As passagens de nível automáticas são pontos sensíveis na ferrovia, onde anualmente ocorrem acidentes com vítimas mortais. Com vista a mitigar o número de vítimas, esta dissertação apresenta um sistema para detecção de obstáculos em passagens de nível a partir de nuvens de pontos 3D recolhidas com um sensor laser 2D montado sobre uma plataforma oscilante. Numa fase de calibração, o sistema aprende a posição e orientação da passagem de nível relativamente ao sensor laser. Seguidamente o sistema aprende um mapa volumétrico que indica as zonas da passagem de nível que estão ocupadas com objetos estáticos e, portanto, não são obstáculos. Terminado o treino, o sistema procura, antes de cada passagem de um comboio, por objetos presentes no ambiente que não estejam representados no mapa volumétrico aprendido. Esses objetos são reportados como obstáculos, cujo nível de relevância varia de acordo com as suas dimensões e distância ao eixo da via. Comparativamente a sistemas anteriores, tipicamente baseados em RADAR, câmaras de vídeo e sensores laser estáticos, o sistema aqui apresentado é capaz de simultaneamente detetar obstáculos de menor volumetria, ser robusto a variações de iluminação e ser calibrado de forma semi-automática, o que reduz o tempo de instalação. Estas características foram validadas num conjunto de 32 nuvens de pontos recolhidas numa passagem de nível ocupada com obstáculos de variada dimensão. Os testes experimentais mostram que o sistema é capaz de detetar obstáculos de volumetria igual ou superior a 10dm3 em cerca de 615 ms. Este desempenho é suficiente para garantir os requisitos operacionais das passagens de nível automatizadas

Automatic level crossings are sensitive points on the railway infrastructure, where accidents occur annually with fatalities. In order to mitigate the number of victims, this work presents a system for obstacle detection at level crossings from 3D point clouds acquired with tilting 2D laser scanners. During a calibration phase, the system learns the position and orientation of the level crossing with respect to the laser sensor. Then, the system learns a volumetric map indicating the level crossing?s zones that are occupied with static objects and, therefore, are not obstacles. After the training phase, the system checks, before each passage of a train, for the presence of objects in the environment that are not represented in the learnt volumetric map. These objects are reported as obstacles, whose level of importance varies according to their size and distance to the center of the track. Compared to previous systems, typically based on RADAR, video cameras, and static 2D laser scanners, the system herein presented is capable of simultaneously detecting obstacles of lower volume, robustly handle lighting variations, and being calibrated semi-automatically, which reduces setup time. These characteristics were validated on a set of 32 point clouds acquired on a level crossing occupied with obstacles of various sizes. The experimental results show that the system is able to detect obstacles as small as 10dm3 in 615 ms . This performance is sufficient to ensure the operational requirements of automated level crossings