一步的为列车提供预警信息。
[0006]
为了解决上述问题，本发明旨在提供一种列车碰撞预警方法及其装置，可满足轨道交通列车的远距离障碍物识别的需求。


技术实现要素：

[0007]
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
[0008]
根据本发明的一方面，提供了一种列车碰撞预警方法，包括：基于激光雷达的探测数据以及预建地图确定出列车当前运行环境中的若干障碍物与所述列车的定位位置；基于所述列车的定位位置在所述预建地图中的固定环境信息确定出所述列车的运行轨道的走向以提取出所述列车的可行驶区域；判断所述若干障碍物中是否存在位于所述可行驶区域内的障碍物；以及响应于所述若干障碍物中存在任一障碍物位于所述可行驶区域中，产生碰撞预警信息。
[0009]
在一实施例中，所述基于激光雷达的探测数据以及预建地图确定出列车当前运行
环境中的若干障碍物与所述列车的定位位置包括：提取出所述探测数据中的目标信息；将所述目标信息与所述预建地图中的固定环境信息进行匹配；利用匹配成功的若干目标信息确定出所述列车的定位位置；以及将匹配失败的若干目标信息确定为所述若干障碍物。
[0010]
在一实施例中，所述提取出所述探测数据中的目标信息包括：基于所述激光雷达的有效探测距离以及所述列车的高度滤除所述探测数据中的噪声以得到去噪探测数据；将所述去噪探测数据在所述激光雷达坐标系下的坐标转换为所述列车的列车坐标系下对应的坐标；利用平面拟合方法去除所述去噪探测数据中的地面点云以得到非地面点云；利用最小二乘法基于所述非地面点云拟合出所述列车的运行轨道边缘并将所述运行轨道边缘内的区域确定为感兴趣区域，所述感兴趣区域内的所有点组成感兴趣点云；利用dbscan算法对所述感兴趣点云进行聚类以得到若干聚类目标；以及利用联合概率数据关联算法确定出当前帧数据中的若干聚类目标中与前一帧数据中的目标信息间的对应关系以筛选出所述若干聚类目标中的目标信息。
[0011]
在一实施例中，所述探测数据中的点的坐标为所述列车坐标系下的坐标，所述基于所述激光雷达的有效探测距离以及所述列车的高度滤除所述探测数据中的噪声包括：去除所述探测数据中横坐标或纵坐标的绝对值大于所述有效探测距离或高度坐标大于所述列车的高度的点以实现所述探测数据中的噪声滤除。
[0012]
在一实施例中，所述利用平面拟合方法去除所述去噪探测数据中的地面点云以得到非地面点云包括：对所述去噪探测数据进行分块处理；确定出每一块去噪探测数据中高度坐标最小的点作为该块去噪探测数据中的基础地面点；基于所有基础地面点建立地面平面方程以形成一平面模型；将所述去噪探测数据中的所有数据点输入至所述平面模型中以计算出所有数据点的误差；以及去除所述去噪探测数据中误差小于预设阈值的数据点以作为所述非地面点云。
[0013]
在一实施例中，所述利用最小二乘法拟合出所述非地面点云中所述列车的运行轨道对应的点云并将位于所述运行轨道内的区域确定为感兴趣区域包括：将所述非地面点云投影到x-y平面进行栅格化；计算每一栅格内z轴方向上的极差；将极差处于预设区间范围内的栅格确定为运行道路边缘的备选栅格；将每一备选栅格中z轴的高度值与所述备选栅格内的所有点的平均z轴高度值最接近的点确定为拟合点以组成拟合点云；以及利用最小二乘法对所述拟合点云进行拟合以确定出所述运行轨道边缘。
[0014]
在一实施例中，所述利用dbscan算法对所述感兴趣点云进行聚类以得到若干聚类目标包括：初始化部分核心数据点，所述核心数据点为邻域密度达到预设密度阈值的数据点；针对每一核心数据点，将位于所述核心数据点的邻域内且邻域密度达到所述预设密度阈值的数据点并入所述核心数据点对应的聚类目标集中并将所述数据点确定为核心数据点；以及针对每一聚类目标集，响应于所述聚类目标集中的任一核心数据点的邻域内不存在可并入所述聚类目标集中的数据点，所述聚类目标集聚类完毕，所述感兴趣点云中的每一聚类目标集构成一聚类目标。
[0015]
在一实施例中，所述利用联合概率数据关联算法确定出当前帧数据中的若干聚类目标中与前一帧数据中的目标信息间的对应关系以筛选出所述若干聚类目标中的目标信息包括：利用卡尔曼滤波法预测和更新所述当前帧数据中的各个目标信息；利用马氏距离跟踪门限函数确定出所述前一帧数据中的每一目标信息的门限值；基于所述前一帧数据中
的目标信息的门限值确定出所述当前帧数据中的若干聚类目标与前一帧数据中的目标信息的关联矩阵；利用贝叶斯理论以及所述关联矩阵确定出当前帧数据中的每一聚类目标与所述前一帧数据中的所有目标信息的关联概率；以及将当前帧数据中的每一聚类目标确定为其关联概率最高的目标信息。
[0016]
在一实施例中，所述将所述目标信息与所述预建地图中的固定环境信息进行匹配包括：利用当前帧数据与前一帧数据中的线特征点与面特征点的匹配关系确定出所述当前帧数据相对于所述前一帧数据的相对位姿变化；基于所述当前帧数据的相对位姿变化以及所述前一帧数据中所述列车的定位位置确定出所述列车的预估位置；以及将所述当前帧数据中的若干目标信息与预建地图中的预估位置周围的固定环境信息进行匹配。
[0017]
在一实施例中，所述利用匹配成功的若干目标信息确定出所述列车的定位位置包括：响应于匹配成功的目标信息的数量大于预设阈值，利用匹配成功的目标信息确定出所述列车在所述预建地图中的匹配位置，并利用卡尔曼滤波法将所述预估位置与所述匹配位置进行融合以作为所述列车的定位位置；以及响应于匹配成功的目标信息的数量小于等于预设阈值，将所述预估位置确定出为所述列车的定位位置。
[0018]
根据本发明的另一个方面，还提供了一种列车碰撞预警装置，包括存储器、处理器以及存储在存储器上的计算机程序，所述处理器被用于执行存储在所述存储器上的计算机程序时实现如上述任一实施例所述的列车碰撞预警方法的步骤。
[0019]
根据本发明的又一个方面，还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述任一实施例所述的列车碰撞预警方法的步骤。
附图说明
[0020]
在结合以下附图阅读本公开的实施例的详细描述之后，更能够更好地理解本发明的上述特征和优点。
[0021]
图1是根据本发明的一个方面绘示的一实施例中的列车碰撞预警方法的流程示意图；
[0022]
图2是根据本发明的一个方面绘示的一实施例中的列车碰撞预警方法的部分流程示意图；
[0023]
图3是根据本发明的一个方面绘示的一实施例中的列车碰撞预警方法的部分流程示意图；
[0024]
图4是根据本发明的一个方面绘示的一实施例中的列车碰撞预警方法的部分流程示意图；
[0025]
图5是根据本发明的一个方面绘示的一实施例中的列车碰撞预警方法的部分流程示意图；
[0026]
图6是根据本发明的一个方面绘示的一实施例中的列车碰撞预警方法的部分流程示意图；
[0027]
图7是根据本发明的一个方面绘示的一实施例中的列车碰撞预警方法的部分流程示意图；
[0028]
图8是根据本发明的一个方面绘示的一实施例中的列车碰撞预警方法的部分流程示意图；
[0029]
图9a～9b是根据本发明的一个方面分别绘示的线特征点与对应特征线以及面特征点与对应特征面之间的对应关系示意图；
[0030]
图10是根据本发明的另一个方面绘示的一实施例中的列车碰撞预警装置的模块框图。
具体实施方式
[0031]
给出以下描述以使得本领域技术人员能够实施和使用本发明并将其结合到具体应用背景中。各种变型、以及在不同应用中的各种使用对于本领域技术人员将是容易显见的，并且本文定义的一般性原理可适用于较宽范围的实施例。由此，本发明并不限于本文中给出的实施例，而是应被授予与本文中公开的原理和新颖性特征相一致的最广义的范围。
[0032]
在以下详细描述中，阐述了许多特定细节以提供对本发明的更透彻理解。然而，对于本领域技术人员显而易见的是，本发明的实践可不必局限于这些具体细节。换言之，公知的结构和器件以框图形式示出而没有详细显示，以避免模糊本发明。
[0033]
请读者注意与本说明书同时提交的且对公众查阅本说明书开放的所有文件及文献，且所有这样的文件及文献的内容以参考方式并入本文。除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。
[0034]
注意，在使用到的情况下，标志左、右、前、后、顶、底、正、反、顺时针和逆时针仅仅是出于方便的目的所使用的，而并不暗示任何具体的固定方向。事实上，它们被用于反映对象的各个部分之间的相对位置和/或方向。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0035]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0036]
注意，在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
[0037]
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
[0038]
根据本发明的一个方面，提供一种列车碰撞预警方法。
[0039]
在一实施例中，如图1所示，列车碰撞预警方法100包括步骤s110～s140。
[0040]
其中，步骤s110为：基于激光雷达的探测数据以及预建地图确定出列车当前运行环境中的若干障碍物与所述列车的定位位置。
[0041]
激光雷达是以发射激光束探测目标的位置或速度等特征量的雷达系统，通过向目标发射探测信号(激光束),然后将接收到的从目标反射回来的信号(目标回波)与发射信号
进行比较并作适当处理,从而获得目标的有关信息,如目标距离、方位、高度、速度、姿态、甚至形状等参数。
[0042]
当前运行环境是指列车的当前运行位置处的周围环境。
[0043]
安装于列车上的激光雷达向列车的行驶方向上发射探测信号以探测出位于列车的行驶前方上的各个目标的探测数据。基于该些探测数据可识别出列车前方的各个目标，包括固定环境信息和障碍物，障碍物是指不属于固定环境信息的其他可移动的或固定的目标。
[0044]
预建地图为预先采集到的沿途的固定环境信息，包括地面、轨道、轨旁设施以及沿途建筑物等等。
[0045]
则通过将激光雷达探测出的目标与预建地图中存储的固定环境信息进行匹配对比，一方面可通过探测出的固定环境信息与预建地图中存储的固定环境信息的匹配情况识别出列车在预建地图中的位置；另一方面还可通过探测出的障碍物无法与预建地图中存储的固定环境信息进行匹配而识别出障碍物。
[0046]
步骤s120为：基于所述列车的定位位置在所述预建地图中的固定环境信息确定出所述列车的运行轨道的走向以提取出所述列车的可行驶区域。
[0047]
确定出列车的定位位置后，基于列车的定位位置可查询出预建地图中对应位置处的固定环境信息，固定环境信息中包括运行轨道的走向，因此可将运行轨道所在区域及其可能波及的区域作为列车的可行驶区域。
[0048]
步骤s130为：判断所述若干障碍物中是否存在位于所述可行驶区域内的障碍物。
[0049]
可以理解，可通过判断激光雷达探测出的障碍物的坐标位置是否属于可行驶区域的坐标范围来判断出该些障碍物是否为列车需要实际避开的障碍物。
[0050]
步骤s140为：响应于所述若干障碍物中存在任一障碍物位于所述可行驶区域中，产生碰撞预警信息。
[0051]
可以理解，激光雷达探测出的目标中，位于可行驶区域内且无法与预建地图中该可行驶区域内的任一固定环境信息匹配成功的目标即为列车实际需要避开的障碍物。
[0052]
碰撞预警信息可以是语音、图标、文字或其任意组合形式的预警信息。
[0053]
更进一步地，在一具体实施例中，如图2所示，步骤s110包括步骤s111～s114。
[0054]
步骤s111为：提取出所述探测数据中的目标信息。
[0055]
目标是指环境中实际存在的物体，目标信息则是表征环境中实际存在的物体的信息，可包括组成对应的物体的点云、对应的物体的尺寸和位置等属性等等。
[0056]
激光雷达探测出的数据为点云，为表征物体的表面特性的海量点集合，包括每一采样点的空间坐标。不同形状的物体对应的点云会呈现出不同的物理特性，比如，地面所对应的点云的坐标在高度上呈现出一致性，杆状地物比如路灯、电杆或树干等物体所对应的点云会在高程方向上呈现出延展特性，面状地物比如地面、建筑物墙面或大型指示牌等物体所对应的点云会在平面上呈现出延展特性等等。因此，基于点云呈现出的物理特性可将其划分为不同的目标信息，以分别对应于不同的物体。
[0057]
在一实施例中，如图3所示，步骤s111可包括步骤s310～s360。
[0058]
其中，步骤s310为：基于所述激光雷达的有效探测距离以及所述列车的高度滤除所述探测数据中的噪声以得到去噪探测数据。
[0059]
由于激光雷达的硬件特性，激光雷达的数据会有噪点，使用噪声滤除算法对原始激光点云数据滤除之后有助于从激光点云数据里面提出更精确的目标信息。
[0060]
可以理解，超出激光雷达的有效距离以外的点可能存在探测准确性的问题，超出列车的高度的点对应的障碍物则不会影响列车的行驶，因此可将超出雷达有效距离或超出列车的高度的点去除以实现去噪。
[0061]
一般地，点距离的计算一般需要利用坐标进行平方和开平方，且激光雷达探测出的点云数据量庞大，如果每一个点都需要做二次平方计算，则会需要大量的计算资源，会造成数据滞后以及丢失帧的可能。因此，较优地，可采用绝对值判断的方法，即去除探测数据中横坐标或纵坐标的绝对值大于有效探测距离或高度坐标大于列车的高度的点以实现探测数据中的噪声滤除。
[0062]
假设激光雷达有效距离为d,列车高度为h，(x,y,z)为点云数据中任一点在激光雷达坐标系中的坐标，则可把|x|＞d与|y|＞d以及z＞h+ε(ε为预留值)的点都去除掉，将点云约束在一个长为2d，宽为2d，高为z的长方体范围内。
[0063]
步骤s320为：将去噪探测数据在激光雷达坐标系下的坐标转换为列车的列车坐标系下对应的坐标。
[0064]
激光雷达的原始点云的坐标都是相对于激光雷达坐标系的坐标，为了便于数据处理，需要通过坐标转换将原始点云数据的坐标转换到列车坐标系下的坐标。
[0065]
通过对激光雷达进行位置标定可得到一个坐标转换系数矩阵m。m为3
×
4的矩阵(包含旋转矩阵和平移矩阵)，具体的转换公式可如式(1)所示：
[0066][0067]
其中，(x
v
,y
v
,z
v
)为列车坐标系下的坐标，(x,y,z)为激光雷达坐标系下的坐标。
[0068]
步骤s330为：利用平面拟合方法去除所述去噪探测数据中的地面点云以得到非地面点云。
[0069]
可以理解，地面点数量庞大，因此去除地面点云可提高后期数据处理运算效率。
[0070]
而地面由于其高度方向上的特殊性，因此其点云是较为容易确定的。
[0071]
较优地，地面分割过程采用分块平面拟合的方法实现，在平面拟合过程中可采用随机采样拟合(random sample consensus,ransac)算法来进行平面的拟合。
[0072]
ransac算法是采用迭代的方式从一组被观测数据中估算出数学模型的方法。该算法假设数据中包含正确数据和异常数据(或称为噪声)。其核心思想是随机性和假设性，随机性是根据正确数据出现概率去随机选取抽样数据，根据大数定理，随机性模拟可以近似得到正确结果。假设性是假设选取出的抽样数据都是正确的数据，然后这些正确的数据通过计算后的模型去计算其他点是否正确。
[0073]
具体地，如图4所示，步骤s330可具体包括步骤s331～s335。
[0074]
其中，步骤s331为：对去噪探测数据进行分块处理。
[0075]
在一具体实施例中，可沿列车的前进方向每隔l(l＞0)米分为一块区域，记为l1、
l2、
…
l
n
。在采用ransac算法对每一块区域分别进行平面拟合。
[0076]
步骤s332为：确定出每一块去噪探测数据中高度坐标最小的点作为该块去噪探测数据中的基础地面点。
[0077]
由于在一组点云数据中高度方向最低的点最可能是地面点，所以先选择出l
i
(i＝1,2,...,n)块点云中高程较低的点作为基础地面点，再利用所有基础地面点来确定出地面点云的平面模型。
[0078]
步骤s333为：基于所有基础地面点建立地面平面方程以形成一平面模型。
[0079]
利用所有基础地面点计算出地面所对应的平面方程即平面模型。
[0080]
步骤s334为：将去噪探测数据中的所有数据点输入至该平面模型中以计算出去噪探测数据中的所有数据点的误差。
[0081]
假设利用所有基础地面点确定出的平面模型为ax+by+cz+d＝0，则任一数据点j(x0，y0，z0)的误差为ε
j
＝ax+by+cz+d。
[0082]
步骤s335为：去除去噪探测数据中误差小于预设阈值的数据点以作为非地面点云。
[0083]
设定一地面点误差阈值ε
threshold
，若任一数据点j(x0，y0，z0)的误差ε
j
＜ε
threshold
，则该数据点j为地面点。
[0084]
可以理解，对所有数据点进行上述误差计算并判断是否为地面点后可确定出所有地面点，则将去噪探测数据中的所有地面点去除后剩余的点云即为非地面点云。
[0085]
进一步地，步骤s340为：利用最小二乘法基于所述非地面点云拟合出所述列车的运行轨道边缘并将所述运行轨道边缘内的区域确定为感兴趣区域，所述感兴趣区域内的所有点组成感兴趣点云。
[0086]
点云中存在如道路外的背景点云等，该类点云数据量庞大，且影响实际需要避开的障碍物目标的识别效率和精度。因此，可将列车所行驶的道路范围作为感兴趣区域，仅对感兴趣区域内的目标进行识别和障碍物的检测。
[0087]
在一具体实施例中，如图5所示，步骤s340可包括步骤s341～s345。
[0088]
其中，步骤s341为：将非地面点云投影到x-y平面进行栅格化。
[0089]
一般而言，栅格越小，区域定位越准确，但是栅格越小会使得计算量越大且对雷达扫描精度要求更高。因此，在栅格化过程中，栅格的大小可根据被检测目标的大小以及激光雷达的扫描精度来确定。
[0090]
步骤s342为：计算每一栅格内z轴方向上的极差。
[0091]
极差是指一栅格内z轴方向的最高点和最低点的高度差值(极差)。
[0092]
步骤s343为：将极差处于预设区间范围内的栅格确定为运行道路边缘的备选栅格。
[0093]
可以理解，道路边缘的高度一般为固定值。比如，对于轨道交通系统而言，轨道的高度或站台的高度是固定的。因此，可基于栅格的极差是否与运行道路边缘的高度大致相等来大概确定该栅格是否属于运行道路边缘所可能对应的栅格即备选栅格。
[0094]
步骤s344为：将每一备选栅格中z轴的高度值与备选栅格内的所有点的平均z轴高度值最接近的点确定为拟合点以组成拟合点云。
[0095]
先求出备选栅格内所有点的z轴高度值的平均值，再确定出z轴高度值最接近该平
均值的点作为拟合点。
[0096]
步骤s345为：利用最小二乘法对拟合点云进行拟合以确定出运行轨道边缘。
[0097]
较优地，可采用最小二乘法进行三次多项式行驶道路边缘拟合。
[0098]
进一步地，步骤s350为：利用dbscan算法对所述感兴趣点云进行聚类以得到若干聚类目标。
[0099]
在经过地面点分割和感兴趣区域提取后，可得到感兴趣区域内的非地面点云。为了从感兴趣区域内的非地面点云中得到目标信息，需要进一步对感兴趣区域点云进行聚类处理。
[0100]
聚类算法的根本目的是为了将分散的点云划分成为若干个独立的点云集合。每一点云集合可视为一目标。
[0101]
dbscan算法(density-based spatial clustering of applications with noise,具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法。这类密度聚类算法一般假定可以通过样本分布的紧密程度决定样本是否属于同一类别。同一类别的样本，他们之间是紧密相连的，换言之，在类别任意的样本周围不远处一定有同类别的样本存在。则通过将紧密相连的样本划为一类，就可得到一个聚类类别。
[0102]
在一实施例中，如图6所示，步骤s350可具体包括步骤s351～s353。
[0103]
其中，步骤s351为：初始化部分核心数据点。
[0104]
核心数据点为邻域密度达到预设密度阈值的数据点。
[0105]
具体可随机选取感兴趣点云中的部分点，并对该部分点的邻域密度进行计算，将邻域密度达到预设密度阈值的数据点作为初始化的核心数据点。
[0106]
邻域密度是指样本点周围一定半径范围内的数据点的数量。
[0107]
步骤s352为：针对每一核心数据点，将位于该核心数据点的邻域内且邻域密度达到预设密度阈值的数据点并入核心数据点对应的聚类目标集中并将该数据点确定为核心数据点。
[0108]
即假设一聚类目标集为ω，若该聚类目标集ω包括一核心数据点a，则可对该核心数据点a的邻域内的所有数据点进行邻域密度的判断。假设数据点b为核心数据点a的邻域内的数据点，若数据点b的邻域密度达到预设密度阈值，则可将该数据点b确定为核心数据点并同时并入聚类目标集ω中。进一步地，还需对核心数据点b的邻域内的所有数据点进行邻域密度的判断。
[0109]
步骤s353为：针对每一聚类目标集，响应于所述聚类目标集中的任一核心数据点的邻域内不存在可并入所述聚类目标集中的数据点，所述聚类目标集聚类完毕，所述感兴趣点云中的每一聚类目标集构成一聚类目标。
[0110]
可以理解，对于一聚类目标集，当其所有样本集合完毕之后，则该聚类目标集中的任一核心数据点的邻域内的数据点要么已经是该聚类目标集中的核心数据点，要么是邻域密度未达到预设密度阈值即不属于该聚类目标集。因此，当一聚类目标集中的任一核心数据点的邻域内不存在可并入所述聚类目标集中的数据点时，可判断该聚类目标集聚类完毕。
[0111]
可以理解，由于初始化的若干核心数据点可能属于同一聚类目标，因此，当任意时刻判断出初始化的两个核心数据点属于同一聚类目标时，可将该初始化的两个核心数据点
分别所述的聚类目标集进行合并以形成一个聚类目标集。
[0112]
进一步地，由于初始化核心数据点的随机性，可对未属于任一聚类目标集的剩余点云再次进行聚类直到剩余点云为空集或不存在邻域密度达到预设密度阈值的数据点。
[0113]
进一步地，步骤s360为：利用联合概率数据关联算法确定出当前帧数据中的若干聚类目标中与前一帧数据中的目标信息间的对应关系以筛选出所述若干聚类目标中的目标信息。
[0114]
一般而言，在连续多帧探测数据中，由于目标移动的连续性，因此不会存在仅在某一帧数据中出现某一陌生目标的现象，因此，可基于当前帧数据中的聚类目标与前一帧数据中的目标信息的对应关系来筛选出当前帧数据中实际存在的聚类目标。
[0115]
在一实施例中，如图7所示，步骤s360可包括步骤s361～s365。
[0116]
其中，步骤s361为：利用卡尔曼滤波法更新若干聚类目标的参数。
[0117]
卡尔曼滤波(kalman filtering)是一种利用线性系统状态方程，通过系统的输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术，kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。
[0118]
较优地，考虑到各个目标在短时间内的速度变化很小，因此，可采用匀速模型来描述各个目标的运动变化。
[0119]
在匀速模型中，描述系统动态特性的状态向量为x＝[x,y,v
x
,v
y
]
t
，其中x和y分别表示目标在列车坐标系中的纵向和横向坐标，v
x
和v
y
分别表示动态目标在列车坐标系中的绝对纵向速度和绝对横向速度，t表示处理周期。其中，匀速运动模型可如式(2)所示，量测模型可如式(3)所示。
[0120][0121][0122]
确定运动模型和量测模型后，利用卡尔曼滤波算法对前一帧数据中的若干目标信息进行状态预测和更新，以预测出各个目标信息在当前帧数据中的预测状态参数。
[0123]
步骤s362为：利用马氏距离跟踪门限函数确定出所述前一帧数据中的每一目标信息的门限值。
[0124]
跟踪门限函数可准确及时地生成新的目标轨迹并有效排除传感器的噪声量测。马氏距离跟踪门限函数的计算公式如式(4)所示。
[0125][0126]
其中，z(k)和分别为k时刻的量测目标状态和k-1时刻的目标轨迹的预测值，s-1
(k)为该传感器的两个样本间的协方差矩阵，与传感器类型和量测目标与列车的位置有关。
[0127]
跟踪门限函数可表示为：
[0128]
g
k
＝{z(k):d
m
(z(k))≤c}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0129]
其中，c为门限函数阈值。
[0130]
步骤s363为：基于所述前一帧数据中的目标信息的门限值确定出所述当前帧数据中的若干聚类目标与前一帧数据中的目标信息的关联矩阵。
[0131]
数据关联的功能是对进入关联门内的传感器的最新量测目标与已有的目标轨迹进行关联，从而确认来源于同一个目标的传感器量测，以及每个目标所产生的传感器量测。
[0132]
具体而言，上一时刻的目标轨迹在目标状态预测与更新中进行预测后，数据关联部分将预测数据与从数据缓存区传输的当前各传感器的量测数据进行数据关联，关联所依据的证据是两者的类别相似度、位置相似度和速度相似度。
[0133]
联合概率数据关联算法(joint probability data association,jpda)目前是公认的在杂波环境中对多目标进行跟踪最理想的方法之一，因此可采用jpda算法解决传感器量测与目标轨迹之间的数据关联问题。
[0134]
为描述传感器量测目标(当前帧数据中的若干聚类目标)j＝{1,2,...,n}与目标轨迹(前一帧数据中的目标信息的预测状态)i＝{1,2,...,m}的跟踪门之间的关系，确认矩阵为：
[0135][0136]
其中，
[0137]
对应地，关联矩阵为：
[0138][0139]
其中，
[0140]
由于，每一传感器量测目标至多关联一条预测的目标轨迹或不与任何轨迹关联，
每一预测的目标轨迹只与一个量测目标或误检相关联，因此，且
[0141]
步骤s364为：利用贝叶斯理论以及关联矩阵确定出当前帧数据中的每一聚类目标与前一帧数据中的所有目标信息的关联概率。
[0142]
在确认矩阵已知的情况下，可枚举出所有量测目标即当前帧数据中的聚类目标和目标轨迹状态即预测目标之间的可行匹配组合。则基于每一可行匹配组合，可确定出当前帧数据中的每一聚类目标与前一帧数据中的每一目标信息的关联概率。
[0143]
步骤s365为：将当前帧数据中的每一聚类目标确定为其关联概率最高的目标信息。即确定出当前帧数据中出现的已在前一帧数据中出现过的目标。
[0144]
进一步地，确定出探测数据中的目标信息后，步骤s112为：将当前帧数据中的目标信息与预建地图中的固定环境信息进行匹配。
[0145]
可以理解，预建地图中存储有庞大的数据，若要将目标信息与预建地图中的每一目标进行匹配，其计算量非常巨大，耗时也会非常长。因此可先确定出列车的大致位置，再将目标信息与预建地图中列车的大致位置周围的固定环境信息进行匹配，可大大减小计算量和耗时。
[0146]
具体地，如图8所示，步骤s112可包括步骤s1121～s1123。
[0147]
其中，步骤s1121为：利用当前帧数据与前一帧数据中的线特征点与面特征点的匹配关系确定出当前帧数据相对于所述前一帧数据的相对位置。
[0148]
可以理解，前一帧数据已确定出列车的定位位置，那么利用在前一帧数据和当前帧数据中的列车的相对位移，则可利用前一帧数据中的列车的定位位置来预估出列车在当前帧数据中的大概位置。
[0149]
利用前一帧数据和当前帧数据中的线特征点与面特征点的配准关系，可快速高效地实现点云的帧间配准。
[0150]
首先计算出每个点所在平面的曲率以确定出点云中的线特征点与面特征点。
[0151]
对多线扫描仪中的每条扫描线，选择其中每个点的左右各5个点以避免雷达顺时针和逆时针扫描的影响，再计算其曲率，计算公式如式(7)所示。
[0152][0153]
其中，s表示邻域点的集合。由于最边缘的5个点不满足左右各五个点的条件，因此，最边缘的5个点不参与特征点的选取。
[0154]
然后，按照各个点的曲率对点云中的点进行排序以确定出其中的提取出特征点。比如，选取曲率最大的点作为线特征点，曲率最小的点作为面特征点。
[0155]
为了保证特征点的分布均匀，将每条扫描线的点云分为四个子区域，在每个子区域中选取最多2个线特征点和4个面特征点，同时不选择曲率不符合线特征点或面特征点的曲率要求的点。
[0156]
如图9a和9b所示，分别建立线特征点与对应特征线以及面特征点与对应特征面的对应关系。
[0157]
对于线特征点p(k+1,i)，除了最近邻点p(k,i)之外，还需找到一个在不同扫描线上的对应线特征点p(k,l)，由此可以建立线特征点的距离度量：
[0158][0159]
对于面特征点p(k+1,i)，除了最近邻点p(k,i)之外，还需要寻找同一条扫描线上另一点p(k,l)，与另一条扫描线上的一个点p(k,m)，以此保证这三点位于一个面上且不共线，由此可以建立面特征点的距离度量：
[0160][0161]
在获得当前帧数据和前一帧数据的线特征点和面特征点的距离度量之后，便可以通过最小化两帧点云之间的距离度量来求取两帧的点云之间的相对位姿变化计算公式如下：
[0162][0163]
步骤s1122为：基于当前帧数据的相对位姿变化以及前一帧数据中列车的定位位置确定出列车的预估位置。
[0164]
可以理解，将前一帧数据中所述列车的定位位置转移相对位姿变化即为当前帧数据中列车的预估位置。
[0165]
步骤s1123为：将当前帧数据中的若干目标信息与预建地图中的预估位置周围的固定环境信息进行匹配。
[0166]
具体地，可利用每个目标的特征向量(包括方向向量和法向量)与预建地图中的固定环境信息的特征向量进行匹配以确定匹配关系。比如，将当前帧数据中提取的地面、铁轨或路肩、杆状特征地物与面状特征地物等目标分别与预建地图中对应类别的数据进行匹配。
[0167]
步骤s113为：利用匹配成功的若干目标信息确定出所述列车的定位位置。
[0168]
利用匹配成功的目标与其对应的预建地图中的目标之间的相对位置关系来确定出列车的匹配位置。
[0169]
可以理解，当匹配成功的目标越多，列车的匹配位置则越精确，而当匹配成功的目标较少时，列车的匹配位置则可能误差较大。
[0170]
因此，较优地，响应于匹配成功的目标信息的数量大于预设阈值，利用匹配成功的目标信息确定出列车在预建地图中的匹配位置，并利用卡尔曼滤波法将步骤s1122中确定出的预估位置与匹配位置进行融合以作为列车的定位位置；响应于匹配成功的目标信息的数量小于等于预设阈值，则将步骤s1122中确定出的预估位置确定出为列车的定位位置。
[0171]
步骤s114为：将匹配失败的若干目标信息确定为所述若干障碍物。
[0172]
可以理解，无法与预建地图中的任一目标匹配的目标为非固定环境信息即障碍物，当该些障碍物位于列车的行驶路径上时则可能成为列车的实际障碍物。
[0173]
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
[0174]
根据本发明的另一个方面，还提供一种列车碰撞预警装置，如图10所示，包括存储器1010和处理器1020。
[0175]
存储器1010用于存储计算机程序。
[0176]
处理器1020与存储器1010连接，用于执行存储器1010上的计算机程序，该计算机程序被执行时实现上述任一实施例中的列车碰撞预警方法的步骤。
[0177]
根据本发明的再一个方面，还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述任一实施例中的列车碰撞预警方法的步骤。
[0178]
本领域技术人员将可理解，信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如，以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。
[0179]
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
[0180]
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp与微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器、或任何其他此类配置。
[0181]
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
[0182]
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合
中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、dsl、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(cd)、激光碟、光碟、数字多用碟(dvd)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
[0183]
提供之前的描述是为了使本领域中的任何技术人员均能够实践本文中所描述的各种方面。但是应该理解，本发明的保护范围应当以所附权利要求书为准，而不应被限定于以上所解说实施例的具体结构和组件。本领域技术人员在本发明的精神和范围内，可以对各实施例进行各种变动和修改，这些变动和修改也落在本发明的保护范围之内。