轨道世界 RailWorld
深耕产业·聚变生态·驱动未来
轨道交通行业动态
作者：荒井秀树（Hideki ARAI）博士，曾任日本铁道技术研究所信号与运行系统技术部部长（现任研究开发推进部JR事务总部长）
Introduction 引言
日本劳动年龄人口的减少，正在对多个产业领域产生越来越严重的影响。铁路行业也不例外，列车司机及其他铁路从业人员的保障，已经成为一个较为紧迫的问题。因此，对节省人力的列车运行方式的需求正在增加。
目前在日本，在部分自动导向轨道交通系统（AUGT）中，已经实现了列车前端无人值守的全自动运行。如果这种全自动运行方式能够扩展到设有平交道口的常规铁路线路，那么在铁路运营中实现更大程度的人力节省，是可以预期的。
日本铁道综合技术研究所（RTRI）正在推进一项重要研究课题“自主列车运行（Autonomous Train Operation）”，其目标不仅是减少驾驶作业的人力，还包括列车运行管理在内的整体列车运行层面的节省人力。本文介绍了在RTRI试验线开展的自主列车运行验证试验，这些试验基于实现自主列车运行所必需的各项基础技术，以及将这些技术进行集成的原型自主列车运行系统。
Overview of Autonomous Train Operation 自主列车运行概述
铁路运行自动化等级（GOA）由国际电工委员会（IEC）标准IEC 62267:2009《自动导向城市轨道交通（AUGT）—安全要求》（对应日本标准JIS E 3802:2012）进行定义（GOA 2.5除外），并根据列车司机及随车人员的运行方式进行分类（见表1）。
传统上，在设有平交道口的常规铁路线路上，并未引入自动列车运行，这类线路被归类为非自动化运行（GOA 1）。在部分线路（例如部分地铁线路）上，已经引入了半自动运行方式（GOA 2），即司机在前端驾驶室值守。
GOA 3和GOA 4对应无人驾驶的自动列车运行。在日本，这两种等级目前仅在不设平交道口、且具备防止人员轻易进入线路结构的AUGT线路中应用。从国际情况来看，除货运列车外，客运列车的自动运行也基本仅限于无平交道口的AUGT系统和地铁系统。
在GOA 2及以上的自动列车运行中，从列车发车到下一站停车之间的加速和减速控制是自动完成的，列车按照车载的运行速度曲线在区间内运行。这种方式可以在现有列车驾驶作业中实现人力节省。
相比之下，RTRI提出的“自主列车运行”概念，并不局限于在设有平交道口的常规铁路线路上实现无人自动运行，以提升驾驶作业层面的节省人力，而是进一步以实现包括列车运行管理在内的、无需人工干预的综合性智能列车运行为目标。该目标基于这样一种理念：人力资源不应主要用于日常的列车运行作业，而应更多投入到只有人类才能完成的旅客服务工作中。
具体而言，在自主列车运行中，无人自动运行的列车将在车载系统内整合与列车运行相关的各类信息，例如线路及周边的障碍物信息、因维护作业或灾害导致的运行限制信息、客流信息以及能耗信息等，并基于这些整合后的信息，对运行路径的安全性进行自主判断（车载运行决策）。在这一过程中，列车还将通过无线通信，从车载系统对地面信号设备（如道岔和道口设备）进行控制，从而实现安全且灵活的运行。在本文中，将能够实现上述运行方式的系统称为“自主列车运行系统”。
Elemental Technologies Constituting Autonomous Train Operation System 构成自主列车运行系统的基础技术
自主列车运行系统的建立需要五项基础技术。RTRI一直在开展相关研究与开发工作，以建立这些基础技术。
技术（1）：利用摄像头和LiDAR（Light Detection and Ranging，激光雷达）对列车前方及线路周边的障碍物进行检测。
技术（2）：铁路动态地图（Railway Dynamic Map），作为整合线路及周边状态信息以及列车状态的信息平台，并基于该平台获取的信息进行车载自动运行决策。
技术（3）：利用无线通信实现对地面信号设备（道岔、平交道口设备）的车载控制技术。
技术（4）：列车运行管理自动化技术，包括防止延误连锁扩散的运行调整技术、在扰动后实现早期恢复的技术，以及节能运行控制等。
技术（5）：利用公共通信网络实现列车间通信与信息共享的技术，并配套相应的网络安全措施。
本文主要介绍上述技术中的（1）和（2）。
Obstacle Detection Technology 障碍物检测技术
RTRI开发了一种结合摄像头与LiDAR的障碍物检测算法，用于检测线路及其周边的障碍物。
传统的可见光摄像头通过获取物体反射光并成像，可以不仅检测物体的存在，还可以通过图像处理识别物体类型。然而，摄像头在白天的检测性能不受影响，但在夜间由于光照不足，其检测性能会下降。
另一方面，LiDAR传感器通过向目标物体发射波长约为900至1500纳米的近红外激光，并接收其反射信号来测量距离，从而以由激光反射点构成的点云数据形式识别物体。因此，在白天和夜间都可以进行目标识别。通过将摄像头图像处理结果与LiDAR点云数据进行融合，可以避免夜间检测性能下降的问题。
为评估夜间对人体的检测性能，进行了摄像头与LiDAR数据融合的验证试验。在该试验中，并未将设备安装在列车上，而是在卡车平台上，以距地面约1.5米的高度安装了1台摄像头、9个LiDAR传感器以及2个LED前照灯，以模拟列车上的安装条件，并以50米间隔对静止目标进行图像和点云数据采集。
在晴朗的夜间条件下，通过1台摄像头与9个LiDAR传感器的组合，可以在400米距离处以90%以上的概率检测到人体。此外，还确认随着LiDAR点云密度的增加，检测率会进一步提高（图中12个LiDAR的结果为基于点云密度推算得到的估算值）。
Onboard Automatic Operational Decisions Based on Railway Dynamic Map 基于铁路动态地图的车载自动运行决策
在现有铁路运行中，在涉及多列车的广域运行情况下，是否恢复运行由调度指挥中心的调度员进行判断，而列车乘务人员负责现场的运行判断。
相比之下，在自主列车运行中，每一列车将整合用于运行决策的各类状态信息，并根据这些整合后的状态信息，在车载系统中自动执行运行控制（例如在指定位置停车、在特定区间限速运行、避开不停站区段等）以及运行恢复判断。为此，RTRI开发了铁路动态地图，作为整合状态信息并进行车载自动运行决策的信息平台。
铁路动态地图由基础地图和线路地图构成，并根据不同类型状态信息的更新频率，采用分层结构进行管理。例如，列车前方障碍物检测信息，其状态变化较为频繁，因此更新频率较高；而持续时间较长的大规模计划施工信息，其更新频率较低。
铁路动态地图可以在基础地图与线路地图之间进行位置转换，并能够基于地图位置整合以线路里程表示的铁路特有信息以及气象等官方信息，同时对这些整合信息进行时间序列管理。
当出现影响列车运行的异常状态信息（例如线路及周边状态）或气象相关信息（如降雨量、风速）时，这些检测信息会被映射到铁路动态地图上。各列车可以基于自身位置，在地图上检索并识别其运行路径上的异常情况，并自动执行停车或恢复运行。
Verification of Autonomous Train Operation 自主列车运行的验证
利用实现了包括前方障碍物检测和车载自动运行决策在内五项基础技术的自主列车运行系统原型，在RTRI试验线上开展了自主列车运行的验证试验。
通过验证，确认了系统具备以下功能：
试验车辆能够根据运行速度曲线实现自动运行，并通过车载系统的无线通信控制地面信号设备（如道岔和平交道口设备）。
由列车前方障碍物检测系统获取的轨道上障碍物信息，可以被映射到车载铁路动态地图上。
基于铁路动态地图上所映射的信息，车载系统能够判断是否需要停车，并在必要时在到达障碍物之前实现停车。在障碍物被清除后，车载系统能够自动判断是否可以恢复运行，并在满足条件时重新启动自动运行。
在正常和异常条件下进行的上述功能验证结果表明，自主列车运行具备实现的可行性。
Effects Achieved by Applying Autonomous Train Operation System 自主列车运行系统的应用效果
通过引入自主列车运行系统，可以实现车载自动运行决策以及运行管理自动化。因此，不仅可以减少驾驶作业人员，还可以减少调度指令发布等运行管理相关人员。
此外，该系统所实现的灵活运行方式，还可以带来如下效果：提升旅客服务水平，确保维护作业时间窗口，以及在考虑多列车运行状态的情况下实现节能运行。
同时，通过车载系统经无线通信直接控制道岔等设备，可以减少信号楼数量，特别是在列车数量较少、车站规模较小的地方铁路中，这种效果更为明显。
另外，作为基础技术之一的前方障碍物检测技术，不仅可以用于自主运行，还可以用于推动设有平交道口的常规线路向无人自动运行的发展。同时，利用铁路动态地图的信息共享技术以及运行决策自动化技术，也可以用于减轻现有列车运行管理工作的负担。
Conclusions 结论
本文介绍了自主列车运行系统的相关内容。然而，在实现过程中仍存在一些课题，例如在雨天和雪天等环境条件下提升前方障碍物检测性能，以及扩展基于铁路动态地图的车载自动运行决策场景等。
RTRI将持续推进这些课题的解决，通过实现高度自动化的自主列车运行系统，推动节省人力的列车运行方式，并为铁路系统的可持续发展作出贡献。
素材来源：综合编译自日本铁道技术研究所官网发布资料，以原文为准。
·轨道交通，通向美好生活·
热门跟贴