基于虚实结合的铁路入侵检测监测系统测试技术及平台研究

Research on Test Technology and Platform of Railway Intrusion Detection and Monitoring System via Virtual-real Interaction

摘要

随着智能铁路、数字铁路的发展和技防手段在铁路入侵检测监测中的应用，对依托各种智能识别技术建设的入侵检测监测系统的测试成为亟待解决的问题。既有的依托物理实际测试环境的硬件在环测试已无法满足测试需求，需要研发虚实结合的测试技术和平台，以满足新一代信息技术赋能下的列车运行环境安全检测监测系统测试需求。为此，对基于虚实结合的铁路入侵检测监测系统的测试场景构建、测试方法、测试关键技术等进行研究，对测试平台的架构、功能进行设计，为铁路入侵检测监测相关系统的测试提供平台和技术支撑，为新技术、新产品、新装备的研发提供试验环境，助力智能检测监测技术、设备和系统的落地应用。

Abstract

With the development of intelligent railway and digital railway and the application of technical prevention measures in the railway intrusion detection and monitoring, how to test the detection and monitoring system built on various intelligent identification technologies has become an urgent issue to be solved. As the existing hardware-in-the-loop test based on the physical test environment can no longer meet the test requirements, it is necessary to develop a test technique and platform that combines virtual and real elements to serve the test on the disaster detection and monitoring system empowered by the new generation of information technology. This paper studied the construction of test scenarios, test methods, and key test technologies of the railway intrusion detection and monitoring system based on virtual-real interaction, designed the structure and functions of the test platform, provided the platform and technical support for the relevant test, and created an enabling test environment for the research & development of new technologies, products and equipment, thus boosting the application of the intelligent detection and monitoring technology, equipment and system.

Graphical abstract

关键词

铁路 / 入侵检测监测 / 虚实结合 / 场景驱动 / 测试平台

Key words

Railway / Intrusion Detection and Monitoring / Virtual-real Interaction / Scenario-driven / Test Platform

0　引言

列车运行受到自然灾害和人类活动的影响，为保障列车运行安全，铁路建设有人防、物防、技防“三位一体”的安全防护体系^[1-3]。随着智能铁路、数字铁路的发展和人工智能技术的应用，铁路入侵检测监测正从传统的以人防、物防为主向技防为主转变，依托物联网、人工智能等技术建设的智能检测监测设备和系统在铁路入侵检测监测中发挥着越来越重要的作用。随着新的检测监测技术、装备的应用，智能化检测监测系统的准确性、可靠性、稳定性测试也成为目前列车运行环境安全保障产品研发和工程落地应用亟待解决的问题。

目前，列车运行环境安全检测监测系统测试以实际搭建的真实测试环境为主，测试周期长、成本高，测试覆盖的场景有限，难以覆盖高危、高复杂度等边界场景。随着人工智能技术的应用，列车运行环境安全检测监测结果更多地依赖于测试环境(光照、天气等)的复杂性、测试数据的完备性，以真实环境为主的硬件在环测试难以满足测试需求，需要研究基于复杂场景驱动的、虚实结合的测试技术。随着自动驾驶技术的发展，虚拟仿真技术成为基于场景驱动的软件系统、硬件装备测试的一种重要手段，自动驾驶测试中约90%的测试通过虚拟测试完成^[4]。将虚拟仿真与真实场景测试融合互补，有助于涵盖所需的测试场景，满足人工智能赋能下的列车运行环境安全检测监测系统的测试需求。

虚拟仿真测试通过构建虚拟场景库，实现入侵感知、报警预警模型算法等的闭环仿真测试，已在自动驾驶^[5-7]、铁路行车^[8]、调度指挥^[9]等系统测试中广泛应用。通过虚拟测试技术完善既有以真实测试场景为主的入侵检测监测技术和系统测试，丰富测试场景，缩短测试周期，降低测试成本，可为新产品、新技术的研发和系统的落地应用提供支撑。

由于列车沿轨道运行，与汽车自动驾驶测试相比，基于智能算法的铁路入侵检测监测系统测试主要是对环境感知和决策模型算法的测试，对控制部分的测试属于列车自动驾驶范畴，在此不做考虑。

1　虚实结合的铁路入侵检测监测系统测试技术

1.1　铁路入侵检测监测系统测试框架

为提高铁路入侵检测监测系统的性能，需要对其进行测试，目前基于人工智能算法的入侵检测监测系统模型泛化能力有限^[10-13]，基于某个真实环境建设的检测监测系统，算法在该环境检测效果较好，换一个环境检测监测效果无法保证。因此，需通过仿真和真实测试场景，建设完备化的测试场景库，以提高模型算法的泛化能力和鲁棒性。基于虚拟和真实测试场景的铁路入侵检测监测系统测试框架如图1所示。测试包括3部分，即基于仿真的测试、基于试验线的测试和基于正线的测试，通过试验线和正线测试数据对虚拟测试场景和测试参数进行修订，以形成丰富完备的测试场景库。

1.2　测试场景库的构建

测试场景是实现基于仿真的入侵检测监测系统虚拟测试的基础，基于测试场景可生成更有针对性的测试用例。测试场景包括真实测试场景和虚拟测试场景。

1.2.1　真实测试场景构建

真实测试场景是搭建的物理实际测试环境，具备安装不同检测监测原理测试设备的条件，满足铁路典型工况(路基地段、桥头、边坡等)下的测试需求。真实测试场景构建复杂，构建周期长，成本高。

1.2.2　虚拟测试场景构建

由于受到现场条件(风、雨、雾、入侵模拟条件等)限制，真实测试环境可测试的场景有限，基于仿真的测试环境可提供满足用户需求的测试模拟环境，如可模拟不同光照、天气条件下的入侵行为，可生成更多的边界场景。虚拟测试场景构建包括静态场景和动态场景构建。

（1）静态场景构建。静态场景构建是还原出测试场景中的静态元素，包括路基、轨道、周边环境等，常用的构建技术有高精度地图、数字孪生、三维重建及增强现实等方法^[4]。通过采集点云、全景图、测绘矢量等数据，构建铁路沿线高精度地图，在此基础上，使用三维建模软件建立基础设施与周边环境的可视化数字模型。

（2）动态场景构建。动态场景包括铁路移动装备的运行、人员(内部、外部)/异物入侵、气象变化(雨、雪、雾等天气状况)、光照变化等。动态场景构建是为了在静态场景的基础上，复现出场景中的动态元素，并使得这些元素的动作及其产生的影响尽量遵循现实世界的物理规律及行为逻辑。

（3）场景库的构建。场景库是构建列车运行环境虚拟仿真测试的基础，场景库对现实世界的覆盖率越高，仿真测试的结果越真实。场景数据来源主要包括铁路检测监测数据、试验采集数据、历史灾害数据和根据真实场景数据合成的仿真模拟数据等，通过检测监测、历史事故等数据的回放、还原和重构，可构建满足测试需求的测试场景，尤其是高危、高复杂度、真实场景中无法实现的边界场景。

①铁路检测监测数据。铁路检测监测数据包括基础设施、入侵检测监测等数据，如路基、桥、涵、隧、钢轨等基础设施和边坡等周边环境静态信息，人员、动物、异物等入侵活动信息，以及气象要素监测等环境动态信息，通过基础设施检测监测数据可构建仿真场景的静态模型，通过实时监测数据可构建动态模型。

②试验采集数据。由于铁路入侵是小概率事件，且各类入侵行为复杂，历史事故样本有限，无法满足基于深度学习等模型算法的测试需求。通过在真实测试场景中开展有目的测试，可收集更有针对性的测试数据，如针对铁路沿线异物入侵检测监测系统的测试，可在试验场模拟彩钢板、防尘网、塑料膜等异物入侵，丰富测试样本。

③历史灾害数据。通过灾害监测系统、铁路综合视频监控等系统可获取风、雨、雪等灾害监测和异物、人员入侵信息，可复现、还原、推演灾害情况，作为场景库的样本。

④仿真模拟数据。由于入侵真实样本有限，利用不同要素的变化数据可以衍生出众多场景，如基于综合视频监控系统视频图像，使用计算机视觉手段生成强化测试场景数据等。

（4）测试用例生成。测试用例是平台进行测试的具体实例，测试用例基于场景库构建，结合具体的干扰因素和入侵行为等要求生成不同的测试案例。在自动驾驶的虚拟测试中，Talwar等^[14]研究实验发现训练集的多样性比虚拟场景的真实性在训练过程中所起到的作用更大。因此，测试用例的完备性对虚拟测试的结果起决定性作用。测试用例生成根据生成类型可分为场景测试用例生成及图片测试用例生成，其中场景测试用例的生成方法主要有2种，一种是定义目标函数或奖励函数，通过对该函数取最大值或最小值来指导测试场景的生成；另一种方法则是循环生成测试用例，借鉴遗传算法的思路，根据上一个生成的结果来指导测试场景的生成。图片测试用例的生成方法包括基于数字图像的扰动(通过修改图片像素进行扰动)及基于真实环境的扰动(改变真实世界光照、角度等)。

1.3　测试方法

铁路入侵检测监测系统一般由前端探测设备和中心组成，而中心一般由模型算法、核心功能模块等组成。根据测试需求和目标的不同，测试方法主要包括模型在环、软件在环、设备在环和系统在环测试4种。

（1）模型在环测试。基于智能算法的铁路入侵检测监测系统能否落地应用，关键取决于算法的准确性和可靠性。模型在环测试是设计、研发阶段对模型算法进行的数值仿真测试，主要是对算法的泛化能力、准确性、可靠性、鲁棒性等性能进行的测试，如基于深度学习的入侵检测算法，视频、雷达等多模态识别算法融合效果的测试等。模型在环测试的流程为将待测模型算法布设在测试平台上，调取场景库中的测试用例进行模型算法的训练，然后在真实的测试场景中验证训练好的模型算法的有效性。

（2）软件在环测试。软件在环测试是在测试平台上编译生成的入侵检测监测系统源代码，主要对软件的功能、性能、接口等进行测试，测试内容包括入侵报警功能、报警解除功能、报警定位精度、报警响应时间等，可帮助系统设计者提前发现系统软件缺陷。

（3）设备在环测试。设备在环测试主要对前端入侵探测设备硬件的测试，将设备安装于真实测试场景中，对设备(视频摄像头、激光雷达等)采集数据的角度、准确性、可靠性、连续性等指标进行测试。真实测试场景支持不同检测监测原理、不同生产厂家设备的测试，支持有线和无线通信方式的数据传输。

（4）系统在环测试。系统在环测试是对由单一或多种探测设备组成的系统硬件设备和软件的整体测试，可集成多源、多模态检测监测设备采集的数据，可对检测监测数据采集、传输、报警研判、处置等全流程进行闭环测试。

2　测试平台设计

2.1　测试平台架构

基于虚实结合的入侵检测监测系统测试平台架构如图2所示，包含真实测试平台和虚拟测试平台2部分。真实测试平台包含基础设施、环境状态等要素，虚拟测试平台包括场景库、测试用例等。一般通过虚拟测试场景对模型算法、软件模块进行训练和测试，通过真实场景对训练好的模型算法、软件模块、硬件或系统进行测试验证。

测试验证平台逻辑架构如图3所示，包含平台基础层、接入层、数据层、管理层和应用层。

平台基础层包含物理的真实测试场景和虚拟测试场景。真实测试场景具备不同工况、不同检测监测设备测试安装的条件，具备安装不同监测原理、不同厂家检测监测设备的条件；虚拟测试场景包含不同测试目标的子系统测试，子系统包含由相应测试场景构成的测试用例。

接入层提供模型算法测试、软件测试、硬件测试和系统测试的接入条件，支持不同测试任务。

数据层对入侵检测监测数据、真实测试场景数据、历史灾害数据和模拟数据进行管理和维护，根据测试需求，补充和完善测试场景和测试用例。

管理层是对测试全过程的管理，包括测试前的准备、测试中的调度管理和测试后的分析评价。测试前需要配置测试场景，平台自动生成针对测试任务的测试用例，测试过程中需要对虚实测试数据进行调度、对测试过程进行管理，测试后对测试结果进行分析，对测试场景库进行调整完善。

应用层满足用户不同测试目标的测试，根据需求可视化展示测试结果。

2.2　平台功能

平台满足入侵感知模型算法、软件、硬件、系统的闭环测试，具体功能主要包括测试场景管理、测试过程管理、测试结果分析、系统管理等。

（1）测试场景管理。平台具备根据测试目标生成、配置相应测试场景的能力。测试内容支持异物、周界入侵等侵限行为测试，满足相关测试设备接入的条件，提供不同测试环境(晴天、降雨、雾等)测试需求的能力。可根据收集的检测监测数据、测试过程数据等对场景库、测试用例进行完善。测试场景库管理模块如图4所示。

① 测试场景生成。铁路入侵检测监测系统虚拟测试的关键是生成可靠的、具有代表性的、科学的测试场景集，以铁路综合视频监控系统视频图像为基础场景，在此基础上增加干扰因素，细分入侵行为，衍生出各种复杂的测试场景，测试场景可动态配置。测试用例是测试场景的具体化，通过不同要素的结合，同一测试场景可产生不同的测试用例，如降雨天气下人员翻越栅栏入侵等。测试场景构成要素及要素属性如表1所示。

②测试场景维护管理。根据测试需求，对测试场景进行补充、修改和完善。

（2）测试过程管理。测试过程管理作为平台的核心功能，包括测试前准备、测试中测试记录和测试后数据分析处理等。测试前提供待测项目的基本信息，根据基本信息配置相应的测试场景，生成测试用例和测试计划。测试中对测试项目的过程进行监控，对测试数据进行记录。测试后对测试样本进行归集等。测试计划管理界面如图5所示。

（3）测试结果分析和反馈。平台具备对测试结果进行分析的能力，包括相关检测监测算法/设备/系统报警准确率、误报率、漏报率、定位精度等。另外，能够根据测试情况对测试场景、测试用例等进行修改完善，形成闭环的测试管理。测试结果分析界面如图6所示。

（4）平台管理。平台管理包括增加、修改相应的功能模块，人员、角色、权限配置等管理和维护功能。

3　测试案例分析

以基于视频+毫米波雷达的周界入侵监测系统测试为例。首先基于虚拟测试平台对各参试单位的模型算法进行测试，然后基于真实试验线对系统进行测试。

虚拟测试场景基于铁路沿线建设的综合视频监控系统提取周界入侵案例，结合周界入侵监测需求，通过试验环境和虚拟仿真平台，构建危险和边界场景，形成测试场景库，具体包括普通路基、临近山体路基、隧道口、公跨铁桥、桥梁区段、疏散救援通道等处所，晴天、雨天、雾天、雪天以及白天和夜晚等不同条件下的入侵仿真。

真实测试环境中视频、毫米波雷达等测试设备如图7所示，防区设置如图8所示。测试干扰包括雨、雾、植被、光影、光照条件等，测试场景为路基地段人员穿越轨道识别，各种干扰要素组合生成测试用例20个。各参试单位基于虚拟测试平台提供的测试样本对入侵识别算法进行训练和优化，然后在真实测试环境中进行入侵监测系统的测试评价。某次试验，各参试单位不同算法的误报率测试结果如表2所示，漏报率测试结果如表3所示。从表2可以看出，单位C研发的算法在测试准确性方面要优于其他单位，但是漏报率要高于其他单位。从表3可以看出，降雨干扰下，各参试单位漏报率均比较高。

4　关键技术

（1）虚拟测试场景构建技术。列车运行环境数字化建模是实现入侵检测监测虚拟测试平台构建的基础，数字孪生技术可实现物理铁路向虚拟铁路的精准表达和映射^[15-16]。由于灾害和突发事件具有不可复现、难以预测等特点，通过检测监测数据、灾害数据建立虚拟测试场景，可对灾害和突发事件进行复现、还原、重构和推演，有助于研究灾害发生、发展过程和作用机理。同时，基于仿真平台，生成真实环境中无法生成的高危、边界场景，扩展测试边界和范围，提高检测监测算法的泛化能力和系统的适用性。

（2）虚实结合的测试技术。真实测试环境是虚拟测试环境构建的基础，虚拟测试环境不仅是真实测试环境的映射，同时与真实测试环境存在交互。真实测试为虚拟测试环境的搭建和参数的设置提供支持，虚拟测试环境可构建真实环境无法覆盖的入侵场景，如对滑坡、泥石流等灾害的入侵仿真，可获得丰富的场景库。

（3）测试用例生成技术。测试用例的完备性对入侵检测监测算法的测试效果起到至关重要的作用，在铁路入侵检测监测系统测试中，依托铁路检测监测数据、历史灾害等数据，通过模拟仿真、合成等技术生成边界场景和测试用例，在此基础上，定义测试目标或奖励函数，通过函数的优化指导测试用例的生成。

（4）基于虚拟仿真和人工智能的入侵推演预判分析技术。基于人工智能的铁路入侵检测监测在试验环境下训练的模型是否可以很好地适用于正线场景已成为智能检测监测系统应用亟待攻克的难题。通过在虚拟测试场景中对自然环境要素、侵限等灾害和突发事件进行数据建模、前置推演基于人工智能的检测监测技术运行效果，将入侵可能产生的不良影响、矛盾冲突、潜在危险进行智能推演和预判，进行安全风险预期评估分析，可为相关检测监测模型构建、系统研发、设备研制提供支撑。

5　结束语

随着先进传感和人工智能等技术在铁路列车运行环境安全保障中的应用，基于信息新技术赋能下的铁路入侵检测监测系统的测试成为系统落地应用亟待攻克的难题。基于虚实结合的铁路入侵检测监测系统测试技术和平台可为铁路入侵检测监测新产品、新技术、新装备的研发和应用提供测试、试验验证环境，支撑相关系统、模型算法的研发，新技术、新装备研制和系统上线前的试验验证，满足基于人工智能技术的入侵检测监测系统测试需求，助力铁路列车运行环境安全智能检测监测系统的落地应用。

铁路入侵场景具有极度复杂、不可预测、难以穷尽等特征，完善的测试场景和测试用例是虚拟测试取得良好效果的前提，测试场景库应随着测试的开展不断完善，另外还应建立相关测试标准，以规范和指导系统的测试工作。

参考文献

[1] 王同军 ．智能铁路总体架构与发展展望[J]．铁路计算机应用，2018，27(7)：1-8．

[2] WANG Tongjun. Overall Framework and Development Prospect of Intelligent Railway[J]．Railway Computer Application，2018，27(7)：1-8．

[3] 何华武，朱 亮，李 平，等 ．智能高铁体系框架研究[J]．中国铁路，2019(3)：1-8．

[4] HE Huawu， ZHU Lian， LI Ping，et al. Study on the System Framework of Intelligent High Speed Railway[J]．China Railway，2019(3)：1-8．

[5] 马建军，李 平，邵 赛，等 ．智能高速铁路关键技术研究及发展路线图探讨[J]．中国铁路，2020(7)：1-8．

[6] MA Jianjun， LI Ping， SHAO Sai， et al. Key Technologies and Development Roadmap of Intelligent High Speed Railways[J]. China Railway，2020(7)： 1-8．

[7] 中国汽车技术研究中心有限公司 ．自动驾驶测试场景技术发展与应用[M]．北京：机械工业出版社，2020．

[8] China Automotive Technology Research Center Co.，Ltd. Development and Application of Autonomous Driving Test Scenario Technology[M]. Beijing：Mechanical Industry Press，2020.

[9] 朱向雷，王海弛，尤翰墨，等 ．自动驾驶智能系统测试研究综述[J]．软件学报，2021， 32(7)：2056-2077．

[10] ZHU Xianglei， WANG Haichi， YOU Hanmo， et al ．Survey of Testing of Intelligent Systems in Autonomous Vehicles[J]. Journal of Software， 2021， 32(7)：2056-2077．

[11] 朱 冰，张培兴，赵 健，等 ．基于场景的自动驾驶汽车虚拟测试研究进展[J]．中国公路学报，2019，32(6)： 1-19．

[12] ZHU Bing， ZHANG Peixing， ZHAO Jian，et al. Research Progress on Scene-based Virtual Test of Autonomous Driving Vehicles[J]．China Journal of Highway and Transport，2019，32(6)：1-19．

[13] 舒 红，袁 康，修海林，等 ．自动驾驶汽车基础测试场景构建研究[J]．中国公路学报，2019， 32(11)：245-254．

[14] SHU Hong， YUAN Kang， XIU Hailin， et al. Construction of Basic Test Scenarios of Automated Vehicles[J]．China Journal of Highway and Transport，2019， 32(11)： 245-254．

[15] 白 鑫 ．高速铁路行车仿真系统研究[J]．铁道运输与经济，2017， 39(9)： 26-31．

[16] BAI Xin. Research on High Speed Railway Train Operation Simulation System[J].Railway Transport and Economy，2017， 39(9)： 26-31．

[17] 张晓梅 ．高速铁路调度指挥仿真实验平台的设计与实现[J]．铁路计算机应用，2017(26)： 49-53．

[18] ZHANG Xiaomei. High Speed Railway Dispatching Simulation Platform[J]．Railway Computer Application，2017(26)：49-53．

[19] 傅荟瑾，史天运，王 瑞，等 ．基于深度学习的京张高速铁路周界图像智能识别系统构建研究[J]．铁道运输与经济，2022，44(5)： 120-126．

[20] FU Huijin， SHI Tianyun， WANG Rui，et al ．Research on Construction of Intelligent Image Recognition System for Beijing Zhangjiakou High Speed Railway Perimeter Based on Deep Learning[J]．Railway Transport and Economy，2022，44(5)：64-72．

[21] 胡 昊. 面向高铁运行环境安全的侵限监测关键技术研究[D]. 北京：中国铁道科学研究院，2022.

[22] HU Hao. Research on Key Technologies of Intrusion Monitoring for High Speed Rail Running Environment Safety[D]. Beijing：China Academy of Railway Sciences，2022.

[23] 刘文祺. 基于深度神经网络的铁路异物检测算法[D]. 北京：北京交通大学，2016.

[24] LIU Wenqi. Railway Obstacle Detection Algorithm Based on Deep Neural Network[D]. Beijing：Beijing Jiaotong University，2016.

[25] 王建鹏. 一种基于异构串联卷积神经网络的铁路异物检测模型[J]. 测试技术学报， 2020， 34(4)： 344-348.

[26] WANG Jianpeng. Railway Foreign Body Detection Model Based on Heterogeneous Series Convolutional Neural Network[J]. Journal of Test and Measurement Technology， 2020， 34(4)： 344-348.

[27] TALWAR D， GURUSWAMY S， RAVIPATI N，et al ．Evaluating Validity of Synthetic Data in Perception Tasks for Autonomous Vehicles[C]// 2020 IEEE International Conference On Artificial Intelligence Testing (AITest)．Oxford：IEEE，2020，73-80.

[28] 王富章，吴艳华，卢文龙，等. 复杂艰险山区数字铁路总体方案研究[J]. 中国铁路，2021(4)：20-26.

[29] WANG Fuzhang， WU Yanhua， LU Wenlong， et al. Research on Overall Scheme of Digital Railway in Complex and Dangerous Mountainous Areas[J]. China Railway，2021(4)： 20-26.

[30] 史天运，王英杰，李 平 ．数字铁路框架体系的研究[J]．交通运输系统工程与信息，2010， 10(6)： 29-33．

[31] SHI Tianyun， WANG Yingjie， LI Ping. Research on Digital Railway System Architecture[J]．Journal of Transportation Systems Engineering and Information Technology，2010， 10(6)： 29-33．

基金资助

国家重点研发计划项目(2022YFB4300604)