基于深度学习与感知技术评估HRGCs挂绞易感性——通向更安全未来的目标
机器学习
2026-02-17 v2 人工智能
摘要
陡峭轮廓的高速铁路 Grade Crossings（HRGCs）构成对低离地 clearance车辆的安全隐患，这些车辆可能在铁路轨道上被卡住，从而引发列车与车辆碰撞。该研究发展了一个用于评估HRGCs挂绞易感性的网络级框架。使用步行轮廓仪和Pave3D8K激光成像系统分别收集了不同交叉口的轮廓数据。开发了一种混合深度学习模型，结合了长短期记忆（LSTM）和Transformer体系结构，用于从Pave3D8K激光成像系统数据中重建准确的HRGCs轮廓。收集了约350辆特种车辆的车辆尺寸数据，以支持最新的统计设计尺寸。通过三种车辆尺寸情景分析挂绞易感性：（a）中位数尺寸（中位数轮距和离地 clearance），（b）75-25百分位尺寸（75百分位轮距，25百分位离地 clearance），和（c）最坏情况尺寸（最大轮距和最小离地 clearance）。结果表明分别在这些情景下，分别有70、80和95个交叉口处于最高挂绞风险等级。开发了ArcGIS数据库和软件界面，以支持交通部门缓解交叉口隐患。该框架通过整合下一代感知、深度学习和基础设施数据集于实用决策支持工具，推进了安全评估。
引用
@article{arxiv.2512.12832,
title = {Network Level Evaluation of Hangup Susceptibility of HRGCs using Deep Learning and Sensing Techniques: A Goal Towards Safer Future},
author = {Kaustav Chatterjee and Joshua Li and Kundan Parajulee and Jared Schwennesen},
journal= {arXiv preprint arXiv:2512.12832},
year = {2026}
}