障碍物侵限具有随机性、突发性、不可预料性等特点，对轨道交通运输安全运营有着严重危害。现有检测算法对远距离小目标障碍物的识别精度不足，难以满足实际应用需求。为及时检测出障碍物侵限以避免造成安全事故，利用激光雷达作为视觉传感器，提出了一种基于三维目标检测的轨道侵限障碍物检测算法，以实现高效、精准的铁路侵限障碍物检测。为避免铁路沿线噪声点云对检测算法精度及速率的影响，采用了直通滤波和基于RANSAC算法的钢轨拟合等点云预处理操作得到铁路限界内点云数据，随后利用改进PointPillars三维目标检测算法对铁路限界内区域进行侵限障碍物检测。为进一步提高算法检测精度并优化PointPillars算法对小目标物体检测性能较差的问题，引入残差MLP模块增强了算法对特征信息的聚合能力及算法对点云局部特征的提取与利用能力，从而有效提高了算法对侵限障碍物的检测精度；同时在PointPillars下采样处理中加入了SCConv模块，增强了算法对特征空间及通道冗余的整合与利用，减少了中间特征映射的冗余计算并促进了局部特征的学习，使得算法对远距离小目标障碍物的检测能力显著提升的同时检测速率进一步提高。实验数据集采用自用铁路障碍物点云数据集，目标类别包括人（People）、箱子（Box）和骑自行车的人（Cycist）。实验结果最终表明，该算法对铁路常见障碍物行人（People）的检测准确率为91.83%，箱子（Box）的检测准确率为89.74%，骑自行车的人（Cyclist）的检测准确率为89.74%，相较于原算法平均检测精度在BEV视角上提高了2.55%，在3D视角上提高了2.81%；同时检测速率达到了55.56Fps，满足铁路现场的应用需求。
