一种轨道交通应急定位系统及方法与流程

[0001]
本发明涉及轨道交通车辆定位领域，尤其是涉及一种基于视频识别和惯性测量单元imu的轨道交通应急定位系统及方法。


背景技术：

[0002]
轨道交通的调度指挥和车辆控制，需要明确每一辆车在线路上的位置，传统的车辆定位一般是基于“轮速传感器+信标”方案，通过记录车轮转过的角度和车轮的周长，计算车辆沿钢轨移动的距离，再通过“信标”系统，获得绝对位置，来对轮速传感器的累积误差进行修正。
[0003]
当上述定位方案出现故障时，需要一种独立于现有的“轮速传感器+信标”方案的定位方式来进行应急情况下的车辆定位，并且，要求这种方案必须对车辆改动较少，成本较低。如何进行应急情况下的紧急定位成为当下需要解决的技术问题。


技术实现要素：

[0004]
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轨道交通应急定位系统及方法。
[0005]
本发明的目的可以通过以下技术方案来实现：
[0006]
根据本发明的一个方面，提供了一种轨道交通应急定位系统，用于地铁沿线及隧道中的地铁车辆的应急定位，所述应急定位系统包括摄像机、imu、显示器和视频识别主机，所述的视频识别主机分别与摄像机、imu和显示器连接；
[0007]
其中所述的摄像机用于拍摄隧道壁上的公里标；
[0008]
所述的imu用于采集车辆的加速度并计算车辆位移；
[0009]
所述的视频识别主机将公里标与车辆位移进行结合，来定位车辆的位置信息，并通过无线车地通信通道把车辆位置信息发往调度中心。
[0010]
优选地，所述的摄像机安装于列车车头的侧面位置，所述的摄像机的安装角度垂直于隧道壁上的公里标，所述的摄像机为高速摄像机。
[0011]
优选地，所述的imu水平安装于列车司机室内。
[0012]
优选地，所述的视频识别主机安装于列车内，为适合边缘计算的工业级主机。
[0013]
优选地，所述的无线车地通信通道包括车载交换机和原有信号系统通信网络或其它自建的不与信号系统共用的无线车地通信通道，所述的视频识别主机依次通过车载交换机和车地无线通信通道连接调度中心系统。
[0014]
优选地，所述的视频识别主机包括初始化模块、数据采集模块、判断模块、imu数据处理模块、视频识别模块和校准模块，所述的初始化模块通过数据采集模块连接判断模块，所述的判断模块分别通过imu数据处理模块和视频识别模块连接校准模块；
[0015]
所述的imu数据处理模块用来计算列车移动的距离；
[0016]
所述的视频识别模块用来判断图像中是否存在公里标并且获取公里标的识别结
果；
[0017]
所述的校准模块利用视频识别模块识别到的公里标的数据，来校准imu累计的位移值。
[0018]
优选地，每隔一段距离识别到一个公里标，即每隔一段距离校准一次imu的累计位移值。
[0019]
根据本发明的另一个方面，提供了一种采用所述的轨道交通应急定位系统的方法，该方法包括以下步骤：
[0020]
步骤1、初始化摄像机和imu，给定当前车辆位置信息的初始值“公里标数+imu累计位移值”；
[0021]
步骤2、imu获取当前车辆的运动姿态，同时，摄像机将捕获的图像传输给视频识别主机；
[0022]
步骤3、视频识别主机对当前图片做分析处理，判断目前是停车还是行进的状态，如果是停车状态，则校正imu的加速度值为0，当前速度也为0，即移动的距离不再累加变化，如果是行进状态，则执行步骤4；
[0023]
步骤4、通过imu检测列车的加速度信息，并计算得到列车的加速度、速度，以及当前位移信息；
[0024]
步骤5、视频识别主机对图片做预处理，判断列车经过公里标识牌的时机；同时，视频识别主机对预处理过的图像进行识别，若在图像中能识别到公里标数据，则执行步骤6，否则返回步骤3；
[0025]
步骤6、校正列车位置信息，imu累计位移值清零，更新位置信息里的公里标数据。
[0026]
优选地，所述的步骤4具体包括以下步骤：
[0027]
步骤4.1、根据imu输出的当前时刻的加速度信息计算当前时刻与上一时刻之间的速度增量；
[0028]
δv＝a
×
t
[0029]
步骤4.2、根据上一时刻列车的速度信息、计算得到的速度增量，计算列车的当前时刻速度信息；
[0030]
v＝δv+v
0
[0031]
步骤4.3、根据上一时刻定位到的位置信息、计算得到的所述列车的当前时刻速度信息，计算得到列车的当前时刻位移信息；
[0032]
s＝s
0
+v
0
t+(at^2)/2。
[0033]
优选地，所述的步骤5具体包括以下步骤：
[0034]
步骤5.1、根据设定的坐标值，裁剪采集到的图片数据；
[0035]
步骤5.2、采用神经网络模型对输入的裁剪后的图片数据处理；
[0036]
步骤5.3、识别率大于阈值，得到公里标的检测结果。
[0037]
与现有技术相比，本发明具有以下优点：
[0038]
1、采用了视频识别和惯性测量单元(imu)的结合，形成一种独立性较强的应急定位方式，安装部署具有良好的灵活性，适应现场需求，能够将车辆的具体定位精确到米，并且通过视频识别公里标的方式，不断修正imu产生的累积误差，提高了车辆位置信息的准确度。
[0039]
2、可独立于车辆的信号系统，在发生信号故障时提供应急定位信息，不依赖任何原有的车载传感器，无需与其它的系统做接口。轨旁的公里标号牌是地铁线路的标准配置，在建设竣工时即全线布设完毕，因此，本系统并无新增的改造工作量，极大的减少了现场实施的难度和阻力。
[0040]
3、分析imu的工作原量和误差引入模型可知，imu由于温度漂移和内部器件加工精度等原因引入的误差是其主要的误差来源。本发明的步骤3中采用对视频数据的帧间比较的方式，来对载具本身是否静止进行识别，并用这一数据来对imu进行修正。当识别到车辆处于停车状态时，及时对imu的加速度、速度进行清零，纠正imu的“零飘”误差。
[0041]
4、根据imu误差引入原因进行分析，采用“滑动窗口”法，对最近20次的imu采样数据求平均值，平抑由于温度漂移和mems制作精度引起的微量数值波动误差。滑动窗口大小可以根据imu数据波动情况调整，一般在3～40之间即可。当前系统中，该值取20。
附图说明
[0042]
图1为本发明的系统结构示意图；
[0043]
图2为本发明的视频识别主机的结构示意图；
[0044]
图3为本发明方法的工作流程图；
[0045]
图4为本发明的识别公里标的具体过程。
具体实施方式
[0046]
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。
[0047]
本发明设计的“应急定位”方案，是在现有定位系统“不可用”时的一种弥补方案，主要目的是使调度中心快速恢复正常的调度秩序，缩短启用电话闭塞等特殊行车组织方式所需的时间，提高故障处理效率。需要明确每一辆车在线路区段中的大致位置，对定位精度要求不高，可容忍5～10米的误差范围。
[0048]
受限于车辆出厂后的加装系统，不可以对车辆进行大的改动，尽可能不在车上打孔，因此，本方案必须保证足够的独立性，不得使用原有系统的传感器，新安装的设备必须足够小，安装方式尽可能简便易行，而不需要对车辆进行改动。
[0049]
由于地铁车辆大部分时间运行在隧道中，因此，卫星定位方案不可用。尽量不依赖外部系统，不增加轨旁设备，严格控制成本，因此uwb(超宽带)无线定位方案被排除。
[0050]
本发明的工作原理：
[0051]
在地铁沿线及隧道中，每间隔一段距离(典型值为100米)，有一个公里标号牌，这个号牌上的编号是全线唯一的，因此，这个公里标号牌与信标一样，可以标定一个准确的绝对位置。再利用imu惯性测量单元，测量车辆本身的加速度和位姿，通过时间积分，可以得到车辆的速度及一段时间内的位移。通过这种方式，可以确定车辆所在的位置为“某公里标牌+位移量”处，这一定位的格式，可以与原有信号系统中的车辆定位数据准确对应，从而达到“应急定位”的目的，再通过不与原信号系统共用的无线车地通信通道，把车辆位置信息发
往调度中心，在调度指挥中心的ats或gis系统上显示列车的实时位置。
[0052]
如图1所示，一种轨道交通应急定位系统，用于地铁沿线及隧道中的地铁车辆的应急定位，该系统包括摄像机、imu、显示器和视频识别主机，所述的视频识别主机分别与摄像机、imu和显示器连接，所述的摄像机用于拍摄隧道壁上的公里标，所述的imu用于采集车辆的加速度，计算车辆位移，所述的视频识别主机将公里标与位移结合，定位车辆的位置信息，并通过无线车地通信通道，把车辆位置信息发往调度中心。
[0053]
所述的摄像机安装于列车车头的侧面位置，所述的摄像机的安装角度垂直于隧道壁上的公里标。所述的摄像机为高速摄像机。所述的imu水平安装于列车司机室内。所述的视频识别主机安装于列车内，为适合边缘计算的工业级主机。
[0054]
所述的无线车地通信通道包括车载交换机和原有信号系统通信网络或其它自建的不与信号系统共用的无线车地通信通道，所述的视频识别主机依次通过车载交换机和车地无线通信通道连接调度中心系统。
[0055]
如图2所示，所述的的视频识别主机包括初始化模块、数据采集模块、判断模块、imu数据处理模块、视频识别模块和校准模块，所述的初始化模块通过数据采集模块连接判断模块，所述的判断模块分别通过imu数据处理模块和视频识别模块连接校准模块，所述的imu数据处理模块用来计算列车移动的距离，所述的视频识别模块用来判断图像中是否存在公里标并且获取公里标的识别结果；所述的校准模块利用视频识别模块识别到的公里标的数据，来校准imu累计的位移值。
[0056]
每一百米识别到一个公里标，即每一百米校准一次imu的累计位移值。
[0057]
imu数据处理模块，首先从串口采集imu数据，不同的imu器件，其刷新频率也有所不同。然后，根据测得的pitch俯仰角，roll横滚角，yaw航向角，对x,y,z三个轴向的加速度值进行去除重力加速度影响的修正计算。根据修正后的三个方向的加速度，获取与车辆运行正方向一致的轴的加速度(具体需根据imu的安装方式来确定，如x轴)，将该值放入“滑动窗口缓冲区”末尾，滑动窗口缓冲区的头部最早入列的一个值被抛弃。对滑动窗口缓中区内的加速度值求平均，以这个平均值为本周期实际参与积分运算的加速度值a。
[0058]
视频识别模块包括图像的预处理和公里标的识别，用来判断图像中是否存在公里标并且获取公里标的识别结果。
[0059]
如图3所示，一种采用所述的轨道交通应急定位系统的方法，该方法包括以下步骤：
[0060]
步骤1、初始化摄像机和imu，给定当前车辆位置信息的初始值“公里标数+imu累计位移值”；
[0061]
步骤2、imu获取当前车辆的运动姿态，同时，摄像机将捕获的图像传输给运算主机；
[0062]
步骤3、摄像机将捕获的图像传输给视频识别主机，系统对当前图片做分析处理，判断目前是停车还是行进的状态，如果是停车状态，则校正imu的加速度值为0，当前速度也为0，即移动的距离不再累加变化，如果是行进状态，则执行步骤4；
[0063]
步骤4、通过惯性测量单元(imu)检测列车的加速度信息，结合连续20次imu采样数据求平均，以平抑imu的数据波动，计算得到列车的加速度、速度，以及当前位移信息；
[0064]
步骤5、视频识别主机对图片做预处理，判断列车经过公里标识牌的时机；同时，视
频识别主机对预处理过的图像进行识别，若在图像中能识别到公里标数据，则执行步骤6，否则返回步骤3；
[0065]
步骤6、校正列车位置信息，imu累计位移值清零，更新位置信息里的公里标数据。
[0066]
所述的步骤4具体包括以下步骤：
[0067]
步骤4.1、根据imu输出的当前时刻的加速度信息计算当前时刻与上一时刻之间的速度增量；
[0068]
δv＝a
×
t
[0069]
步骤4.2、根据所述上一时刻列车的速度信息、计算得到的所述速度增量，计算列车的当前时刻速度信息；
[0070]
v＝δv+v
0
[0071]
步骤4.3、根据上一时刻定位到的位置信息、计算得到的所述列车的当前时刻速度信息，计算得到列车的当前时刻位移信息。
[0072]
s＝s
0
+v
0
t+(at^2)/2
[0073]
如图4所示，所述的步骤5具体包括以下步骤：
[0074]
步骤5.1、根据设定的坐标值，裁剪采集到的图片数据；
[0075]
步骤5.2、神经网络模型对输入的裁剪后的图片数据处理；
[0076]
步骤5.3、识别率大于阈值，得到公里标的检测结果。
[0077]
本发明的实施例：
[0078]
步骤s
1
、打开并初始化相机和imu设备，初始化车辆的位置信息，设为0km+0m(“公里标数+imu累计位移值”)；
[0079]
步骤s
2
、imu获取当前车辆的运动姿态，同时，摄像机将捕获的图像传输给运算主机；
[0080]
步骤s
3
、系统对当前图片做分析处理，判断目前是停车还是行进的状态，如果是停车状态，则校正imu的加速度值为0，即移动的距离不再累加变化(imu累计位移值不变)，如果是行进状态，则执行步骤s
4
，
[0081]
步骤s
4
、通过惯性测量单元(imu)获取到的当前列车运动姿态和加速度值，计算并更新列车的当前位移信息，例如imu累识位移值为80，当前车辆信息为“0km+80m”；
[0082]
步骤s
5
、运算主机对图片做预处理，判断列车经过公里标识牌的时机；同时，运算主机对预处理过的图像进行识别，若在图像中能识别到公里标数据，则执行步骤s
6
，否则返回步骤s
4
；
[0083]
步骤s
6
、校正列车位置信息，imu累计位移值清零，更新位置信息里的公里标数据，例如公里标数据为“998”，则当前车辆的位置信息为“998km+0m”；
[0084]
识别公里标的具体过程如下：
[0085]
步骤s
51
、预处理图片：设置矩形的左上角和右下角的坐标值，该矩形应在采集的图片的最右侧，以表示列车头经过公里标识牌，且该矩形的大小为公里标牌六倍左右；例如：相机采集到的图片大小为960*540，则可设定捕获矩形的左上角与右下角的坐标值为(800,300)，(960,500)。
[0086]
步骤s
52
、检测公里标：利用神经网络模型检测经捕获矩形剪裁后的图片中是否存在公里标牌，并识别出公里标牌上的数据信息，只有模型识别率超过一定的阈值才判断识
别成功。将剪裁后的图片作为输入数据，将输入图片划分为s
×
s个网格，经过卷积、池化等操作，输出的结果为10类(0,1,2，
…
9)。
[0087]
具体的模型训练过程如下：
[0088]
在实际的场景下，用相机采集了300张图片，并模拟实际场景的光线变化，采用了高斯变换方法为图片增加噪声、模糊、倾斜，生成了300张公里标识牌数据集，合成一共600张训练集。在服务器上训练了1万步左右，模型收敛，最终loss达到0.3。
[0089]
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。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除