[論文レビュー] Railway Track Specific Traffic Signal Selection Using Deep Learning

S Ritika, Shruti Mittal+1 more|arXiv (Cornell University)|Dec 17, 2017

Advanced Neural Network Applications参考文献 9被引用数 4

ひとこと要約

本論文では、走行中の機関車に取り付けられた前方向けカメラからの映像を用いて、レールの信号を検出・追跡する深層学習ベースのシステムを提案する。具体的には、レールの検出、領域の注目（ROI）の選定、信号検出のパイプラインを用いて、各検出された信号を正しい線路に関連付ける。150kmの路線で247の信号を対象とした実験で94.7％の正確性を達成し、ポジティブトレインコントロール（PTC）および動的速度制御に不可欠な線路上設備の正確な位置特定を可能にする。

ABSTRACT

With the railway transportation Industry moving actively towards automation, accurate location and inventory of wayside track assets like traffic signals, crossings, switches, mileposts, etc. is of extreme importance. With the new Positive Train Control (PTC) regulation coming into effect, many railway safety rules will be tied directly to location of assets like mileposts and signals. Newer speed regulations will be enforced based on location of the Train with respect to a wayside asset. Hence it is essential for the railroads to have an accurate database of the types and locations of these assets. This paper talks about a real-world use-case of detecting railway signals from a camera mounted on a moving locomotive and tracking their locations. The camera is engineered to withstand the environment factors on a moving train and provide a consistent steady image at around 30 frames per second. Using advanced image analysis and deep learning techniques, signals are detected in these camera images and a database of their locations is created. Railway signals differ a lot from road signals in terms of shapes and rules for placement with respect to track. Due to space constraint and traffic densities in urban areas signals are not placed on the same side of the track and multiple lines can run in parallel. Hence there is need to associate signal detected with the track on which the train runs. We present a method to associate the signals to the specific track they belong to using a video feed from the front facing camera mounted on the lead locomotive. A pipeline of track detection, region of interest selection, signal detection has been implemented which gives an overall accuracy of 94.7% on a route covering 150km with 247 signals.

研究の動機と目的

• ポジティブトレインコントロール（PTC）規則を支援するため、線路上の信号の正確でリアルタイムの位置特定と分類のニーズに対応する。
• 信号の特徴的な形状、線路間での非対称な配置、複数の並行線路を有する密集した都市部のレイアウトといった要因による信号検出の課題を克服する。
• 走行中の列車が走行している特定の線路に、検出された信号を正しく関連付ける、耐障害性の高いシステムを構築し、安全運転および速度制御に不可欠な位置特定の正確性を確保する。
• 実際の環境条件下で撮影された機関車搭載カメラの映像データを用いて、信号種別と位置の信頼性の高いデータベースを構築する。
• コンピュータビジョンおよび深層学習を活用して、信号、ポイント、マイルポストなどの線路上設備の自動インventoringと監視を実現する。

提案手法

• 走行中に連続して映像を撮影できる、環境に強く前方向けのカメラを機関車に設置し、約30fpsの速度で映像を取得する。
• 複数段階のパイプラインを実装する：まずコンピュータビジョン技術を用いてレールの境界を検出し、その後各レールに沿って信号検出用の領域（ROI）を定義する。
• 畳み込みニューラルネットワーク（CNN）を用いたオブジェクト検出を適用し、各ROI内に存在するレール信号を背景のごみから区別して特定する。
• 映像フレーム間の空間的・時間的整合性を活用して、信号を正しい線路に関連付ける。線路の幾何学的構造と列車の運動モデルを活用する。
• 信号検出の結果を列車の位置情報（GPSやOBDなど）と統合し、各検出された信号に正確な地理座標を割り当てる。
• 実運用走行中に収集した実世界の画像データを用いて、150kmの路線で247の信号を対象にモデルの学習と検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 変動する照明条件や天候条件下でも、走行中の機関車の映像から深層学習を用いてリアルタイムでレール信号をどれほど正確に検出できるか？
• RQ2 複数の並行線路が走っており、信号が反対側に設置されている状況において、検出された信号を正しい線路に関連付ける効果は何か？
• RQ3 事前にあるレール地図やGPS補助位置特定に依存せずに、コンピュータビジョンパイプラインが信号検出と線路関連付けにおいて高い正確性を達成できるか？
• RQ4 信号密度が高く、複雑な線路レイアウトを持つ密集した都市鉄道環境では、このシステムはどの程度の性能を示すか？
• RQ5 この手法は、ポジティブトレインコントロール（PTC）規則への準拠および線路上設備の自動インベントリ管理に、どの程度貢献できるか？

主な発見

• 提案されたシステムは、150kmのテスト路線で247のレール信号を対象とした実験で、全体の検出および関連付け正確性が94.7％に達した。
• レール検出とROIベースの信号検出の統合により、フルフレーム画像に対する一般的なオブジェクト検出と比較して、位置特定の正確性が顕著に向上した。
• 複雑なレイアウトにおいても、信号が線路の反対側や隣接する平行線路に設置されていようとも、システムは信号を正しい線路に正しく関連付けることに成功した。
• 動画ベースの時間的整合性の活用により、信号の追跡が向上し、特に高運動量またはごみが多いシーンでの誤検出が低減された。
• 変動する照明、天候、列車の運動状態の下でも、実世界の環境で安定した性能を示し、鉄道資産管理における実用的妥当性を裏付けた。
• これらの結果は、深層学習を用いた自動的大規模な線路上信号インベントリ作成の実現可能性を支持しており、PTC準拠および動的速度制御規制への直接的対応を可能にする。