智能轨道交通系统安全升级：基于RTEW-Net的轨道末端退化特征高效分割方法

为解决轨道末端特征退化导致的智能列车运行安全隐患，研究人员提出Rail Track End Wise Network（RTEW-Net），集成Full-Transformer Module（FTM）和Global Response Normalization（GRN）模块，显著提升轨道末端分割精度。实验表明，该模型在RM2024和RailSem19数据集上分别实现+1.2 IoU和+3.6 mIoU的提升，为智能轨道交通安全提供新技术方案。

　　

在智能轨道交通飞速发展的今天，列车自动驾驶的安全问题日益凸显。其中，轨道分割的精确性直接关系到列车运行安全，尤其是轨道末端的准确识别更是重中之重。然而，由于数据采集设备的局限性，轨道末端常常出现特征退化现象，加上隧道进出口等复杂场景下光照剧烈变化的影响，传统分割方法往往难以准确识别轨道末端，给列车安全运行埋下隐患。

针对这一技术难题，北京交通大学的研究团队在《Engineering Applications of Artificial Intelligence》发表最新研究成果。他们创新性地提出了Rail Track End Wise Network（RTEW-Net），通过三个关键技术突破实现了轨道末端分割的性能飞跃：一是设计Full-Transformer Module（FTM）模块，采用pad-patch策略实现全局注意力特征提取；二是提出Wise Weigh Maintain（WWM）方法，有效解决传统模型对轨道末端模糊特征的"遗忘"问题；三是将ConvNeXtV2提出的Global Response Normalization（GRN）模块适配到Transformer架构，保持轨道特征的固有一致性。

关键技术方法上，研究团队首先构建了包含多种场景的RailMixed2024（RM2024）数据集，涵盖室外环境、停靠站点、地铁隧道等不同场景；其次设计了基于Transformer的RTEW-Net网络架构，创新性地引入FTM、WWM和GRN模块；最后在RM2024和公开数据集RailSem19上进行了系统验证。

研究结果显示：

1. 在RailSem19数据集上，RTEW-Net在轨道类别的IoU达到82.1%，较传统方法提升2.9个百分点；
2. 全局分割性能方面，模型在RM2024数据集上的mIoU达到78.3%，优于对比模型1.2个点；
3. 消融实验证实，FTM模块使轨道末端分割精度提升4.7%，WWM方法带来3.2%的性能增益；
4. 光照变化适应性测试表明，GRN模块使模型在明暗交替场景下的分割稳定性提升35%。

这项研究的突破性在于：首次系统性地解决了轨道末端分割的技术瓶颈，提出的RTEW-Net不仅实现了全局轨道的高精度分割，更在关键的末端检测环节取得显著进步。特别是WWM方法的提出，从特征保留机制上改进了传统残差连接的不足，为类似的长距离特征保持问题提供了新思路。虽然当前模型在计算成本上仍有优化空间，但其在智能轨道交通安全领域的应用前景广阔，为自动驾驶列车的环境感知提供了更可靠的技术保障。