日本驗證列車自主運行

軌道世界 RailWorld

深耕產業·聚變生態·驅動未來

軌道交通行業動態

作者：荒井秀樹（Hideki ARAI）博士，曾任日本鐵道技術研究所信號與運行系統技術部部長（現任研究開發推進部JR事務總部長）

Introduction 引言

日本勞動年齡人口的減少，正在對多個產業領域產生越來越嚴重的影響。鐵路行業也不例外，列車司機及其他鐵路從業人員的保障，已經成為一個較為緊迫的問題。因此，對節省人力的列車運行方式的需求正在增加。

目前在日本，在部分自動導向軌道交通系統（AUGT）中，已經實現了列車前端無人值守的全自動運行。如果這種全自動運行方式能夠擴展到設有平交道口的常規鐵路線路，那么在鐵路運營中實現更大程度的人力節省，是可以預期的。

日本鐵道綜合技術研究所（RTRI）正在推進一項重要研究課題“自主列車運行（Autonomous Train Operation）”，其目標不僅是減少駕駛作業的人力，還包括列車運行管理在內的整體列車運行層面的節省人力。本文介紹了在RTRI試驗線開展的自主列車運行驗證試驗，這些試驗基于實現自主列車運行所必需的各項基礎技術，以及將這些技術進行集成的原型自主列車運行系統。

Overview of Autonomous Train Operation 自主列車運行概述

鐵路運行自動化等級（GOA）由國際電工委員會（IEC）標準IEC 62267:2009《自動導向城市軌道交通（AUGT）—安全要求》（對應日本標準JIS E 3802:2012）進行定義（GOA 2.5除外），并根據列車司機及隨車人員的運行方式進行分類（見表1）。

傳統上，在設有平交道口的常規鐵路線路上，并未引入自動列車運行，這類線路被歸類為非自動化運行（GOA 1）。在部分線路（例如部分地鐵線路）上，已經引入了半自動運行方式（GOA 2），即司機在前端駕駛室值守。

GOA 3和GOA 4對應無人駕駛的自動列車運行。在日本，這兩種等級目前僅在不設平交道口、且具備防止人員輕易進入線路結構的AUGT線路中應用。從國際情況來看，除貨運列車外，客運列車的自動運行也基本僅限于無平交道口的AUGT系統和地鐵系統。

在GOA 2及以上的自動列車運行中，從列車發車到下一站停車之間的加速和減速控制是自動完成的，列車按照車載的運行速度曲線在區間內運行。這種方式可以在現有列車駕駛作業中實現人力節省。

相比之下，RTRI提出的“自主列車運行”概念，并不局限于在設有平交道口的常規鐵路線路上實現無人自動運行，以提升駕駛作業層面的節省人力，而是進一步以實現包括列車運行管理在內的、無需人工干預的綜合性智能列車運行為目標。該目標基于這樣一種理念：人力資源不應主要用于日常的列車運行作業，而應更多投入到只有人類才能完成的旅客服務工作中。

具體而言，在自主列車運行中，無人自動運行的列車將在車載系統內整合與列車運行相關的各類信息，例如線路及周邊的障礙物信息、因維護作業或災害導致的運行限制信息、客流信息以及能耗信息等，并基于這些整合后的信息，對運行路徑的安全性進行自主判斷（車載運行決策）。在這一過程中，列車還將通過無線通信，從車載系統對地面信號設備（如道岔和道口設備）進行控制，從而實現安全且靈活的運行。在本文中，將能夠實現上述運行方式的系統稱為“自主列車運行系統”。

Elemental Technologies Constituting Autonomous Train Operation System 構成自主列車運行系統的基礎技術

自主列車運行系統的建立需要五項基礎技術。RTRI一直在開展相關研究與開發工作，以建立這些基礎技術。

技術（1）：利用攝像頭和LiDAR（Light Detection and Ranging，激光雷達）對列車前方及線路周邊的障礙物進行檢測。

技術（2）：鐵路動態地圖（Railway Dynamic Map），作為整合線路及周邊狀態信息以及列車狀態的信息平臺，并基于該平臺獲取的信息進行車載自動運行決策。

技術（3）：利用無線通信實現對地面信號設備（道岔、平交道口設備）的車載控制技術。

技術（4）：列車運行管理自動化技術，包括防止延誤連鎖擴散的運行調整技術、在擾動后實現早期恢復的技術，以及節能運行控制等。

技術（5）：利用公共通信網絡實現列車間通信與信息共享的技術，并配套相應的網絡安全措施。

本文主要介紹上述技術中的（1）和（2）。

Obstacle Detection Technology 障礙物檢測技術

RTRI開發了一種結合攝像頭與LiDAR的障礙物檢測算法，用于檢測線路及其周邊的障礙物。

傳統的可見光攝像頭通過獲取物體反射光并成像，可以不僅檢測物體的存在，還可以通過圖像處理識別物體類型。然而，攝像頭在白天的檢測性能不受影響，但在夜間由于光照不足，其檢測性能會下降。

另一方面，LiDAR傳感器通過向目標物體發射波長約為900至1500納米的近紅外激光，并接收其反射信號來測量距離，從而以由激光反射點構成的點云數據形式識別物體。因此，在白天和夜間都可以進行目標識別。通過將攝像頭圖像處理結果與LiDAR點云數據進行融合，可以避免夜間檢測性能下降的問題。

為評估夜間對人體的檢測性能，進行了攝像頭與LiDAR數據融合的驗證試驗。在該試驗中，并未將設備安裝在列車上，而是在卡車平臺上，以距地面約1.5米的高度安裝了1臺攝像頭、9個LiDAR傳感器以及2個LED前照燈，以模擬列車上的安裝條件，并以50米間隔對靜止目標進行圖像和點云數據采集。

在晴朗的夜間條件下，通過1臺攝像頭與9個LiDAR傳感器的組合，可以在400米距離處以90%以上的概率檢測到人體。此外，還確認隨著LiDAR點云密度的增加，檢測率會進一步提高（圖中12個LiDAR的結果為基于點云密度推算得到的估算值）。

Onboard Automatic Operational Decisions Based on Railway Dynamic Map 基于鐵路動態地圖的車載自動運行決策

在現有鐵路運行中，在涉及多列車的廣域運行情況下，是否恢復運行由調度指揮中心的調度員進行判斷，而列車乘務人員負責現場的運行判斷。

相比之下，在自主列車運行中，每一列車將整合用于運行決策的各類狀態信息，并根據這些整合后的狀態信息，在車載系統中自動執行運行控制（例如在指定位置停車、在特定區間限速運行、避開不停站區段等）以及運行恢復判斷。為此，RTRI開發了鐵路動態地圖，作為整合狀態信息并進行車載自動運行決策的信息平臺。

鐵路動態地圖由基礎地圖和線路地圖構成，并根據不同類型狀態信息的更新頻率，采用分層結構進行管理。例如，列車前方障礙物檢測信息，其狀態變化較為頻繁，因此更新頻率較高；而持續時間較長的大規模計劃施工信息，其更新頻率較低。

鐵路動態地圖可以在基礎地圖與線路地圖之間進行位置轉換，并能夠基于地圖位置整合以線路里程表示的鐵路特有信息以及氣象等官方信息，同時對這些整合信息進行時間序列管理。

當出現影響列車運行的異常狀態信息（例如線路及周邊狀態）或氣象相關信息（如降雨量、風速）時，這些檢測信息會被映射到鐵路動態地圖上。各列車可以基于自身位置，在地圖上檢索并識別其運行路徑上的異常情況，并自動執行停車或恢復運行。

Verification of Autonomous Train Operation 自主列車運行的驗證

利用實現了包括前方障礙物檢測和車載自動運行決策在內五項基礎技術的自主列車運行系統原型，在RTRI試驗線上開展了自主列車運行的驗證試驗。

通過驗證，確認了系統具備以下功能：

試驗車輛能夠根據運行速度曲線實現自動運行，并通過車載系統的無線通信控制地面信號設備（如道岔和平交道口設備）。

由列車前方障礙物檢測系統獲取的軌道上障礙物信息，可以被映射到車載鐵路動態地圖上。

基于鐵路動態地圖上所映射的信息，車載系統能夠判斷是否需要停車，并在必要時在到達障礙物之前實現停車。在障礙物被清除后，車載系統能夠自動判斷是否可以恢復運行，并在滿足條件時重新啟動自動運行。

在正常和異常條件下進行的上述功能驗證結果表明，自主列車運行具備實現的可行性。

Effects Achieved by Applying Autonomous Train Operation System 自主列車運行系統的應用效果

通過引入自主列車運行系統，可以實現車載自動運行決策以及運行管理自動化。因此，不僅可以減少駕駛作業人員，還可以減少調度指令發布等運行管理相關人員。

此外，該系統所實現的靈活運行方式，還可以帶來如下效果：提升旅客服務水平，確保維護作業時間窗口，以及在考慮多列車運行狀態的情況下實現節能運行。

同時，通過車載系統經無線通信直接控制道岔等設備，可以減少信號樓數量，特別是在列車數量較少、車站規模較小的地方鐵路中，這種效果更為明顯。

另外，作為基礎技術之一的前方障礙物檢測技術，不僅可以用于自主運行，還可以用于推動設有平交道口的常規線路向無人自動運行的發展。同時，利用鐵路動態地圖的信息共享技術以及運行決策自動化技術，也可以用于減輕現有列車運行管理工作的負擔。

Conclusions 結論

本文介紹了自主列車運行系統的相關內容。然而，在實現過程中仍存在一些課題，例如在雨天和雪天等環境條件下提升前方障礙物檢測性能，以及擴展基于鐵路動態地圖的車載自動運行決策場景等。

RTRI將持續推進這些課題的解決，通過實現高度自動化的自主列車運行系統，推動節省人力的列車運行方式，并為鐵路系統的可持續發展作出貢獻。

素材來源：綜合編譯自日本鐵道技術研究所官網發布資料，以原文為準。

·軌道交通，通向美好生活·