Технологии беспилотного управления для железнодорожного транспорта

Июль 21, 2022

Главная
Разное
Технологии беспилотного управления для железнодорожного транспорта

Содержание

2. Беспилотные системы на железнодорожном транспорте в мире Голландская инфраструктурная компания в 2016 году объявила о планах
3. Беспилотный маневровый локомотив ТЭМ-7А на станции Лужской Определение расстояния до вагонов при сцепке; Обнаружение препятствий и
4. Беспилотный электропоезд ЭС2Г на МЦК
5. Испытания на основе стенда для отработки блока обнаружения препятствий Тестирование разного вида сенсоров; Проверка алгоритмов по
6. Датчики для системы технического зрения Обнаружение препятствий
7. Современная оптика позволяет видеть на расстоянии большем, чем возможности человеческого зрения. Разные фокусные расстояния позволяют разносить
8. Исходный вид с камеры Вид с увеличением масштаба
9. Радары Continental ARS-408-21 и ARS-408-21SC
10. Радар Bosch MRR F037 B00 255 Радар Bosch MRR F037 B00 255
11. Лидар IBEO SCALA B2
12. Пример данных с лидара IBEO SCALA B2 (подъезд маневрового локомотива к вагонам) Основные задачи: Кластеризация данных
13. Наложение данных лидара на видеоизображение
14. NVIDIA QUALCOMM DRIVE PX 2 ОСНОВНЫЕ ПЛАТФОРМЫ ДЛЯ АВТОНОМНОГО ДВИЖЕНИЯ INTEL GO (ПЛАТФОРМА 5G) https://www.forbes.com/sites/moorinsights/2017/01/23/chipmakers-get-serious-about-autonomous-driving-at-ces-2017/#55415cfd18ba
15. Основные задачи
16. Выбор сенсоров Основные задачи: Мониторинг рынка и анализ новых разработок, участие в конференциях; Формирование технических заданий
17. концерн радиостроения «Вега»; Томский государственный университет систем управления и радиоэлектроники; Московский государственный технический университет им. Н.Э.
18. Определение рельсовой колеи аналитическими методами Основные задачи: Кластеризация данных лидара; Создание изображения в обратной перспективе Предварительная
19. Распознавание пути методами машинного обучения Препроцессинг данных Подготовка датасетов для обучения Выбор типа нейронной сети (классификация,
20. Распознавание сигналов светофора Препроцессинг изображения Подготовка обучающей выборки (“набивание” датасета, аугментация данных) Выбор техник обработки изображений
21. Распознавание и классификация препятствий на пути Препроцессинг изображения Подготовка обучающей выборки (использование готовых датасетов (KITTI,COCO,ImageNet,“набивание” датасета,
22. Высокоточное позиционирование подвижного состава Требования по точности ±0,5 м Используемые системы координат: Геодезическая; Линейная (железнодорожная); Относительная.
23. Создание 3D карт
24. Архитектура сети связи На борт поезда Разрешенная дистанция для проследования Профиль скорости Профиль уклонов пути Временные
25. Классификация услуг связи в сетях LTE
26. Дистанционное управление Рабочее место для машиниста - оператора Дистанционно управляемый электропоезд ЭС2Г «Ласточка»
28. Скачать презентацию

Слайд 2

Беспилотные системы на железнодорожном транспорте в мире
Голландская инфраструктурная компания в 2016

году объявила о планах по запуску опытного участка с беспилотных движением грузовых поездов на выделенной линии Роттердам – Эммерич.

Компания Сименс в кооперации с DB Cargo провела демонстрацию проекта по автоматическому движению грузовых поездов.

Компания Rio-Tinto запускает в Австралии проект по управлению грузовыми поездами без машиниста в малолюдной местности

Согласно прогнозам компании Сименс к 2050 году все поезда будут автономными

Глава Deutsche Bahn в 2016 году заявил, что к 2021, 2022, 2023 в Германии часть железнодорожной сети будет работать в полностью автоматическом режиме

SNCF планирует к 2023 году запустить беспилотные высокоскоростные поезда

Слайд 3

Беспилотный маневровый локомотив ТЭМ-7А на станции Лужской
Определение расстояния до вагонов

при сцепке;
Обнаружение препятствий и автоматическая остановка перед ними;
Возможность дистанционного управления.

Слайд 4

Беспилотный электропоезд ЭС2Г на МЦК

Слайд 5

Испытания на основе стенда для отработки блока обнаружения препятствий
Тестирование разного вида

сенсоров;
Проверка алгоритмов по распознаванию рельсовой колеи;
Проверка алгоритмов по обнаружению препятствий.

Слайд 6

Датчики для системы технического зрения
Обнаружение препятствий

Слайд 7

Современная оптика позволяет видеть на расстоянии большем, чем возможности человеческого зрения.
Разные

фокусные расстояния позволяют разносить камеры по ближней, средней, дальней зонам.

Интерфейс – GigE
Разрешение – до 2448х2048 пикселей
Разрешение на пиксель – 10 или 12 бит
Количество кадров – от 23 до 42 fps
Электропитание через Ethernet

acA1920-40, acA2440-20, acA2040-35 (gc/gm)

Блок оптического зрения

Слайд 8

Исходный вид с камеры
Вид с увеличением масштаба

Слайд 9

Радары Continental ARS-408-21 и ARS-408-21SC

Слайд 10

Радар Bosch MRR F037 B00 255
Радар Bosch MRR F037 B00

255

Слайд 11

Лидар IBEO SCALA B2

Слайд 12

Пример данных с лидара IBEO SCALA B2 (подъезд маневрового локомотива к

вагонам)

Основные задачи:
Кластеризация данных лидара;
Обнаружение объектов;
Отслеживание объектов.

Слайд 13

Наложение данных лидара на видеоизображение

Слайд 14

NVIDIA
QUALCOMM
DRIVE PX 2
ОСНОВНЫЕ ПЛАТФОРМЫ ДЛЯ АВТОНОМНОГО ДВИЖЕНИЯ
INTEL GO
(ПЛАТФОРМА 5G)
https://www.forbes.com/sites/moorinsights/2017/01/23/chipmakers-get-serious-about-autonomous-driving-at-ces-2017/#55415cfd18ba

Слайд 15

Основные задачи

Слайд 16

Выбор сенсоров
Основные задачи:
Мониторинг рынка и анализ новых разработок, участие в конференциях;
Формирование

технических заданий для разработки отечественных сенсоров.

ОСНОВНЫЕ РАЗРАБОТЧИКИ РАДАРОВ В РОССИИ:
концерн радиостроения «Вега»;
Томский государственный университет систем управления и радиоэлектроники;
Московский государственный технический университет им. Н.Э. Баумана;
Научно-производственное предприятие «ДОК» (Санкт-Петербург);
ООО «Микроволновые системы» (Москва);
ООО «Радио Гигабит» (Нижний Новогород) (резидент Сколково);
ОА «Центральное конструкторское бюро автоматики» (Тула);
Концерн ВКО «Алмаз-Антей»;
АО «НПП «ИСТОК» им. Шокина» (Фрязино);
ФГУП Октябрь (Каменск-Уральский);
Московский авиационный институт;
ООО «Ольвия».

ОСНОВНЫЕ РАЗРАБОТЧИКИ ЛИАДРОВ:
НИИ ПОЛЮС им. Стельмаха;
ООО НПП Лазерные системы.

Слайд 17

концерн радиостроения «Вега»;
Томский государственный университет систем управления и радиоэлектроники;
Московский государственный технический

университет им. Н.Э. Баумана;
Научно-производственное предприятие «ДОК» (Санкт-Петербург);
ООО «Микроволновые системы» (Москва);
ООО «Радио Гигабит» (Нижний Новогород) (резидент Сколково);
ОА «Центральное конструкторское бюро автоматики» (Тула);
Концерн ВКО «Алмаз-Антей»;
АО «НПП «ИСТОК» им. Шокина» (Фрязино);
ФГУП Октябрь (Каменск-Уральский);
Московский авиационный институт;
ООО «Ольвия»

ОСНОВНЫЕ РАЗРАБОТЧИКИ РАДАРОВ В РОССИИ

ПРОИЗВОДИТЕЛИ РАДАРОВ В РОССИИ

Нет полностью готовых образцов;
Выпуск опытных партий (нет массового производства);
Высокая цена.

ОСНОВНЫЕ СЛОЖНОСТИ:

Слайд 18

Определение рельсовой колеи аналитическими методами
Основные задачи:
Кластеризация данных лидара;
Создание изображения в

обратной перспективе
Предварительная обработка изображения средствами OpenCV
Определение рельсовых путей
Вычисление центральной линии
Фильтрация полученных линий (движение прямо, движение по стрелке)
Стабилизация видеопотока
Определение препятствий.

Слайд 19

Распознавание пути методами машинного обучения
Препроцессинг данных
Подготовка датасетов для обучения
Выбор типа нейронной

сети (классификация, сегментация)
Построение архитектуры нейронной сети
Обучение
Наложение маски на рельсовую линию
Постпроцессинг данных (фильтрация)

Слайд 20

Распознавание сигналов светофора
Препроцессинг изображения
Подготовка обучающей выборки (“набивание” датасета, аугментация данных)
Выбор

техник обработки изображений перед обучением (HOG, Bin spatial, Color Histogram, Neural Networks)
Обучение методами машинного обучения (SVM)
Построение архитектуры сети для глубокого обучения
Обучение сети на GPU ( TensorFlow, PyTorch, Keras)
Объединение полученных результатов

Слайд 21

Распознавание и классификация препятствий на пути
Препроцессинг изображения
Подготовка обучающей выборки (использование готовых

датасетов (KITTI,COCO,ImageNet,“набивание” датасета, аугментация данных)
Построение архитектуры сети для глубокого обучения, FineTuning тренированных сетей.
Обучение сети на GPU ( TensorFlow, PyTorch, Keras)
Распознавание препятствия, классификация и определение его местоположения (bounding box)

Слайд 22

Высокоточное позиционирование подвижного состава
Требования по точности ±0,5 м
Используемые системы координат:
Геодезическая;
Линейная (железнодорожная);
Относительная.

Слайд 23

Создание 3D карт

Слайд 24

Архитектура сети связи
На борт поезда
Разрешенная дистанция
для проследования
Профиль скорости
Профиль

уклонов пути
Временные ограничения
скорости
Расписание движения
Команды управления
Электронная бортовая
карта

Координаты и скорость поезда
Подтверждение команд
Диагностика поезда
Видеопоток с поезда

С борта поезда

Слайд 25

Классификация услуг связи в сетях LTE

Слайд 26

Технологии беспилотного управления для железнодорожного транспорта

Содержание

Беспилотные системы на железнодорожном транспорте в миреГолландская инфраструктурная компания в 2016

Беспилотный маневровый локомотив ТЭМ-7А на станции Лужской Определение расстояния до вагонов

Беспилотный электропоезд ЭС2Г на МЦК

Испытания на основе стенда для отработки блока обнаружения препятствийТестирование разного вида

Датчики для системы технического зренияОбнаружение препятствий

Современная оптика позволяет видеть на расстоянии большем, чем возможности человеческого зрения.Разные

Исходный вид с камеры Вид с увеличением масштаба

Радары Continental ARS-408-21 и ARS-408-21SC

Радар Bosch MRR F037 B00 255 Радар Bosch MRR F037 B00

Лидар IBEO SCALA B2

Пример данных с лидара IBEO SCALA B2 (подъезд маневрового локомотива к

Наложение данных лидара на видеоизображение

NVIDIAQUALCOMMDRIVE PX 2ОСНОВНЫЕ ПЛАТФОРМЫ ДЛЯ АВТОНОМНОГО ДВИЖЕНИЯINTEL GO (ПЛАТФОРМА 5G)https://www.forbes.com/sites/moorinsights/2017/01/23/chipmakers-get-serious-about-autonomous-driving-at-ces-2017/#55415cfd18ba

Основные задачи

Выбор сенсоровОсновные задачи:Мониторинг рынка и анализ новых разработок, участие в конференциях;Формирование

концерн радиостроения «Вега»;Томский государственный университет систем управления и радиоэлектроники;Московский государственный технический

Определение рельсовой колеи аналитическими методамиОсновные задачи: Кластеризация данных лидара;Создание изображения в

Распознавание пути методами машинного обученияПрепроцессинг данныхПодготовка датасетов для обученияВыбор типа нейронной

Распознавание сигналов светофора Препроцессинг изображенияПодготовка обучающей выборки (“набивание” датасета, аугментация данных)Выбор

Распознавание и классификация препятствий на путиПрепроцессинг изображенияПодготовка обучающей выборки (использование готовых