CN107640183B - 一种基于迭代学习控制的列车运行控制方法 - Google Patents
一种基于迭代学习控制的列车运行控制方法 Download PDFInfo
- Publication number
- CN107640183B CN107640183B CN201710658290.2A CN201710658290A CN107640183B CN 107640183 B CN107640183 B CN 107640183B CN 201710658290 A CN201710658290 A CN 201710658290A CN 107640183 B CN107640183 B CN 107640183B
- Authority
- CN
- China
- Prior art keywords
- train
- control
- tracking error
- iterative learning
- train operation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
本发明公开一种基于迭代学习控制的列车运行控制方法，步骤如下：S1、系统初始化：令列车运行次数k＝0，运行时间区间t∈[0，T]，采样频率f，采样数N，初始控制输入u0(t)；列车要在指定时刻t1，t2，…，tM到达指定地点yd(t1)，yd(t2)，…，yd(tM)，使用插值的方法得出通过所有指定点的参考轨迹r0(t)；S2、根据列车牵引力控制输入uk(t)与列车动力系统的关系，记录列车实际运行速度vk(t)；根据参考轨迹rk(t)和列车实际运行轨迹yk(t)得出跟踪误差Ek；S3、判断列车所能承受的最大跟踪误差CT是否大于Ek；S4、条件不满足，更新控制率及参考轨迹。本发明能够放宽列车对参考轨迹的依赖、保证准时。
Description
技术领域
本发明涉及列车自动驾驶领域，尤其涉及一种列车精确跟踪控制方法。
背景技术
列车的安全高效运行依赖于一个先进的列车自动驾驶(Automatic TrainOperation，ATO)策略。典型的ATO系统主要是由顶层时刻表的优化和底层曲线跟踪控制组成。顶层时刻表的优化主要是基于车站之间的距离、旅行时间、线路状况、列车自身牵引/制动特性等信息，利用先进的优化算法，综合考虑安全、舒适、准时、节能等性能得到的一条理想的速度-位移运行曲线，图1是一条最基本的速度-位移曲线，曲线包括加速、巡航、惰行、刹车阶段。底层曲线跟踪控制则是利用先进的跟踪控制算法使得高速列车能够精确的跟踪给定的速度-位移运行曲线。
从列车控制任务分析可知，列车只需按照列车时刻表在规定的时间点到达指定的站点，而无需对中间运行过程每个点进行精确跟踪。本发明将设计一种基于迭代学习控制的列车跟踪控制方法，该方法能够放松对列车运行动力学模型的要求，通过列车的重复运行提高跟踪性能。
发明内容
本发明提供了一种列车运行自动驾驶方法，能够达到列车的精确跟踪控制，满足准时性要求。
本发明提供了一种基于迭代学习控制的列车运行控制方法，包括：
系统初始化：令列车的运行次数k＝0，运行时间区间为t∈[0，T]，采样频率f＝1赫兹，采样数为N＝T·f个，列车的初始控制输入为u0(t)；列车要在指定的时间点t1，t2，…，tM到达指定的地点yd(t1)，yd(t2)，…，yd(tM)，通过插值的方法求得通过上述所有指定点的期望参考轨迹r0(t)；
根据列车的牵引力控制输入uk(t)与列车动力学系统的关系，得出列车实际运行速度vk(t)和实际位移yk(t)；
根据参考轨迹rk(t)和记录的列车实际运行轨迹yk(t)的关系，得出跟踪误差Ek；
根据列车跟踪系统所能承受的最大跟踪误差CT和跟踪误差Ek的关系，得出跟踪误差Ek是否满足条件；
根据Ek是否满足条件跳转条件，得出不更新控制率及参考轨迹保持或者更新控制率以及参考轨迹，列车进入下一次运行控制，执行k＝k+1操作。
进一步地，对系统进行初始化操作，包括：
令列车的运行次数k＝0，运行时间区间为t∈[0，T]，采样频率f＝1赫兹，采样数为N＝T·f个；
根据常规控制方法，给出列车的初始控制输入u0(t)，t∈[0，T]的取值；
根据列车要在指定的时间点t1，t2，…，tM到达指定的地点yd(t1)，yd(t2)，…，yd(tM)，通过三次多项式插值的方法得出通过上述所有指定点的期望参考轨迹r0(t)；
进一步地，所述根据列车的牵引力控制输入uk(t)与列车动力学系统的关系得出列车实际运行速度vk(t)和实际位移yk(t)，包括：
根据列车的牵引力控制输入uk(t)与列车运行动力学系统的关系，得到列车实际运行速度vk(t)和位移yk(t)，
列车运行动力学系统满足牛顿力学第二定律，其动力学模型为
其中，k为列车运行的次数，vk为列车的速度，yk为列车的位移，uk为列车的控制输入，
为列车的基本阻力，fa为列车的附加阻力；
根据参考轨迹rk(t)和记录的列车实际运行轨迹yk(t)的关系，得出跟踪误差Ek，跟踪误差Ek的定义为
进一步地，根据列车跟踪系统所能承受的最大跟踪误差CT和跟踪误差Ek的关系，得出跟踪误差Ek是否满足条件，包括：
根据列车实际系统运行要求，得出列车跟踪系统所能承受的最大跟踪误差CT。
进一步地，判断Ek≤CT，当条件满足，控制率及参考轨迹保持不更新，当条件不满足，控制率以及参考轨迹更新，包括：
条件满足，控制率及参考轨迹保持不更新，列车本次运行时的控制输入及参考轨迹与列车下次运行时的控制输入及参考轨迹相等，即
列车进入下一次运行控制，执行k＝k+1操作。
条件不满足，控制率以及参考轨迹更新，更新率为
其中，L，F为对角权重矩阵
H＝diag(h(1)，h(2)，…，h(N))，h(t)＝(t-t1)(t-t2)…(t-tM)
列车进入下一次运行控制，执行k＝k+1操作。
进一步地，根据常规控制方法，得出列车的初始控制输入u0(t)，t∈[0，T]，包括：
常规控制方法为基于反馈的P型控制器：
其中kp为比例增益系数，比例增益系统系数通过Ziegler-Nichols整定公式求得。
进一步地，列车所能承受的最大跟踪误差CT的取值范围为：1至5米。
进一步地，权重矩阵L，F的选取依据为：
L＝diag(l，l，…，l)，其中l的取值范围为：1.5至2；
F＝diag(f，f，…，f)，其中f＝-α·sgn(h(t))/max(h(t))，α的取值范围为：0.5至0.7，其中sgn(·)是符号函数，max(·)是取最大值函数。
通过本发明提供的一种基于迭代学习控制的列车运行控制方法，根据列车要在指定的时间点t1，t2，…，tM到达指定的地点yd(t1)，yd(t2)，…，yd(tM)，得到列车精确跟踪控制方法，本方法中不需提前对参考轨迹进行规划，并且能够利用列车重复运行的信息达到列车的精确跟踪控制，保证了列车的准时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明背景技术提供的列车理想速度-位移曲线图。
图2是本发明实施例提供的基于迭代学习控制的列车运行控制流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清晰，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种基于迭代学习控制的列车运行控制方法，参见图2，具体包括：
S1、对系统进行初始化：令列车的运行次数k＝0，运行时间区间为t∈[0，T]，采样频率为f，采样数为N个，列车的初始控制输入为u0(t)；根列车要在指定的时间点t1，t2，…，tM到达指定的地点yd(t1)，yd(t2)，…，yd(tM)，通过插值的方法求得通过上述所有指定点的期望参考轨迹r0(t)；
S2、根据列车的牵引力控制输入uk(t)与列车动力学系统的关系，得出列车实际运行速度vk(t)和实际位移；根据参考轨迹rk(t)和记录的列车实际运行轨迹yk(t)的关系，得出跟踪误差Ek；
S3、根据列车跟踪系统所能承受的最大跟踪误差CT和跟踪误差Ek的关系，得出跟踪误差Ek是否满足条件；
S4、根据Ek是否满足条件跳转条件，得出不更新控制率及参考轨迹保持或者更新控制率以及参考轨迹，列车进入下一次运行控制，执行k＝k+1操作。
通过本发明提供的一种基于迭代学习控制的列车运行控制方法，列车要在指定的时间点t1，t2，…，tM到达指定的地点yd(t1)，yd(t2)，…，yd(tM)，得到列车精确跟踪控制方法，本方法中不需提前对参考轨迹进行规划，并且能够利用列车重复运行的信息达到列车的精确跟踪控制，保证了列车的准时性。
可选地，步骤S1具体包括：
令列车的运行次数k＝0，运行时间区间为t∈[0，T]，采样频率f＝1赫兹，采样数为N＝T·f个；
根据常规控制方法，给出列车的初始控制输入u0(t)，t∈[0，T]，常规控制方法为基于反馈的P型控制器：
其中kp为比例增益系数，比例增益系统系数通过Ziegler-Nichols整定公式求得。
根据列车要在指定的时间点t1，t2，…，tM到达指定的地点yd(t1)，yd(t2)，…，yd(tM)，通过三次多项式插值的方法得出通过上述所有指定点的期望参考轨迹r0(t)；
可选地，步骤S2是根据列车的控制输入uk(t)和列车动力学系统的关系，得出列车实际运行速度vk(t)和实际位移yk(t)，
列车运行动力学系统满足牛顿力学第二定律，其运行动力学模型为
其中，k为列车运行的次数，vk为列车的速度，yk为列车的位移，uk为列车的控制输入，
为列车的基本阻力，fa为列车的附加阻力；
控制输入uk(t)作用到列车，列车就会有对应的速度vk(t)和位移yk(t)，列车速度和位移都可以通过车载设备获得。
需要特别说明的是：参数a，b，c和fa是列车运行动力学系统的固有参数，不同的列车参数值不相同，本发明设计的基于迭代学习控制的列车运行控制方法无需参数a，b，c和fa的任何信息，因此该方法可以应用到各类列车的运行控制当中；
可选地，步骤S3是判断当前次的控制输入是否满足控制的要求，具体表现为：比较列车跟踪系统所能承受的最大跟踪误差CT和与当前次的跟踪误差Ek的关系，如果前次的跟踪误差Ek小于列车跟踪系统所能承受的最大跟踪误差CT，则认为当前次的控制输入为最优的控制输入，反之，则需要通过本次跟踪误差更新列车下一次运行所需的控制输入uk+1(t)和参考轨迹rk+1(t)。
可选地，步骤S4是根据Ek是否满足条件跳转条件，得出不更新控制率及参考轨迹保持或者更新控制率以及参考轨迹，列车进入下一次运行控制，执行k＝k+1操作，具体表现为：
条件满足，控制率及参考轨迹保持不更新，列车本次运行时的控制输入及参考轨迹与列车下次运行时的控制输入及参考轨迹相等，即
列车进入下一次运行控制，执行k＝k+1操作；
条件不满足，控制率以及参考轨迹更新，更新率为
其中，L，F为对角权重矩阵
H＝diag(h(1)，h(2)，…，h(N))，h(t)＝(t-t1)(t-t2)…(t-tM)
列车进入下一次运行控制，执行k＝k+1操作。
通过上述描述可见，本发明实施例具有如下有益效果：
1、通过本发明实施例提供的一种基于迭代学习控制的列车运行控制方法，根据列车要在指定的时间点t1，t2，…，tM到达指定的地点yd(t1)，yd(t2)，…，yd(tM)，得到列车精确跟踪控制方法，本方法中不需提前对参考轨迹进行规划，并且能够利用列车重复运行的信息达到列车的精确跟踪控制，保证了列车的准时性。
2、通过本发明实施例提供的一种基于迭代学习控制的列车运行控制方法，将列车的参考轨迹设计与曲线轨迹的跟踪控制统筹进行设计，减小了列车运行控制系统实现的难度。
3、通过本发明实施例提供的一种基于迭代学习控制的列车运行控制方法，处理过程简单，对计算机计算能力要求低。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (8)
1.一种基于迭代学习控制的列车运行控制方法，其特征在于，该方法包括如下步骤：
S1、系统初始化：令列车的运行次数k＝0，运行时间区间为t∈[0,T]，采样间隔1秒，采样数为N个，列车的初始控制输入为u0(t)；根据列车运行时刻表，即列车要在指定的时间点t1,t2,…,tM到达指定的地点yd(t1),yd(t2),…,yd(tM),通过插值的方法求得通过(t1,yd(t1)),(t2,yd(t2)),…,(tM,yd(tM))的期望参考轨迹r0(t)；
S2、将列车的牵引力控制输入uk(t)作用到列车运行控制系统，记录列车实际运行速度vk(t)和实际位移yk(t)；根据参考轨迹rk(t)和记录的列车实际运行轨迹yk(t)计算跟踪误差Ek(t)；
S3、根据列车跟踪系统所能承受的最大跟踪误差CT，判断跟踪误差Ek(t)是否满足条件；
S4、若条件满足，控制率及参考轨迹保持不变，若条件不满足，更新控制率以及参考轨迹。
2.根据权利要求1所述的基于迭代学习控制的列车运行控制方法，其特征在于，步骤S1进一步包括如下子步骤：
S1.1、令k＝0，给出列车的初始控制输入u0(t),t∈[0,T]的取值；
S1.2、通过插值的方法给出列车期望参考轨迹r0(t)，
根据列车在指定的时间点t1,t2,…,tM到达指定的地点yd(t1),yd(t2),…,yd(tM)，通过三次多项式插值的方法求得通过指定点(t1,yd(t1)),(t2,yd(t2)),…,(tM,yd(tM))的期望参考轨迹r0(t)。
3.根据权利要求1所述的基于迭代学习控制的列车运行控制方法，其特征在于，步骤S2进一步包括如下子步骤：
S2.1、将列车的牵引力控制输入uk(t)作用到列车运行控制系统，记录列车实际运行速度vk(t)和位移yk(t)，
列车的实际运行满足牛顿力学第二定律，其动力学模型为
其中，k为列车运行的次数，vk为列车的速度，yk为列车的位移，uk为列车的控制输入，
为列车的基本阻力，fa为列车的附加阻力；参数a、b、c是列车运行动力学系统的固有参数；
S2.2、根据参考轨迹rk(t)和记录的列车实际运行轨迹yk(t)计算跟踪误差Ek，跟踪误差Ek的定义为
4.根据权利要求1所述的基于迭代学习控制的列车运行控制方法，其特征在于，步骤S3是根据列车系统实际的跟踪误差与列车所能承受的最大跟踪误差进行比较，进而判断跳转的方向。
5.根据权利要求1所述的基于迭代学习控制的列车运行控制方法，其特征在于，步骤S4是跳转的分类，当条件满足，控制率及参考轨迹保持不更新，若条件不满足，控制率以及参考轨迹更新，下面给出两种情况：
控制率及参考轨迹保持不更新，此处的不更新是指列车本次运行时的控制输入及参考轨迹与列车下次运行时的控制输入及参考轨迹相等，即
控制率以及参考轨迹更新，更新率为
6.根据权利要求2所述的基于迭代学习控制的列车运行控制方法，其特征在于，初始控制输入u0(t)基于反馈进行设计，其中
kp为比例增益系数，比例增益系统系数通过Ziegler-Nichols整定公式求得。
7.根据权利要求4所述的基于迭代学习控制的列车运行控制方法，其特征在于，列车所能承受的最大跟踪误差CT的取值范围为：1至5米。
8.根据权利要求5所述的基于迭代学习控制的列车运行控制方法，其特征在于，权重矩阵L,F的选取依据为：
L＝diag(l,l,…,l)，其中l的取值范围为：1.5至2；
F＝diag(f,f,…,f)，其中f＝-α·sgn(h(t))/max(h(t))，α的取值范围为：0.5至0.7。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710658290.2A CN107640183B (zh) | 2017-07-31 | 2017-07-31 | 一种基于迭代学习控制的列车运行控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710658290.2A CN107640183B (zh) | 2017-07-31 | 2017-07-31 | 一种基于迭代学习控制的列车运行控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107640183A CN107640183A (zh) | 2018-01-30 |
| CN107640183B true CN107640183B (zh) | 2020-08-25 |
Family
ID=61111013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710658290.2A Active CN107640183B (zh) | 2017-07-31 | 2017-07-31 | 一种基于迭代学习控制的列车运行控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107640183B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109017884B (zh) * | 2018-07-18 | 2020-03-31 | 北京交通大学 | 基于学习的列车自动运行控制方法 |
| CN112109773B (zh) * | 2020-09-01 | 2021-08-27 | 北京航空航天大学 | 一种基于h∞和多目标优化的列车速度控制方法 |
| CN112537346B (zh) * | 2020-12-15 | 2022-06-03 | 南京邮电大学 | 防撞最优车距的控制方法 |
| CN112590738B (zh) * | 2020-12-23 | 2022-03-08 | 交控科技股份有限公司 | 兼容不同代际车辆的ato停车控制方法 |
| CN113791611B (zh) * | 2021-08-16 | 2024-03-05 | 北京航空航天大学 | 一种车辆在干扰下的实时跟踪迭代学习控制系统及方法 |
| CN113753082B (zh) * | 2021-09-17 | 2023-03-10 | 京东鲲鹏(江苏)科技有限公司 | 无人车轨迹更新方法及装置、控制方法及电子设备 |
| CN115128957B (zh) * | 2022-07-20 | 2023-03-14 | 西南交通大学 | 一种基于迭代学习的重载列车运行控制方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6686716B1 (en) * | 2001-07-18 | 2004-02-03 | Itt Manufacturing Enterprises, Inc. | Tuned open-loop switched to closed-loop method for rapid point-to-point movement of a periodic motion control system |
| US7221654B2 (en) * | 2001-11-13 | 2007-05-22 | Nokia Corporation | Apparatus, and associated method, for selecting radio communication system parameters utilizing learning controllers |
| CN104590333B (zh) * | 2014-12-11 | 2016-08-17 | 中国北车集团大连机车研究所有限公司 | 一种铁路列车智能操纵优化控制系统 |
| CN105607598A (zh) * | 2016-01-12 | 2016-05-25 | 北京交通大学 | 一种列车辅助驾驶系统及其方法 |
| CN106154840A (zh) * | 2016-09-27 | 2016-11-23 | 中南大学 | 一种基于模型预测控制的重载组合列车异步制动装置及方法 |
| CN106529023B (zh) * | 2016-11-09 | 2019-06-18 | 南京工程学院 | 一种基于迭代学习的地铁列车自动运行速度控制方法 |
-
2017
- 2017-07-31 CN CN201710658290.2A patent/CN107640183B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107640183A (zh) | 2018-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107640183B (zh) | 一种基于迭代学习控制的列车运行控制方法 | |
| CN112622903B (zh) | 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法 | |
| Fischer et al. | Saturated control of an uncertain nonlinear system with input delay | |
| US20200278686A1 (en) | Iterative Feedback Motion Planning | |
| Altché et al. | High-speed trajectory planning for autonomous vehicles using a simple dynamic model | |
| CN103149937B (zh) | 一种基于曲率补偿的横侧向曲线航迹跟踪方法 | |
| CN108710294B (zh) | 一种无人车路径跟踪前馈控制方法 | |
| Fahimi | Full drive-by-wire dynamic control for four-wheel-steer all-wheel-drive vehicles | |
| CN109017808B (zh) | 一种无人驾驶汽车模型预测控制器设计方法 | |
| US20230078812A1 (en) | Iterative learning control method for multi-particle vehicle platoon driving system | |
| CN103926839A (zh) | 一种轮式移动机器人的运动分段控制方法 | |
| Yang et al. | Speed tracking control using an ANFIS model for high-speed electric multiple unit | |
| Ming et al. | MPC-based trajectory tracking control for intelligent vehicles | |
| CN106056238B (zh) | 列车区间运行轨迹的规划方法 | |
| CN112666833A (zh) | 一种用于电动自动驾驶车辆的车速跟随自适应鲁棒控制方法 | |
| Kim et al. | Smooth model predictive path integral control without smoothing | |
| Kapania | Trajectory planning and control for an autonomous race vehicle | |
| CN110825095A (zh) | 一种自动驾驶车辆横向控制方法 | |
| CN106708044A (zh) | 基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法 | |
| CN114527795B (zh) | 一种基于增量在线学习的飞行器智能控制方法 | |
| Zhang et al. | Active camber for enhancing path following and yaw stability of over-actuated autonomous electric vehicles | |
| Kim et al. | TOAST: Trajectory Optimization and Simultaneous Tracking Using Shared Neural Network Dynamics | |
| Bauer et al. | A two-layer approach for predictive optimal cruise control | |
| CN111002302B (zh) | 结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法 | |
| Piccinini et al. | A physics-driven artificial agent for online time-optimal vehicle motion planning and control |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200731 Address after: 102617 Beijing city Daxing District Qingyuan Road No. 19 Applicant after: BEIJING INSTITUTE OF PETROCHEMICAL TECHNOLOGY Address before: 100007 No. 1 East Main Street, Dongcheng District, Beijing, Andingmen Applicant before: Li Zhenxuan |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |