基于无人机的铁路非正常接发列车作业方案设计

UAV-Assisted Operation Design for Abnormal Train Reception and Departure in Railway

摘要

通过阐述铁路非正常接发列车作业人工巡检效能制约、联锁设备功能缺位及岗位效能结构性改变等现状，剖析存在的效率低下和安全风险等问题，明确无人机在设备监测、进路准备、凭证传递等环节的应用潜力。基于无人机(UAV)的优劣势，对业务场景进行解构，明确工作人员与无人机分工，提出人机协同接发列车作业方案，构建四层人机协同作业系统架构，根据接发列车作业实际，确定无人机平台、载荷及航线规划等关键技术方案，支持无人机在设备监测、发车辅助、凭证传递等环节的高效应用。以道岔失去表示发车作业为例，呈现人机协同非正常接发列车作业流程，并与传统模式进行对比分析，验证方案在安全、效率及成本等方面的优越性，为铁路运输领域的智慧化发展提供参考。

Abstract

This paper analyzed the current challenges in manual inspection efficiency constraints, functional deficiencies in interlocking equipment, and structural shifts in post effectiveness during abnormal train reception and departure operations on railways. Issues such as inefficiency and safety risks were identified, and the application potential of unmanned aerial vehicles (UAVs) was highlighted in key phases, including equipment monitoring, route preparation, and authority transmission. Deconstructing operational scenarios based on UAV strengths and weaknesses, the study clarified the division of labor between personnel and UAVs, proposing a human-UAV collaborative framework for train reception and departure operations. A four-layer system architecture for human-UAV collaborative operations was constructed. Tailored to the practicalities of train operations, key technical specifications for the UAV platform, payload, and flight path planning were determined to support efficient UAV deployment in equipment monitoring, departure assistance, and authority transmission. Using the scenario of departure operations under a switch indication failure as a case study, the paper delineated the human-UAV collaborative workflow for abnormal train reception and departure. Comparative analysis with traditional methods demonstrates the proposed scheme’s superiority in safety, efficiency, and cost-effectiveness. This research provides a valuable reference for the intelligent development of railway transportation.

Graphical abstract

关键词

非正常接发列车作业 / 无人机 / 作业方案 / 铁路安全 / 作业效率

Key words

Abnormal Train Reception and Departure / UAV / Operation Scheme / Railway Safety / Operational Efficiency

0　引言

2023年12月召开的中央经济工作会议提出要发展新质生产力，特别强调打造低空经济这一战略性新兴产业；2024年《政府工作报告》提出，积极打造低空经济等新增长引擎；党的二十届三中全会通过的《中共中央关于进一步全面深化改革 推进中国式现代化的决定》，进一步提出发展通用航空和低空经济。低空经济迎来前所未有的发展机遇，同时也为各行各业发展注入新活力，《交通强国建设纲要》提到“加强民用航空器、发动机研发制造和适航审定体系建设，推广应用交通装备的智能检测监测和运维技术”，为铁路运输车务系统效率提升带来新的增长极。

低空经济以通用航空产业和无人机产业为主导，这2项技术在轨道交通行业的应用也逐渐增加，周志龙^[1]结合货运站现场作业实际，厘清无人机作业管理系统功能、架构；石越峰等^[2]针对铁路防洪工作特点，充分利用无人机巡检数字成果形式，构建铁路防洪多层次风险排查体系框架，对防洪全过程进行管理，包括排查隐患、记录台账及分析数据等；赵振江等^[3]提出南京地铁电客车“数智人+自然人”巡检协作场景。但无人机尚未被应用于接发列车作业过程，本研究将探索“人机协同”非正常接发列车作业模式，并设计协作模式下的管理系统，形成接发列车新质生产力，助力提升非正常接发列车作业效率及安全性。

1　铁路非正常接发列车作业现状

接发列车作业作为铁路运输组织生产中的核心环节，其作业质量直接关系到铁路运输的安全性与时效性^[4]。根据《铁路技术管理规程》规定，接发列车作业可分为正常情况与非正常情况2种作业模式^[5]。其中，正常情况下的接发列车作业流程相对规范，主要包括接发车预告(闭塞办理)、信号开放、列车发车(接车)及列车出发(到达)4个标准化作业环节^[6]，作业流程简洁、参与人员少、部门间协作需求低，通过既有自控、互控、他控机制即可实现有效的安全风险管控。

然而，非正常情况下的接发列车作业则呈现出显著的复杂性特征。行车设备故障接发列车作业安全控制图如图1所示^[7]，该作业模式不仅涉及多部门、多工种协同作业，还需在设备故障等特殊情况下进行应急处置。具体而言，车务部门需与工务、电务等设备维护部门建立高效的联动机制，通过信息共享与协同决策确保作业安全。值得注意的是，传统接发列车作业模式主要依托人工操作与地面固定设备，尽管经过长期实践已形成相对完善的作业体系，但在应对非正常情况时仍存在响应滞后、协同效率低下等局限性，这与现代铁路运输对安全性与效率的更高要求形成显著矛盾^[8]。因此，探索接发列车作业的智能化转型路径，构建基于数字化技术的作业新模式，已成为铁路运输领域亟待解决的重要课题。

1.1　人工巡检效能制约

依据接发列车作业规范要求，外勤助理值班员在执行接发车任务时需严格实施“三面向”标准化作业流程^[9]，要求作业人员分别面向列车头部、中部及尾部实施三维检查，重点监测货物装载稳定性、走行部技术状态及车辆封闭装置完整性等关键指标。然而，既有作业模式存在显著技术缺陷：①空间维度受限，地面视角导致棚车顶部、车底走行部等关键区域形成视觉盲区；②动态捕捉能力不足，人工目视难以实时识别时速120 km列车运行状态下的细微异常；③地形适应性差，大型编组站多股道并行作业场景下，检查人员移动路径与列车运行轨迹存在空间交叉风险。据统计，某特等站2022年因人工检查疏漏引发的行车安全隐患占比达34.7%。

1.2　联锁设备功能缺位

当行车设备故障时，传统信号-联锁-闭塞系统面临功能失效风险。根据《铁路信号维护规则》(TG/XH 101—2015)，此时需启用手摇道岔、人工确认进路等降级处置方案^[10]，具体表现为：①联锁逻辑解耦，信号机显示与道岔位置失去电气联锁保障；②安全防护降级，区间闭塞制式由自动站间闭塞转为电话闭塞；③人机协同失效，进路准备需经扳道员、胜任人员(进路检查员)双人确认。

1.3　岗位效能结构性改变

设备故障引发的作业模式转换导致岗位效能发生结构性改变：①空间位移增加，内外勤助理值班员作业半径大幅增长；②流程复杂度提升，行车凭证转为纸质单据人工核验；③认知负荷加剧，作业人员需在非标准环境下完成多任务并行处理，认知负荷评估量表(NASA-TLX)测评结果显示，非正常接发车作业情境下工作人员心理负荷指数显著高于正常作业状态；④人工作业时间增加，某铁路局集团公司2023年运营数据显示，非正常接发车作业平均耗时较正常情况增加超过150%，且人工操作失误率与作业时长呈显著正相关^[11]。

在非正常情况下，接发列车过程中人工参与度的增加往往伴随着可靠性的降低，这一矛盾对铁路运营的安全性和效率提出严峻挑战。随着低空经济的迅猛发展，融合多项高端技术的无人机，在农业、林草业、电力、测绘、大气探测和地质灾害防护等行业广泛应用^[12]，多源遥感数据获取、融合、分析和提取的综合平台是无人机应用创新的关键所在^[13]，其机动性强、检测精准度高、全方位多角度监控能力及灵活稳定的性能，能够通过搭载多样化载荷高效获取地面信息，并结合空地协同系统及平台，显著提升作业效能，为提升接发列车作业效率及安全性提供新的技术路径。然而，因铁路行车作业生产环境复杂^[14]，对无人机的应用研究才刚刚起步。顾闻^[15]提出多个铁路无人机应用场景，如在列车发车前，使用无人机沿列车两侧及顶部进行快速巡检，以提高列检作业效率与安全性；李广智等^[16]构建无人机编组站智能巡检调度系统，采用集中式路径规划算法、集中式任务规划方案和抢占策略方案，在不同巡检任务中对无人机进行统一指挥调度，实现编组站巡检工作无人机化。同样，在非正常接发列车作业过程中，无人机的应用将会为其安全与效率带来新的增长极。

2　人机协同接发列车作业方案设计

2.1　业务场景解构

基于《铁路接发列车作业标准》(TB/T 30001—2020)，结合无人机特性建立人机协同作业矩阵。行车设备故障接发列车作业人机协同矩阵如表1所示，表中显示，确认报告、准备进路、引导接车(发车)和确认恢复环节均可引入无人机，据此设置设备监测检测、辅助接发车、凭证传递3类无人机。

2.1.1　设备监测检测无人机

设备监测检测无人机需要执行2项任务，一是故障设备状态确认，在故障确认阶段，检测设备外观完整性及有无异物入侵等，并在设备部门报告维修结束后，对设备进行现场监测，为车站值班员签认销记运统-46提供依据；二是确认进路正确，无联锁进路准备需由扳道员转换道岔并加锁，再由胜任人员(进路检查员)确认道岔开通位置及锁闭状态，胜任人员(进路检查员)的工作由无人机替代。无人机在执行任务时需拍摄设备详细状态、道岔基本轨和尖轨密贴状态及钩锁器状态，对整个道岔状态进行快速三维建模，自动确认道岔开通位置正确。

2.1.2　辅助接发车无人机

辅助接发车无人机的作业内容主要包括2项，一是对站台及车辆周围环境进行扫描，检查列车是否具备出发条件，包括发车前对列车进行巡检，核对车辆编组顺序表、核对车号及尾车，确认列车装置或标志；二是代替外勤助理值班员迎送列车^[17]执行“三面向”，对行进中的机车车辆状态进行全面监测，需跟踪运行列车并实时回传数据。

2.1.3　凭证传递无人机

非正常接车实行引导信号或手信号接车，由引导人员或助理值班员在指定位置处用信号旗或信号灯显示^[18-20]；而纸质行车凭证或调度命令(登记簿)由车站值班员填写，核对签章后交给助理值班员，再由助理值班员核对后交给司机。前者可通过无人机的数据传输系统进行传输，避免助理值班员大范围走动而降低效率；而纸质簿册及凭证由无人机直接从车站值班员处运至司机。

2.2　人机协同接发列车作业系统架构

本研究基于无人机的技术优势及既有非正常接发列车作业过程中存在的问题，构建人机协同非正常接发列车作业系统架构如图2所示。

2.2.1　设施服务层(IAAS)

该层主要包括3类无人机集群及机巢设施，满足无人机的执勤、充电等基本需求。通过搭载可见光、红外摄像头等载荷，结合车站物联网设备，实现多源数据的高效采集；同时，搭建通信网络以实现多模态数据的实时传输，并配备存储与计算设备，为数据的分析与处理提供基础设施支持。

2.2.2　数据服务层(DAAS)

该层整合多维度、多源、多模态数据，涵盖接发列车业务计划数据、铁路站场设施设备环境数据、无人机采集的实时音视频数据，以及人员作业的实时数据等，为上层平台提供全面的数据支撑。

2.2.3　平台服务层(PAAS)

该层接入无人机司空平台及铁路运输调度、计算机联锁等系统，通过积累非正常接发列车作业数据及专家意见，实现自适应学习，持续优化人机协同体系的作业效率。基于三维融合重建技术，结合可视化图片、点云切片及倾向影像数据，实现对无人机的精准调度与操控，为铁路空域数据及作业安全提供保障。此外，依托铁路运输平台数据及DAAS层中的计划、环境与列车运行数据，进行精细化航线规划。基于行车设备及运输货物的标准设计图纸，利用三维激光扫描仪等载荷获取空间数据，采用参数化建模方法生成三维模型，并与标准件图纸进行比对，以识别设备及货物的状态。

2.2.4　应用服务层(AAAS)

该层基于PAAS的分析结果，以非正常接发列车作业安全控制图为依据，动态生成非正常情况下的接发列车安全控制流程及作业方案，并通过人机协同方式高效执行。

2.3　无人机关键技术方案

无人机技术方案设计，与作业环境息息相关，铁路局集团公司甚至车站间所需无人机参数千差万别，本研究以某铁路局集团公司为例，聚焦关键影响因素进行无人机技术方案设计，包括无人机平台选择、载荷及航线规划。

2.3.1　平台

平台方面，相较于固定翼无人机起飞需要宽阔场地，旋翼无人机受场地限制小、机动性强、可空中定点悬停，六旋翼安全性、稳定性、可操控性更高，更符合铁路接发列车复杂作业环境的需求。另外，结合历史气象数据，某铁路局集团公司所在大部地区，温度变化范围为0~34 ℃，长期监测结果显示，钢轨最高轨温是天气最高温度加20 ℃，而最低轨温为天气最低温度，忽略无人机与钢轨间距离，因此，轨温变化范围为0~54 ℃。不考虑飓风、台风等极端天气，某铁路局集团公司所在大部地区全年风速不超过7.0 m/s，同时考虑列车风的影响，平台关键参数如表2所示。

2.3.2　载荷

载荷方面，接发列车工作需要无人机长时间的全向智能跟随，识别设备设施状态，并实时回传数据。以下针对无人机不同作业内容，提出无人机载荷技术参数。

（1）设备检测监测无人机。作业过程中，无人机需定点悬停拍摄行车设备状态及道岔转换整个过程，并进行进路确认，作业写实结果显示平均每个道岔需4~5 min，以此为依据制订无人机的悬停时间标准，由于道岔密贴检查的4 mm标准，该载荷精度要求高，同时，铁路车站设备密集及列车运行不间断，邻线行车及列车风也会影响无人机安全运行，对无人机避障性能要求高。设备检测监测无人机载荷参数如表3所示。

（2）辅助接发车无人机。技术资料显示，列车进出站时占用咽喉道岔组的时间为2~6 min，且列车启动加速度达0.32 m/s²，载荷要能捕捉动态运行的列车状态、识别车辆连挂状态与车号、核对列车编组顺序、识别列尾标志或装置并实时回传数据。选用激光雷达收集设备表面大量密集点的三维坐标、反射率和纹理等信息，快速建立被测目标的三维模型；应用AI图像识别算法建立设备状态特征库，实现异常状态自动报警^[21]，辅助接发车无人机载荷参数如表4所示。

（3）凭证传递无人机。无人机空中悬停，以待司机核对并接收凭证，拍摄并回传司机核对画面，选择货箱运输模式抵御大风天气强阻力，结合凭证交付环节写实，参考大疆DJI FlyCart30无人机，凭证传递无人机载荷参数如表5所示。

2.3.3　航线规划

由于铁路车站设备密集，无人机作业环境存在不确定的障碍物，无人机需具备动态避障功能，本研究将铁路设备安全空间融入既有算法，提出适用于铁路生产的自适应动态避障航线规划模型。先采用栅格法进行环境建模，在二维坐标系中定位无人机与障碍物，基于Fiorini^[22]动态环境下机器人移动规划算法进行无人机动态避障。无人机航线优化算法原理如图3所示。

P_U，R_U，V_U 分别为无人机的位置、几何半径和航行速度；P_O，R_O，V_O 分别为障碍物的位置、几何半径和航行速度；此外，根据铁路生产实际，增加R_S 为障碍物的安全空间半径，相当于铁路建筑接近限界。将障碍物的威胁区半径扩大至R_O +R_U +R_S，以P_U 为顶点，过扩大后的威胁区两侧做切线，形成相对碰撞锥三角区域Z_r，将其沿障碍物的速度向量平衡移动，得到绝对碰撞锥Z_a。如果无人机与障碍物的速度差向量V_{U，O}及其射线L_{U，O}在Z_r 内或无人机速度向量在Z_a 内，则未来无人机会与障碍物发生碰撞，需要调整无人机运行速度以避开障碍物。

障碍物O与无人机U的相对速度为

V_{U，O}=V_U-V_O(1)

无人机与障碍物发生碰撞的区域为

Z_a=\left\{V_{U，O}|L_{U，O}\bigcap Z_a\ne \mathrm{\varnothing }\right\}(2)

L_{U，O}=\left\{P_U+∆t\times V_{U，O}|∆t\ge \mathrm{0}\right\}(3)

为了避免二者相撞，需调整无人机的运行速度及方向，满足\left\{L_{U，O}\bigcap Z_a=\mathrm{\varnothing }\right\}。无人机航线优化方案如图4所示，调整后的无人机运行速度及方向为图4中的V{\text{'}}_U，V\text{'}{\text{'}}_U，前者是无人机稍减速并向左航行，后者是无人机稍加速并向右航行，避免与障碍物冲突。

3　实例分析

以某铁路局集团公司中间站道岔失去表示时的发车作业为例，该站站坪长度为1 504 m，包含1条正线、3条到发线，线路有效长分别为835 m，890 m，857 m，894 m，上行咽喉区长度为361 m，下行咽喉区长度为279 m。假设无人机机巢位于行车室，行车室距下行咽喉区的距离为410~689 m，距上行咽喉区的距离为454~1 225 m，线间距分别为5 m，8.4 m，4.9 m。本研究将分环节展示人机协同作业过程，并将人机协同方案与传统方案进行对比。道岔失去表示人机协同发车作业流程如图5所示，人机协同作业内容与表1对应，参与作业的人员包括车站值班员、司机等接发列车岗位人员及无人机操控人员。

由于铁路车站安全因素限制，尚未进行现场实验，方案设计依据源于写实或车站行车组织经验，无人机速度按巡检计为5~10 m/s。流程图显示，确认报告环节，初步确认设备状态的任务由无人机执行，减少外勤助理值班员附加作业内容，站细要求此项作业耗时16~22 min，而无人机结合实时热成像+可见光技术，作业时间为6.2~13 min；接发列车作业环节，部分无法电传的交付行车凭证作业由无人机完成，减少外勤助理值班员附加作业内容，原人工作业耗时大约5~7 min，而无人机作业时间为2.5~4 min；再次确认道岔开通状态，由无人机代替胜任人员(进路检查员)完成，取消胜任人员(进路检查员)作业内容；无人机代替外勤助理值班员执行发车前巡检作业及三面向，进行360°实时扫描分析，对列车六面进行扫描，消灭人工视角盲区；设备恢复环节，无人机执行现场设备监测任务，辅助检验设备部门维修结果，为行车安全增加一重保障。

成本方面，与无人机选型有关，通过对多品牌多型号无人机进行对比及询价，以无人机生命周期为单元进行成本对比；满足对应参数的无人机平台分别为大疆Matrice 350 RTK，Matrice 300 RTK及FlyCart 30，需要搭载H20N可见光+热成像云台、第三方激光雷达，采用平台自带算法，且暂不考虑高精度模块开发等定制化功能及各种配件，该站每种类型的无人机配备1台，不考虑交叉调度问题，由公式(4)求得成本约49.5万元；纯人工方案成本由公式(5)求得，共计42万~67.2万元。人机协同与传统方案对比分析如表6所示，经粗略测算人机协同方案比传统方案成本更低，且耗时更短，安全性更高。

人机协同方案成本C_UVA 计算公式为

C_{UVA}=c_{\mathrm{平台}}+c_{\mathrm{载荷}}=（\mathrm{15}+\mathrm{12}+\mathrm{12.5}）+

（\mathrm{5}+\mathrm{15}）=\mathrm{49.5}\mathrm{万元}(4)

人工方案成本C_p 计算公式为

C_p=c_p\cdot l\cdot \delta =\mathrm{12}\cdot (\mathrm{5}~\mathrm{8})\cdot \mathrm{70}\mathrm{\%}=

\mathrm{42}\mathrm{万}~\mathrm{67.2}\mathrm{万元}(5)

式中：c_平台为无人机主机成本，万元，设备监测检测无人机选用Matrice 350 RTK、辅助接发车无人机选用Matrice 300 RTK、凭证传递无人机选用FlyCart 30；c_载荷为无人机载荷成本，万元，设备监测检测无人机需要搭载H20N云台，辅助接发车无人机需搭载第三方激光雷达；c_p 为胜任人员(进路检查员)人均年收入，万元，按人均12万元计；l为工业无人机寿命，a，按5~8 a计；δ为恶劣环境下无人机寿命折扣系数，%，取70%。

4　结束语

通过引入无人机技术，研究设计功能化的无人机技术方案^[23]，提出铁路非正常接发列车人机协同作业模式，旨在解决传统作业模式效率低下及安全风险问题。以道岔失去表示发车作业为例，重构非正常接发列车作业流程。经过效率与成本对比，该模式能够显著提升作业效率和安全性，为铁路运输的智能化转型提供新的解决方案，释放铁路车站运能。然而，无人机在铁路接发列车作业过程中的应用，会对铁路安全生产原则带来巨大挑战，涉及无人机禁飞、任务分配和场景别的设备选型、分布式航线规划等实际问题，目前尚未应用，未来可以实验或试点的形式进行实践探索，寻找切实可行的落地途径。

参考文献

[1] 周志龙. 货运站无人机现场作业管理系统研究[J]. 铁道货运，2018，36(3)：31-35.

[2] ZHOU Zhilong. A Research on the UAE Field Operation Management System in the Freight Yard[J]. Railway Freight Transport，2018，36(3)：31-35.

[3] 石越峰，危凤海，付卫霖，等. 面向防洪管理的铁路无人机巡检体系研究与应用[J]. 铁道建筑，2022，62(4)：120-125.

[4] SHI Yuefeng， WEI Fenghai， FU Weilin，et al. Research and Application of Railway Unmanned Aerial Vehicle Patrol Inspection System for Flood Control Management[J]. Railway Engineering，2022，62(4)：120-125.

[5] 赵振江，胡方阳，王彩文. 南京地铁电客车“数智人+自然人”巡检协作模式研究及应用[J]. 现代城市轨道交通，2024(12)：29-35.

[6] ZHAO Zhenjiang， HU Fangyang， WANG Caiwen. Research and Application of “Digital Human + Natural Person” Inspection Cooperation Mode of Nanjing Metro Trains[J]. Modern Urban Transit，2024(12)：29-35.

[7] 彭其渊，王慈光. 铁路行车组织[M]. 北京：中国铁道出版社，2007.

[8] ZHAO M L， NI S Q， DU Z G，et al. Train Scheduling in High Speed Railway Freight Transportation Using a Hyper-Heuristic Algorithm[J]. Transportation Research Record：Journal of the Transportation Research Board，2024：03611981241287783.

[9] 徐　勇. 基于HFACS-贝叶斯网络的铁路车务系统事故违章行为分析[D]. 北京：中国铁道科学研究院，2023.

[10] 国家铁路局. 铁路接发列车作业：TB/T 30001—2020 [S]. 北京：中国铁道出版社，2020：16.

[11] 杨皓男，倪少权，潘金山，等. 铁路天窗方案与列车运行图协同优化研究综述[J]. 铁道运输与经济，2024，46(11)：71-81，174.

[12] YANG Haonan， NI Shaoquan， PAN Jinshan，et al. Integrated Optimization of Railway Maintenance Window Plan and Train Working Diagram[J]. Railway Transport and Economy，2024，46(11)：71-81，174.

[13] 严登银. 多方向车站接发列车防错办问题的探讨[J]. 上海铁道科技，2018(4)：34-35，128.

[14] 胡　全. 非正常接发列车作业现状、问题及对策[J]. 上海铁道科技，2010(3)：35-36，4.

[15] WILSON J R， NORRIS B J. Human Factors in Support of a Successful Railway：A Review[EB/OL]. (2005-12-31)[2025-01-01].

[16] 郭庆华，胡天宇，刘　瑾，等. 轻小型无人机遥感及其行业应用进展[J]. 地理科学进展，2021，40(9)：1550-1569.

[17] GUO Qinghua， HU Tianyu， LIU Jin，et al. Advances in Light Weight Unmanned Aerial Vehicle Remote Sensing and Major Industrial Applications[J]. Progress in Geography，2021，40(9)：1550-1569.

[18] 郑佳怡，姚京川，郭继亮，等. 航空遥感技术的发展及铁路应用[J]. 铁道建筑，2021，61(2)：143-148.

[19] ZHENG Jiayi， YAO Jingchuan， GUO Jiliang，et al. Development of Aerial Remote Sensing Technology and Its Application in Railway[J]. Railway Engineering，2021，61(2)：143-148.

[20] ZHAO M L， NI S Q， DU Z G，et al. Multi-Objective Gannet Optimization Algorithm for Dynamic Passenger Flow Allocation in Train Operation Plan Optimization[J]. IEEE Access，2023，11：103693-103711.

[21] 顾　闻. 智能化检测技术在铁水联运交接作业中的应用[J]. 铁路通信信号工程技术，2025，22(1)：57-62.

[22] GU Wen. Application of Intelligent Detection Technology in Handover Operation of Railway-Water Intermodal Transport[J]. Railway Signalling & Communication Engineering，2025，22(1)：57-62.

[23] 李广智，李　飞，黄志伟，等. 编组站无人机智能巡检调度系统研究[J]. 铁路通信信号工程技术，2025，22(2)：18-23，83.

[24] LI Guangzhi， LI Fei， HUANG Zhiwei，et al. Research on Intelligent Inspection and Scheduling System for Unmanned Aerial Vehicles in Marshalling Yard[J]. Railway Signalling & Communication Engineering，2025，22(2)：18-23，83.

[25] 王　辉，杜新军，李海鹰，等. 铁路车务系统布局适配评价研究[J]. 铁道运输与经济，2019，41(12)：97-104.

[26] WANG Hui， DU Xinjun， LI Haiying，et al. A Study on Layout Adaptive Evaluation of Train Operation System[J]. Railway Transport and Economy，2019，41(12)：97-104.

[27] WANG X R， LV Y， SUN H J，et al. A Simulation-Based Metro Train Scheduling Optimization Incorporating Multimodal Coordination and Flexible Routing Plans[J]. Transportation Research Part C：Emerging Technologies，2023(146)：103964.

[28] 钱国伟. 车站接发列车作业安全联控系统的开发与实践[J]. 上海铁道科技，2001(4)：17-18.

[29] 廖延婷，陈钉均，邓洪波，等. 基于天窗基本单元的编组站天窗方案优化研究[J]. 铁道运输与经济，2024，46(4)：1-8，18.

[30] LIAO Yanting， CHEN Dingjun， DENG Hongbo，et al. Optimization Model for Maintenance Window Design of Marshalling Yard Based on Basic Maintenance Window Unit[J]. Railway Transport and Economy，2024，46(4)：1-8，18.

[31] 蔡伯根，李智宇，王　剑，等. 面向铁路巡检的低空无人机智能感知与精密定位研究[J]. 铁路通信信号工程技术，2025，22(1)：1-12.

[32] CAI Baigen， LI Zhiyu， WANG Jian，et al. Research on Intelligent Sensing and Precise Positioning of Low-Altitude UAV for Railway Inspection[J]. Railway Signalling & Communication Engineering，2025，22(1)：1-12.

[33] FIORINI P. Motion Planning in Dynamic Environments Using Velocity Obstacles[J]. The International Journal of Robotics Research，1998，7(17)：760-772.

[34] 宫志锋，杨志勇，邢爱华，等. 依托无人机提升铁路货运外勤作业品质分析与思考[J]. 铁道货运，2023，41(2)：48-53.

[35] GONG Zhifeng， YANG Zhiyong， XING Aihua，et al. Analysis and Thinking on Improving the Field Operation Quality of Railway Freight Relying on UAV[J]. Railway Freight Transport，2023，41(2)：48-53.

基金资助

郑州铁路职业技术学院与郑州兴涛商贸有限公司校企合作研究项目(ZZTY-XQ-2023-129)