This thesis is an investigation into the feasibility of one-dimensional Light Detection and Ranging (LIDAR) sensors for tracking the position and motion of trains on railroad classification yards. Carefully monitoring railway traffic in these areas is important, in order to avoid accidents, optimise logistical operations and hence reduce delays. However, existing technologies for tracking trains on regular stretches of train-line, including Radio Frequency Identification (RFID) and Global Positioning System (GPS), have various drawbacks when applied to classification yards. As such, it is pertinent to investigate the extent to which simple LIDAR sensors could be used for this purpose, as part of a basic Internet of Things (IoT) system. To tackle this problem, we considered different ways of positioning the sensors around railway tracks. We then proposed a floating average algorithm for calculating a target object’s velocity using continuous LIDAR distance readings. To know when to apply the algorithm as a train is passing the sensor, we observed how the distance readings varied as a model train passed the sensor. The data was used to construct a Finite-state machine (FSM) that can fully describe the status of trains as they pass the sensor. In order to test our solution, we constructed a prototype sensor node implementing the FSM and evaluated its performance first with a model train and then on actual commuter trains on an outdoors train platform. We found that one-dimensional LIDAR sensors could feasibly be deployed to monitor the position and motion of trains with a high degree of consistency and accuracy. However, LIDAR may need to be corroborated with other types of technology such as RFID so that trains can be distinguished from other moving objects. / Detta projekt undersöker möjligheten att använda endimensionella Light Detection and Ranging (LIDAR) sensorer för att spåra läge och rörelse av tåg på rangerbangårdar. Att övervaka tågtrafik i dessa områden är viktigt för att undvika trafikolyckor, optimera logistiska operationer och därmed minska förseningar. Dagens teknik för att spåra tåg på vanliga tågspår, till exempel Radio Frequency Identification (RFID) och Global Positioning System (GPS), har flera begränsningar när de ska användas till rangerbangårdar. Följaktligen så är det relevant att undersöka till vilken grad enkla LIDAR sensorer kan tillämpas för detta ändamål som en del av ett Internet of Things (IoT) system. För att lösa detta problem, övervägde vi olika sätt att placera sensorerna kring tågspår. Därefter implementerade vi en glidande medelvärdealgoritm för att beräkna målobjektets hastighet genom att använda kontinuerliga LIDAR avståndsmätningar. För att kunna veta när algoritmen skulle tillämpas när riktiga tåg passerade sensorn, noterade vi först hur avståndsmätningarna varierade när ett modelltåg passerade sensorn. Mätningarna användes sedan för att konstruera en ändlig tillståndsmaskin (FSM) som kan fullständigt beskriva statusen av tåget när det åker förbi sensorn. För att testa vår lösning, tillverkade vi en sensornodprototyp med vår FSM implementerad och utvärderade först dess prestationsförmåga med ett modelltåg och sedan med riktiga pendeltåg.Vi observerade att endimensionella LIDAR sensorer kan användas för att övervaka läge och hastighet av tåg med hög precision och konsekventa resultat. Däremot visade sig att LIDAR ska med fördel kombineras med andra typer av teknologi, som till exempel RFID, för att urskilja tåg från andra objekt i rörelse.

Varje dag kopplas tusentals godsvagnar om på de olika rangerbangårdarna i Sverige. För att kunna automatiskt bromsa vagnarna tillräckligt mycket är det nödvändigt att veta deras hastigheter. En teknik som har blivit populär på sistone är Light Detection and Ranging (LiDAR) som använder ljus för att mäta avstånd till objekt. Den här rapporten diskuterar design- och implementationsprocessen av ett trådlöst sensornätverk bestående av en LiDARutrustad sensornod. Designprocessen gav en insikt i hur LiDAR-sensorer bör placeras för att täcka en så stor yta som möjligt. Sensornoden var programmerad att bestämma avståndet av objekt genom att använda Random Sample Consensus (RANSAC) för att ta bort outliers och sen linjär regression på de inliers som detekterats. Implementationen utvärderades genom att bygga ett litet spår med en låda som kunde glida fram och tillbaka över spåret. LiDAR- sensorn placerades med en vinkel vid sidan om spåret. Resultaten visade att implementationen både kunde detektera objekt på spåret och också hastigheten av objekten. En simulation gjordes också med hjälp av en 3D-modell av en tågvagn för att se hur väl algoritmen hanterade ojämna ytor. LiDAR-sensorn i simuleringen hade en strålavvikelse på 0_. 30% av de simulerade mätvärdena gjordes om till outliers för att replikera dåliga väderförhållanden. Resultaten visade att RANSAC effektivt kunde ta bort outliers men att de ojämna ytorna på tåget ledde till felaktiga hastighetsmätningar. En slutsats var att en sensor med en divergerande stråle möjligtvis skulle leda till bättre resultat. Framtida arbete inkluderar att utvärdera implementationen på en riktig bangård, hitta optimala parametrar för algoritmen samt evaluera algoritmer som kan filtrera data från ojämn geometri. / Every day, thousands of train wagons are coupled on the multiple classification yards in Sweden. To be able to automatically brake the wagons a sufficient amount, it is a necessity to determine the speed of the wagons. A technology that has been on the rise recently is Light Detection and Ranging (LiDAR) that emits light to determine the distance to objects. This report discusses the design and implementation of a wireless sensor network consisting of a LiDAR-equipped sensor node. The design process provided insight into how LiDAR sensors may be placed for maximum utilization. The sensor node was programmed to determine the speed of an object by first using Random Sample Consensus (RANSAC) for outlier removal and then linear regression on the inliers. The implementation was evaluated by building a small track with an object sliding over it and placing the sensor node at an angle to the side of the track. The results showed that the implementation could both detect objects on the track and also track the speed of the objects. A simulation was also made using a 3D model of a wagon to see how the algorithm performs on non-smooth surfaces. The simulated LiDAR sensor had a beam divergence of 0_. 30% of the simulated measurements were turned into outliers to replicate bad weather conditions. The results showed that RANSAC was efficient at removing the outliers but that the rough surface of the wagon resulted in some incorrect speed measurements. A conclusion was made that a sensor with some beam divergence could be beneficial. Future work includes testing the implementation in real-world scenarios, finding optimal parameters for the proposed algorithm, and to evaluate algorithms that can filter rough geometry data.