CN109204007B - 一种无人驾驶的悬挂式磁悬浮列车及其控制方法 - Google Patents
一种无人驾驶的悬挂式磁悬浮列车及其控制方法 Download PDFInfo
- Publication number
- CN109204007B CN109204007B CN201810993540.2A CN201810993540A CN109204007B CN 109204007 B CN109204007 B CN 109204007B CN 201810993540 A CN201810993540 A CN 201810993540A CN 109204007 B CN109204007 B CN 109204007B
- Authority
- CN
- China
- Prior art keywords
- train
- passenger
- data
- magnetic suspension
- automatic
- 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
- 239000000725 suspension Substances 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims description 41
- 230000006870 function Effects 0.000 claims description 29
- 238000005339 levitation Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 14
- 230000003993 interaction Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 230000001172 regenerating effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L13/00—Electric propulsion for monorail vehicles, suspension vehicles or rack railways; Magnetic suspension or levitation for vehicles
- B60L13/04—Magnetic suspension or levitation for vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
一种无人驾驶的悬挂式磁悬浮列车及其控制方法和系统,其中的乘客识别系统通过人脸识别技术识别乘客,其中的语音识别系统识别乘客指令,并对乘客数据库进行更新。该列车的无人驾驶系统包括:列车自动防护模块、列车自动监控模块和列车自动驾驶模块,该无人驾驶系统通过与所述乘客识别系统、所述语音识别系统的交互,以人工智能的方式对悬挂式磁悬浮列车进行运行、组织、管理和服务,实现智能化无人驾驶和人车友好交互。
Description
技术领域
本发明涉及磁悬浮技术,尤其涉及一种悬挂式磁悬浮列车。
背景技术
随着近年社会对环境要求的提高以及节能减排的日益重视,建设新型绿色交通工具也逐渐成为研究的重要领域,悬挂式磁悬浮列车成为磁浮交通领域的研究热点之一。
同时,随着人工智能的快速发展,短短几年内,各行各业开始涌现出一大批人工智能的研究者。目前,人工智能主要致力于大数据处理、图像识别、语音处理等方向的应用。2016年以来,人工智能进入了井喷式发展的快车道,各种应用也接踵而至:汽车、航空、医疗、军事、工业等领域都开始出现人工智能产品,逐渐开始替代传统的产品。
但是,磁悬浮领域,由于其控制系统集成度高、复杂性大、对控制的实时性要求高,因此,现有的无人驾驶技术或人工智能技术无法直接应用于磁悬浮系统。
因此,目前急需一种能够实现人工智能的悬挂式悬浮列车无人驾驶控制技术。
发明内容
为了解决现有技术存在的不足,本发明的目的在于提供一种无人驾驶的悬挂式磁悬浮列车及其控制方法。
首先,为实现上述目的,提出一种无人驾驶的悬挂式磁悬浮列车,包括:车厢;磁悬浮系统,连接所述车厢的顶部,用以为所述车厢提供悬浮力,并驱动所述悬挂式磁悬浮列车沿磁悬浮轨道运行。其中,还包括无人驾驶系统、乘客识别系统、语音识别系统和乘客数据库;所述乘客识别系统连接所述语音识别系统,所述语音识别系统连接所述无人驾驶系统,所述无人驾驶系统连接所述磁悬浮系统,所述乘客识别系统和所述语音识别系统还与所述乘客数据库交互;其中:
所述无人驾驶系统或列车自动控制系统(ATC)包括:列车自动防护模块(ATP)、列车自动监控模块(ATS)和列车自动驾驶模块(ATO)。其中:列车自动防护模块包括:设置在所述磁悬浮系统上的传感器或定位装置,所述列车自动防护模块与所述列车自动驾驶模块连接,用以通过所述传感器或所述定位装置获取关于所述悬挂式磁悬浮列车的车速和位置的数据,并与所述列车自动驾驶模块交互所述车速和位置的数据;所述列车自动监控模块包括:调度中心数据接口、车站数据接口以及车载设备;所述调度中心数据接口用以接收调度中心发出的第一调度数据,所述车站数据接口用以接收当前车站发出的第二调度数据;所述车载设备用以控制所述车厢的车门开启或关闭;所述列车自动监控模块还与所述列车自动驾驶模块连接,所述列车自动监控模块用以与所述列车自动驾驶模块交互所述第一调度数据、所述第二调度数据以及所述车门开启或关闭的数据;所述列车自动驾驶模块连接所述列车自动防护模块、所述列车自动监控模块和所述磁悬浮系统,用以控制所述磁悬浮系统驱动所述悬挂式磁悬浮列车运行或停止;
所述乘客识别系统包括:摄像头和人脸识别单元。其中:所述摄像头采集乘客图像数据,将所述乘客图像数据传输至所述人脸识别单元;所述人脸识别单元用以对所述乘客图像数据进行处理,根据处理后的所述乘客图像数据进行特征提取以生成特征向量,将所述特征向量与乘客数据库中的信息比对以获得乘客身份信息,输出所述乘客身份信息或所述乘客数据库中与该乘客身份信息对应的乘客指令;
所述语音识别系统包括:音频采集单元、指令识别单元和指令输出单元。其中:所述音频采集单元用以采集音频,并对音频进行处理,存储处理后的音频,并将所述处理后的音频输出至所述指令识别单元;所述指令识别单元用以对所述处理后的音频应用声学模型进行计算,获得音节数据;而后对音节数据应用语言模型进行计算,获得乘客指令;所述指令输出单元用以接收所述乘客身份信息和所述乘客指令,向所述无人驾驶系统输出所述乘客指令,并根据所述乘客指令与所述乘客身份信息更新所述乘客数据库;
所述乘客数据库存储有不同乘客的乘客信息,所述乘客信息包括有:与乘客对应的特征向量、乘客身份信息以及乘客指令。
可选的,如上所述的无人驾驶的悬挂式磁悬浮列车,其中,所述音频采集单元中,对音频进行处理的步骤为:步骤a1,设置本底噪声门限以及有效数据判断门限;步骤a2,以固定周期采集所述音频,分别将各个周期内的音频数据缓存至缓存单元;步骤a3,将所述缓存单元内存储的音频数据与本底噪音门限比较,统计音频数据超过所述本底噪声门限的缓存单元的个数k;步骤a4,在k达到有效数据判断门限时,判断为有语音输入,滤除各缓存单元内存储的音频数据中的本底噪声,然后按照缓存的前后顺序,存储所述处理后的音频,并将所述处理后的音频输出至所述指令识别单元;在k未达到有效数据判断门限时,判断为无语音输入,清空所述缓存单元。
可选的,如上所述的无人驾驶的悬挂式磁悬浮列车,其中,所述指令识别单元中,所述声学模型为马尔可夫声学模型,并采用卷积神经网络构建所述马尔可夫声学模型。
可选的,如上所述的无人驾驶的悬挂式磁悬浮列车,其中,所述指令识别单元中,所述语言模型为N-Gram语言模型,并采用循环神经网络构建所述N-Gram语言模型;所述指令识别单元中,以所述马尔可夫声学模型的输出作为所述N-Gram语言模型的初始状态进行训练。
可选的,如上所述的无人驾驶的悬挂式磁悬浮列车,其中,所述磁悬浮系统包括轨道,所述轨道上设有信标;所述列车自动防护模块中的传感器感应所述信标,根据所述信标获得所述悬挂式磁悬浮列车的位置;所述列车自动防护模块还用以根据所述位置数据计算所述悬挂式磁悬浮列车的车速。
其次,为实现上述目的,还提出一种应用于该无人驾驶的悬挂式磁悬浮列车的控制方法。基于该方法,所述无人驾驶系统按照如下步骤控制所述悬挂式磁悬浮列车运行或停止:步骤s1,列车自动防护模块、列车自动监控模块分别与所述列车自动驾驶模块交互,所述列车自动驾驶模块根据所述第一调度数据、所述第二调度数据、所述车门开启或关闭的数据、所述车速和位置的数据以及所述乘客指令判断是否满足发车安全条件;若满足所述发车安全条件则跳转至步骤s2,否则控制所述磁悬浮系统保持制动;步骤s2,所述列车自动驾驶模块控制所述磁悬浮系统解除制动,启动所述悬挂式磁悬浮列车并逐渐加速;步骤s3,所述列车自动防护模块实时检测所述车速和位置的数据,所述实时获取所述第一调度数据、所述第二调度数据、所述车门开启或关闭的数据,所述列车自动驾驶模块根据所述第一调度数据、所述第二调度数据、所述车门开启或关闭的数据、所述车速和位置的数据以及所述乘客指令建立模型,并根据目标函数对所述模型进行求解计算,根据计算结果输出控制信号至所述磁悬浮系统;步骤s4,所述磁悬浮系统根据所述控制信号驱动所述悬挂式磁悬浮列车运行或停止。
可选的,如上所述的控制方法,其中,所述模型中,所述目标函数为:其中,v表示车速;f表示牵引能耗函数,在不考虑再生制动时,牵引能耗函数为u∈[0,p]区间的连续单调增函数,[-q,0]内f(u)=0;而当考虑再生制动时,f在整个[-q,p]区间单调递增,且f(0)=0;T表示一个时间步长;t表示时间;u表示控制级位;由所述第一调度数据、所述第二调度数据、所述车门开启或关闭的数据、所述车速和位置的数据以及所述乘客指令构建,包括安全性约束、精确性约束和动静态限速:所述全性约束包括对所述悬挂式磁悬浮列车启动或制动时的加速度的限制;所述精确性约束包括所述第一调度数据、所述第二调度数据,以及所述悬挂式磁悬浮列车制动时停止位置和预设位置的偏差;所述动静态限速要求车速v满足0≤v≤vlim;其中,所述vlim表示限制速度,vlim=min(v′lim,v″lim);其中,所述v′lim表示静态限制速度,v″lim表示动态限制速度;其中,其中,所述表示第i个时间步长车前第一个控制信号的状态;g”表示控制信号的状态与动态限速的关系。
可选的,如上所述的控制方法,其中,所述步骤s3中,所述列车自动驾驶模块在根据所述第一调度数据或所述第二调度数据判断需要会车时,通过协同优化算法,根据所述目标函数对所述模型进行求解计算,根据计算结果输出控制信号至所述磁悬浮系统,实现会车。
可选的,如上所述的控制方法,其中,所述步骤s3中,所述列车自动驾驶模块通过遗传算法,根据所述目标函数对所述模型进行求解计算,根据计算结果输出控制信号至所述磁悬浮系统,实现对所述悬挂式磁悬浮列车的驱动或制动。
有益效果
本发明,基于人工智能技术进行悬挂式磁悬浮列车的运行、组织、管理和服务,实现智能化无人驾驶和人车友好交互。具体,本发明在用户在上车前通过摄像头进行人脸图像抓取和身份识别,认证通过后系统会调取用户的相关历史数据和客户分类情况,进行余额管理的同时打开车门。用户上车后可以通过语音或者人机界面输入目的地,控制单元根据运行距离、线路条件、天气状况等因素,自动组织行车任务。行车期间,用户可以通过语音和人机界面进行环境设置和多媒体切换,例如播放音乐、听取新闻、了解天气等等,也可以通过后台预约酒店、给客户留言等,使得乘客能在乘坐过程中做更多有意义的事情。同时,系统还会对用户每一次的指令进行准确记录,更新乘客数据库以修正客户画像。在乘客再次乘车时,基于该客户画像,智能地匹配空调温度、灯光亮度等环境设置和多媒体设置,以便提供更高质量的服务。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,并与本发明的实施例一起,用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明的无人驾驶的悬挂式磁悬浮列车的系统框图;
图2为本发明的无人驾驶的悬挂式磁悬浮列车系统中乘客数据库对客户画像进行修正的示意图;
图3为本发明中语音识别系统中循环神经网络的网络结构示意图;
图4为上述循环神经网络中的一个单元的结构示意图;
图5为本发明的无人驾驶的悬挂式磁悬浮列车系统中无人驾驶系统的示意图;
图6为本发明中无人驾驶系统内模糊控制器的结构示意图;
图7为本发明中无人驾驶系统内列车自动防护模块的框图;
图8为本发明中对列车进行运行、组织、管理和服务的系统框架;
图9为本发明中多车协同优化操作算法图;
图10为本发明中应用的自适应遗传算法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1为根据本发明的无人驾驶的悬挂式磁悬浮列车,包括:车厢(1);磁悬浮系统(2),连接所述车厢的顶部,用以为所述车厢提供悬浮力,并驱动所述悬挂式磁悬浮列车沿磁悬浮轨道运行。其中,还包括无人驾驶系统(3)、乘客识别系统(4)、语音识别系统(5)和乘客数据库(6);所述乘客识别系统连接所述语音识别系统,所述语音识别系统连接所述无人驾驶系统,所述无人驾驶系统连接所述磁悬浮系统,所述乘客识别系统和所述语音识别系统还与所述乘客数据库交互;其中:
所述无人驾驶系统或列车自动控制系统(ATC)(3)包括:列车自动防护模块(ATP)、列车自动监控模块(ATS)和列车自动驾驶模块(ATO)。其中:列车自动防护模块包括:设置在所述磁悬浮系统(2)上的传感器或定位装置,所述列车自动防护模块与所述列车自动驾驶模块连接,用以通过所述传感器或所述定位装置获取关于所述悬挂式磁悬浮列车的车速和位置的数据,并与所述列车自动驾驶模块交互所述车速和位置的数据;所述列车自动监控模块包括:调度中心数据接口、车站数据接口以及车载设备;所述调度中心数据接口用以接收调度中心发出的第一调度数据(例如,列车时刻表、运行图、目的地、运行等级、车次车号等),所述车站数据接口用以接收当前车站发出的第二调度数据(例如,停车点、停车站台等);所述车载设备用以控制所述车厢的车门开启或关闭;所述列车自动监控模块还与所述列车自动驾驶模块连接,所述列车自动监控模块用以与所述列车自动驾驶模块交互所述第一调度数据、所述第二调度数据以及所述车门开启或关闭的数据;所述列车自动驾驶模块连接所述列车自动防护模块、所述列车自动监控模块和所述磁悬浮系统(2),用以控制所述磁悬浮系统驱动所述悬挂式磁悬浮列车运行或停止;
所述乘客识别系统(4)包括:摄像头和人脸识别单元。其中:所述摄像头采集乘客图像数据,将所述乘客图像数据传输至所述人脸识别单元;所述人脸识别单元用以对所述乘客图像数据进行处理,根据处理后的所述乘客图像数据进行特征提取以生成特征向量,将所述特征向量与乘客数据库中的信息比对以获得乘客身份信息,输出所述乘客身份信息或所述乘客数据库中与该乘客身份信息对应的乘客指令;其中,所述特征提取可针对乘客图像内的特征点之间的欧式距离、曲率等。
所述语音识别系统(5)包括:音频采集单元、指令识别单元和指令输出单元。其中:所述音频采集单元用以采集音频,并对音频进行处理,存储处理后的音频,并将所述处理后的音频输出至所述指令识别单元;所述指令识别单元用以对所述处理后的音频应用声学模型进行计算,获得音节数据;而后对音节数据应用语言模型进行计算,获得乘客指令;所述指令输出单元用以接收所述乘客身份信息和所述乘客指令,向所述无人驾驶系统输出所述乘客指令,并根据所述乘客指令与所述乘客身份信息更新所述乘客数据库;
所述乘客数据库(6)存储有不同乘客的乘客信息,所述乘客信息包括有:与乘客对应的特征向量、乘客身份信息以及乘客指令。其中所述乘客指令可包括乘客的乘车区间、其喜欢的车厢温度、喜欢的背景音乐等个性化的控制指令。
列车系统整体控制架构可参考图8。主要包括刷脸识别认证、客户画像、语音交互系统、无人驾驶系统:乘客上车后,首先启动摄像头,进行拍照,系统通过对乘客人脸的抓拍、特征提取,进行算法识别,与乘客的信息库进行匹配,识别通过后,系统启动,以供乘客使用,此套技术增加了系统的安全性,根据人脸的生物特性,可以通过算法的精度提高,将其做到精确读很高的程度,增加系统的安全性,同时也可以防止一些不法分子的使用等。人脸认证通过后,会通过人脸匹配事先在服务器建立好的个人数据库,包扩余额等消费信息,以及乘客以前乘车的兴趣爱好等,将这些信息一起导入进来,同时乘客在乘车过程中,会发出指令等,系统会自动记录。并且进行客户画像,将个人数据库进行相应的更改,这样,同一乘客多乘坐几次列车,系统便会有一套此用户的画像,首先系统将根据该乘客的客户画像进行自动智能设置,例如常用路线的选择、歌曲播放、空调温度、感兴趣的新闻类型等,进而等待乘客的下一步指令。人脸认证通过后,系统根据客户画像,将乘客的电子信息系统自动导入,乘客选择好出发路线后,列车将启动,车在行进过程中,其会车、调度等问题都要由系统自动智能完成,同时乘客可以进行语音控制列车内的一些基本设置,例如语音点歌、语音播报新闻、语音听取天气等重要信息,到站后列车会自动提醒乘客到站。乘客上车后,系统身份认证通过后,乘客可以通过语音输入与触摸屏输入的方式,将目的地输入系统,列车将进行自动驾驶设置,期间,列车将自主完成避车、会车,同时还要完成数据监测与分析的功能,安全抵达目的地。
本实施例中,刷脸识别认证通过如下方式进行:
用户上车触发摄像头,进行提示用户对准摄像头进行拍照,此过程只需2秒即可完别识别是一种生物识别技术,它依赖于人的脸部特征,其脸部图像及视频流可以通过摄像头等装备采集,对检测到的人脸进行一系列的脸部相关技术处理,包扩人脸检测,人脸关键点检测,人脸验证等。将人脸识别用于在无人驾驶技术中,可以利用人脸检测来进行用户身份认证,其优点主要有以下三点:
(1)非强制性:采集方式隐蔽,不易察觉,也可主动获取识别图像。
(2)非接触性:用户无需与设备接触。
(3)并发性:可以同时进行对位用户的检测与身份识别。
本文中的人脸识别身份认证只要分为四个部分来完成,下面分别详细叙述这四个部分:
摄像头拍照图片进行采集用户信息
本文系统当乘客乘车时,系统检测有乘客进入车内成。摄像头采集到用户图片后,马上上传至后台程序进行下一步处理。
对获取的用户图像进行处理
为了后期将采集的照片更好的进行特征提取与匹配,需要对采集的乘客用户图片进行一定的处理,主要手段有饱和度的处理、拉伸变化、旋转变化、锐化和过滤等技术手段,也就是将图片通过处理后,能与我们家居系统库中的图片规格尽量保持高度相似,这样才能在后期的训练过程中有比较好的识别率,才能更加精准的识别用户身份,防止误识的情况出现。
对获取的人脸进行特征提取
对于计算机来说,图像他无法识别,因为它是模拟信号,要将其转化为数字信号,一张彩色图片在计算机中,就是一个三维矩阵,因此,可将图片的处理转化为矩阵的操作,那么对于摄像头采集的图像来说,脸部五官的位置可以确定下来,可以通过矩阵特征点间的欧氏距离、曲率等特征进行提取,将这些具有代表性的数据提取整理为我们的特征向量。
与磁悬浮列车系统中的人脸库进行匹配
本文的磁悬浮列车系统是针对广大公民生活使用,故需要提前对用户拍照存库,方便进行用户匹配,基于上述分析可得,将提取的摄像头拍照的用户图片的特征向量与本地库中的特征向量进行匹配,将匹配的相似度返回,就可以得到我们的正确率,从而设定阈值,进行程序的设计,控制家居系统的启动条件。根据上文叙述,首先要通过摄像头捕捉人脸,对人脸进行抓取,才能完成后文中的人脸比对识别,本专利主要利用python+opencv进行人脸识别开发。
本实施例中,客户画像通过如下方式进行:
本专利是智能悬挂式悬浮列车无人驾驶系统,为了丰富控制方法,创造一个有记忆功能的智能无人驾驶系统,系统设置了一个客户画像的功能,根据乘客多次的乘车记录,对其数据进行整理汇总,建立数据库,经程序分析后,会得到基于特定乘客的信息系统。乘客乘坐次数越多,其信息系统越完善,当乘客在次乘坐列车时,经人脸识别后,系统将会自动导入该乘客的信息系统,例如,自动播放乘客经常点的歌曲、自动播放乘客感兴趣的新闻类型等,等待乘客的进一步语音指令,同时,将本次乘客操作的信息也记录进乘客的电子信息系统中,不断完善,修正客户画像,其原理图如图2所示。
本实施例中,语音交互系统通过如下方式进行:
首先,音频采集:本系统需要采集乘客的语音指令,故需要对乘客的语音进行处理,本系统采用pyaudio模块进行处理音频,利用编程开发处理WAV音频的优越性,本专利将音频统一处理为wav文件,由于用户的语音是长短不一的,同时录音与识别是同时进行的,需要开启双线程进行语音识别,保证识别程序、录音程序一直运行,但是可能存在问题,例如:录音线程一直在不停地向硬盘写入文件,无论麦克风是否采集到有效的音频数据,由于录音线程不停地写入文件,导致音频队列一直有数据,识别线程也被迫一直工作,很多无效数据被上传到识别程序,使得程序效率降低,这是由于没有静音检测机制,一条音频时间长度固定,无效数据过多,影响传输效率造成的,针对这种问题,本专利提供解决问题的方法;
1、加入噪声滤除,本专利的噪音是根据实验获得,同时,针对不同的使用环境,噪音的值都有所不同,其目的在于采集人说话的声音,滤除环境噪声;
2、加入静音检测,当没有语音输入时,录音线程停止向硬盘写入文件,识别线程随之停止工作。
由于本专利的语音识别的速度很重要,所以对音频的处理速度也要跟的上,本专利采用numpy处理音频数据,具体达到一下技术指标:
1、设定本底噪音门限;
2、对每个pyaudio缓存内的麦克风采样数据进行统计,有多少个超过本底噪音;
3、设定有效数据门限;
4、将超过本底噪音的数据个数累加,与有效数据门限比较,超过则认为是有效数据;本底噪音就是一个阈值,不同的环境它的值是不同的,就是一个将人说话的声音和其他噪音区别开来的分割线。
5、在录音时间内,连续无效数据超过设定的上限后,认为用户输入完成,提前结束录音;
6、录音时间不能超过一分钟,超过部分自动计入第二段音频。
然后,语音识别:语音识别也就是自然语言处理的一个方向,主要是让计算机能听懂人类的语言,将语言中包含的信息提取出来,进而进行相关应用,语音控制与识别现在应用非常广泛,例如各种智能手机几乎后又语音助手,可以完成拔打电话、发送消息,放歌和自动开关手机上各种软件,还有新一代的语音产品,例如阿尔发球球、小艾同学与天猫精灵等语音产品,这些产品都给人们带来了一定的方便,受此启发,将语音控制应用到家具生活中,可以进行家电的相应控制,为人们服务,解放双手,本文这套系统主要是用户下达语音指令来控制相关系统的开关。
语音识别系统的模型通常由声学模型和语言模型两部分组成,分别对应于语音到音节概率的计算和音节到字概率的计算。本文使用的是马尔可夫的声学模型和N-Gram的语言模型。
声学建模:马尔可夫模型的概念是一个离散时域有限状态自动机,隐马尔可夫模型HMM是指这一马尔可夫模型的内部状态外界不可见,外界只能看到各个时刻的输出值。对语音识别系统,输出值通常就是从各个帧计算而得的声学特征。用HMM刻画语音信号需作出两个假设,一是内部状态的转移只与上一状态有关,另一是输出值只与当前状态(或当前的状态转移)有关,这两个假设大大降低了模型的复杂度。HMM的打分、解码和训练相应的算法是前向算法、Viterbi算法和前向后向算法。
语音识别中使用HMM通常是用从左向右单向、带自环、带跨越的拓扑结构来对识别基元建模,一个音素就是一个三至五状态的HMM,一个词就是构成词的多个音素的HMM串行起来构成的HMM,而连续语音识别的整个模型就是词和静音组合起来的HMM。
上下文相关建模:协同发音,指的是一个音受前后相邻音的影响而发生变化,从发声机理上看就是人的发声器官在一个音转向另一个音时其特性只能渐变,从而使得后一个音的频谱与其他条件下的频谱产生差异。上下文相关建模方法在建模时考虑了这一影响,从而使模型能更准确地描述语音,只考虑前一音的影响的称为Bi-Phone,考虑前一音和后一音的影响的称为Tri-Phone。
语言模型:N-Gram模型基于这样一种假设,第n个词的出现只与前面N-1个词相关,而与其它任何词都不相关,整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram和三元的Tri-Gram。
语言模型的性能通常用交叉熵和复杂度(Perplexity)来衡量。交叉熵的意义是用该模型对文本识别的难度,或者从压缩的角度来看,每个词平均要用几个位来编码。复杂度的意义是用该模型表示这一文本平均的分支数,其倒数可视为每个词的平均概率。平滑是指对没观察到的N元组合赋予一个概率值,以保证词序列总能通过语言模型得到一个概率值。通常使用的平滑技术有图灵估计、删除插值平滑、Katz平滑和Kneser-Ney平滑。
与图像识别不同,因为这里我们是捕捉的用户控制相关的语音指令,通常都是一句话,比如播放歌曲,播放天气预报等,输入的语音长度不一,故先使用卷积神经网络(CNN)构建声学模型,使用循环神经网络模型(RNN)构建语言模型,然后将声学模型的输出作为语言模型的初始状态进行训练,本文使用循环神经网络是长短时记忆模型(LSTM),具体的网络结构图如图3所示,网络中单元A内部结构如图4所示。
图4所示的LSTM模型的核心是一个内存单元c,在每次观察到这个步骤的输入的每一步中进行编码。单元的行为由“门”控制—层可以乘法应用,因此,如果门是1,则可以保持来自门控层的值,或者如果门是0,则该值为零。特别是,三个门正在用于控制是否忘记当前单元格值(忘记门f),是否应读取其输入(输入门i)以及是否输出新单元格值(输出门o)。门和单元更新和输出的定义如下:
it=σ(Wixxt+Wimmt-1) (1)
ft=σ(Wfxxt+Wfmmt-1) (2)
ot=σ(Woxxt+Wommt-1) (3)
ct=ft·ct-1+it·h(Wcxxt+Wcmmt-1) (4)
mt=ot·ct (5)
pt+1=Softmax(mt) (6)
LSTM展开示意图如图3,LSTM中的循环环节可以进行展开,则可以发现,输入就是一系列的X,输出就是一连串的h,他们串联在RNN结构上,从而进行程序设计训练,本文中,首先对用户的语音指令进行读取保存,对其进行特征提取,之后通过训练保存较优的模型。
再然后,识别:通过上述分析可知,利用百度语音识别的过程大致为本地录音,为方便识别,生成为wav文件,进行一边录音,一边识别,然后将识别结果返回,供开发者操作。期间,可以设置固定的语音指令,例如“播放歌曲”语音指令,识别后,既可以启动歌曲系统,这样做可以加快其识别的速度,达到更好的乘客体验效果。
本实施例中,无人驾驶系统通过如下方式进行:
构建ATO系统。城市轨道交通自动化技术的发展经历了以下几个过程:传统运行方式、列车自动控制(ATC)系统、C2+ATO模式、全自动无人驾驶方式。在ATC中又分为以下几个子系统,分别是列车自动防护(ATP)、列车自动监控(ATS)和列车自动驾驶(ATO)。
ATO技术随着时间的发展已经日趋成熟。ATO的实现不仅仅依赖于自身的内部算法,同时也需要实时和ATP与ATS系统进行数据交换,来达到列车自动驾驶的安全和稳定要求。ATP系统的作用是确保列车的行进速度不超过限定最高速度。通过车载ATP设备采集列车运行速度和当前位置等信息,输入车载ATO系统,ATO通过内部算法的运算,计算出合适的运行方案传输给车辆运行系统,使车辆能够自动调整在各路段下的运行速度,实现列车在ATP防护下的自动驾驶功能。与此同时,通过车载设备扫描轨道上的信标,获得当前列车的准确位置,然后将位置信息输入系统,调整列车的速度曲线,车载计算机据此下达牵引和制动的指令,来达到精确停靠站台的目标。ATS子系统由调度中心ATS设备、车站ATS设备和车载ATS设备组成。调度中心与车站之间的数据交换和车站与列车之间的数据交换,构成了完整的ATS系统。ATS系统的主要功能为列车运行的自动控制,时刻表的编辑和修改,列车运行图的调整控制,列车运行目的地、运行等级,列车运行的实时跟踪和车次号监视,列车停站、开闭车门及车载设备状态的监视等等。同时ATO的控制也受到ATS系统的影响,ATS系统将既定的发车、行车、停车的具体时间和调度人员发往轨旁设备等相关指令传送给ATO系统,ATO系统通过系统内部的运算实现列车行车速度的自动调整。AT0、ATP、ATS三个子系统之间的信息交换,使三个系统构成闭环系统,实现了车上控制与地面控制结合、中央控制与地方控制结合,形成了一个安全的、功能完善的控制系统,能实现列车自动驾驶、行车指挥、列车行车调度等功能。这三个子系统结合起来称为列车自动控制(ATC)系统。子系统之间的信息交互关系如图5所示。三个子系统互相配合时的控制过程:在由ATP系统监视下的AT0控车模式,自检成功,发车安全条件全部符合时,ATO系统将给出可以启动提示,司机按下启动按钮,ATO控制列车从制动停车状态转为驱动状态,制动将被缓解,列车逐渐起步加速。起步时ATO通过预设的数据提供牵引控制,该牵引控制可使列车平稳加速。ATO车载控制器通过比较ATP给出的最大允许速度、实际列车运行速度以及目标速度,并根据线路的具体情况,自动控制列车的制动和牵引,使列车在区间内每个区段的控制速度始终在较高水平运行,同时尽可能减少牵引、制动和惰行之间的状态转换,增加整体运行的平稳度。
建立基于模糊控制的ATO控制策略。在传统的控制领域里,影响控制优劣的最主要因素是控制系统动态模型的精确与否。虽然系统动态的信息越详细越能达到精确控制的目的,但是,对于比较复杂的系统,由于变量和参数太多,往往难以正确的描述系统的动态模型。因此,将这些信息模糊化,采用符合客观事实的模糊规则去描述系统的动态,得到一种非线性的智能控制策略。当一个系统为多输入多输出、时变滞后、非线性时,由传统控制所构建出的的数学模型将变得非常复杂从而失去建模意义,而模糊控制则是将过程用语言模型表达,简化了其中的推断过程,将原本极为复杂的模型简单化,通过降低精度提高正确性。而且,模糊控制模型的人机对话能力强,方便将经验库里的经验与思考加入到所构建的模型中。由于它能够利用操作熟练的人员的相关操作和专家规则,解决控制复杂对象时的问题,因而被广泛应用,其原理图如图6所示。
运行组织。为了使得列车平稳运行,能及时准确的解决各种问题,同时使得列车能及时接收到控制机构的指令,本专利首先利用传感器对磁悬浮现场设备进行采集,通过无线模块将数据进行上传,形成专有的数据库,可以通过数据分析进行指令代码的生成,其中数据有两种类型,一种数据简单,但是对整个系统起着至关重要的作用,甚至当数据发生变化时,列车将无法正常运行,例如,若现场检测到悬浮高度变化、前后安全距离有无车辆等危险数据时,列车需要紧急制动,不需要在经过精确分析与算法干预,直接与正常设定阈值进行对比,在误差范围之外直接返回停止指令给列车,进行检修维护,排除故障后在此启动。另一种是复杂数据,需要经过算法处理优化,将分析结果返回,传输到列车,控制列车进行相应的动作,例如列车行驶过程中基于协同优化算法的会车调度问题与基于遗传算法的牵引优化问题,对于电力牵引优化的问题建模如下:
其中,t为时间,x为位移,v为速度,因此,牵引优化的能耗目标函数为:
f表示牵引能耗函数,在不考虑再生制动时,牵引能耗函数区间的连续单调增函数,[-q,0]内f(u)=0;而当考虑再生制动时,f在整个[-q,p]区间单调递增,且f(0)=0。下面对列车行进过程中的受力进行分析,列车在运行过程中基本阻力的描述为;
w0=ρa+ρb·v+ρc·v2
其中,ρa表示基准阻力参数;ρb表示滚动阻力参数;ρc表示空气阻力参数,列车运动方程分析如下:
ci=f(vi,ui)-w0(vi)-b0(vi,ui)-wij
其中,ci为时间步长i内列车所受到的合力;vi为列车的运行速度;ui为此时的控制级位,其运行约束分析中,分为安全性约束、精确性约束、动、静态限速。列车在起动和制动过程中的安全性主要取决于列车起动加速度的大小及其变化率,加速度或其斜率过大必然导致列车纵向冲动过大,引起断钩、运输物资的损坏等;列车的正点性体现了列车通过区间所耗费的时间对运行图的满足程度。准确停车体现列车位移对运行距离的满足程度;动、静态限速可以描述为:
0≤vi≤vlim
vlim=min(v′lim,v″lim)
其中,vlim表示列车限制速度值,vlim=min(v′lim,v″lim);其中,所述v′lim表示静态限制速度,v″lim表示动态限制速度;表示第i个时间步长车前第一个信号机的状态;g”表示信号状态与动态限速的关系。
对上述模型进行程序编程求解,其流程图如图9、图10所示。
如图9所示,列车自动控制系统根据多车实时状态及其预测牵引工况进行牵引计算,从而得出多车预测状态,并根据上述预测状态、多车实时状态以及外部状态得出列车的模糊目标评价值(包括安全性评价值、速度跟随性评价值、停车精确性评价值、节能性评价值、正点性评价值),进而进行模糊推理得到列车的满意优化度值,满意优化度值中的Z个最大值所对应的牵引工况就是推荐的牵引工况,然后经过多车强化学习,从而协调列车间的节能控制关系,最终得到最节能、最安全的多车优化操纵方法。
其中,列车的实时状态包括速度,位置,加速度口,以及最大加速度,最大加速度变化率,限制速度,目标速度。
列车的预测状态包括预测加速度,预测加速度变化率,预测速度,预测运行距离,预测最大冒进距离,预测要消耗的电流,预测运行时间t。
外部状态包括目标停车点,整个接触网产生的再生电流,规定运行时分。
如图10所示为列车的启发式自适应遗传算法流程图。该
首先,设定列车的基础运行规则,列车与运行线路的基本参数信息,运行的硬性约束;
第二步,编码。以第一步的相关内容为标准,选择相对适合的编码方式,用选定的方式来描述个体的基因,用基因来反应相对应的操作策略;
第三步,完成编码后开始设置符合算法需要的搜索策略。在调试过程中,为了尽可能的使算法能够搜索到更优的解,我们设置了一个较大的解空间,解空间的扩大对应的则是不可行解的增多,于是我们加入了启发式信息与一套自适应的逻辑,尽可能的降低了不可行解的生成,在不影响算法精度的情况下,尽可能的提高了算法的效率;
第四步,根据第三步所确定的搜索方式,编写初始种群生成函数;
第五步,依据列车运行能量计算函数编写适应度计算函数,适应度值为能量值的倒数,加入时间约束罚函数使适应度值的误差尽可能的减小;
第六步,编写选择,交叉,变异函数;本遗传算法使用轮盘赌的选择方式,算术交叉生成子代个体,随机点变异方式;
第七步,编写重插入函数,在重插入函数中,需要验证子代个体的可行性,剔除不可行解,然后在重新调用初始种群函数,生成被剔除相应个数的个体,填充的到子代中,在将新子代与父代精英个体结合,形成新种群;
第八步,判断是否达到迭代次数,达到迭代次数则跳出循环,否则,回到适应度计算函数位置,计算新种群适应度,继续进化选择;
第九步,达到迭代次数后,输出对应种群,绘制精英个体运行曲线,算法结束。
实时进行数据检测。悬挂式磁悬浮列车利用磁力将列车悬浮在轨道之上,由直线电机直接驱动,它改变了传统车辆的结构,取消了轴承和驱动作用的车轮与相应由旋转电机带动车轮的传动机构,同时,此系统控制变量众多,要求严格,对这种全新的交通运输系统来说,为了确保悬挂式磁悬浮列车作业安全与稳定,需要对悬挂式磁悬浮系统的各项参数进行采集与监控,同时根据经验与算法优化处理,对数据进行分析,价值挖掘,将得到的结果进行反馈,来使得磁悬浮系统运行稳定可靠,本专利将对悬挂式磁悬浮列车的现场数据进行采集、分析与反馈,具体如下:
1)数据采集,本专利首先对现场数据进行采集(例如:悬浮体的悬浮间隙、悬浮斥力、横向位移、悬浮高度、磁场中心偏差、车体位置、运行速度、负载重量、侧摆、点头、电参数、环境参数等),通过选取各个参数的执行传感器,进行安装采集,其原理图如图7所示。
2)数据分析,为确保磁浮列车作业安全与稳定,对现场采集的数据,可以在本地建立数据库或者利用无线装置将其发送至与数据库,对数据进行整理与分类,对主要数据与异常数据进行提取分析,利用经验数据,加以算法优化处理,将进行基于采集数据的数据分析与价值挖掘,对列车的无人驾驶控制提供安全的保障。
3)数据反馈,对采集的数据进行分析与挖掘后,将得到的校正数据发送至控制中心,对列车进行及时的调控,对正确数据进行应用的同时,利用深度学习、机器学习与智能算法等技术手段,对数据进行预测与画像,逐渐形成系统的一套成熟控制方案,方便控制中心和用户管理和使用。
本发明技术方案的优点主要体现在:综合应用人脸识别技术、语音识别技术等关键的AI技术,并整合列车上各个传感器的实时数据,对磁悬浮列车进行综合控制。控制中,还充分利用模糊控制器,对控制的实时性和准确度这一对技术矛盾进行综合的优化。并且,在控制中,通过协同优化以及遗传算法,对列车的驱动进行平稳调节,充分地保证乘客乘坐列车的舒适度。
本领域普通技术人员可以理解:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种无人驾驶的悬挂式磁悬浮列车的控制方法,所述无人驾驶的悬挂式磁悬浮列车包括:
车厢(1),
磁悬浮系统(2),连接所述车厢的顶部,用以为所述车厢提供悬浮力,并驱动所述悬挂式磁悬浮列车沿磁悬浮轨道运行;
还包括无人驾驶系统(3)、乘客识别系统(4)、语音识别系统(5)和乘客数据库(6);所述乘客识别系统连接所述语音识别系统,所述语音识别系统连接所述无人驾驶系统,所述无人驾驶系统连接所述磁悬浮系统,所述乘客识别系统和所述语音识别系统还与所述乘客数据库交互;其中:
所述无人驾驶系统(3)包括:
列车自动防护模块、列车自动监控模块和列车自动驾驶模块;
列车自动防护模块包括设置在所述磁悬浮系统(2)上的传感器或定位装置,所述列车自动防护模块与所述列车自动驾驶模块连接,用以通过所述传感器或所述定位装置获取关于所述悬挂式磁悬浮列车的车速和位置的数据,并与所述列车自动驾驶模块交互所述车速和位置的数据;
所述列车自动监控模块包括:调度中心数据接口、车站数据接口以及车载设备;所述调度中心数据接口用以接收调度中心发出的第一调度数据,所述车站数据接口用以接收当前车站发出的第二调度数据;所述车载设备用以控制所述车厢的车门开启或关闭;所述列车自动监控模块还与所述列车自动驾驶模块连接,所述列车自动监控模块用以与所述列车自动驾驶模块交互所述第一调度数据、所述第二调度数据以及所述车门开启或关闭的数据;
所述列车自动驾驶模块连接所述列车自动防护模块、所述列车自动监控模块和所述磁悬浮系统(2),用以控制所述磁悬浮系统驱动所述悬挂式磁悬浮列车运行或停止;
所述乘客识别系统(4)包括:
摄像头和人脸识别单元;
所述摄像头采集乘客图像数据,将所述乘客图像数据传输至所述人脸识别单元;
所述人脸识别单元用以对所述乘客图像数据进行处理,根据处理后的所述乘客图像数据进行特征提取以生成特征向量,将所述特征向量与乘客数据库中的信息比对以获得乘客身份信息,输出所述乘客身份信息或所述乘客数据库中与该乘客身份信息对应的乘客指令;所述语音识别系统(5)包括:
音频采集单元、指令识别单元和指令输出单元;
所述音频采集单元用以采集音频,并对音频进行处理,存储处理后的音频,并将所述处理后的音频输出至所述指令识别单元;
所述指令识别单元用以对所述处理后的音频应用声学模型进行计算,获得音节数据;而后对音节数据应用语言模型进行计算,获得乘客指令;
所述指令输出单元用以接收所述乘客身份信息和所述乘客指令,向所述无人驾驶系统输出所述乘客指令,并根据所述乘客指令与所述乘客身份信息更新所述乘客数据库;
所述乘客数据库(6)存储有不同乘客的乘客信息,所述乘客信息包括有:与乘客对应的特征向量、乘客身份信息以及乘客指令;
其特征在于,
所述无人驾驶系统按照如下步骤控制所述悬挂式磁悬浮列车运行或停止:
步骤s1,列车自动防护模块、列车自动监控模块分别与所述列车自动驾驶模块交互,所述列车自动驾驶模块根据所述第一调度数据、所述第二调度数据、所述车门开启或关闭的数据、所述车速和位置的数据以及所述乘客指令判断是否满足发车安全条件;若满足所述发车安全条件则跳转至步骤s2,否则控制所述磁悬浮系统保持制动;
步骤s2,所述列车自动驾驶模块控制所述磁悬浮系统解除制动,启动所述悬挂式磁悬浮列车并逐渐加速;
步骤s3,所述列车自动防护模块实时检测所述车速和位置的数据,所述实时获取所述第一调度数据、所述第二调度数据、所述车门开启或关闭的数据,所述列车自动驾驶模块根据所述第一调度数据、所述第二调度数据、所述车门开启或关闭的数据、所述车速和位置的数据以及所述乘客指令建立模型,并根据目标函数对所述模型进行求解计算,根据计算结果输出控制信号至所述磁悬浮系统;
步骤s4,所述磁悬浮系统根据所述控制信号驱动所述悬挂式磁悬浮列车运行或停止;
所述模型中,所述目标函数为:
其中,v表示车速;
f表示牵引能耗函数;
T表示一个时间步长;t表示时间;
u表示控制级位;由所述第一调度数据、所述第二调度数据、所述车门开启或关闭的数据、所述车速和位置的数据以及所述乘客指令构建,包括安全性约束、精确性约束和动静态限速:所述安 全性约束包括对所述悬挂式磁悬浮列车启动或制动时的加速度的限制;所述精确性约束包括所述第一调度数据、所述第二调度数据,以及所述悬挂式磁悬浮列车制动时停止位置和预设位置的偏差;所述动静态限速要求车速v满足0≤v≤vlim;其中,所述vlim表示列车限制速度值,vlim=min(v′lim,v″lim);其中,所述v′lim表示静态限制速度,v″lim表示动态限制速度;其中,其中,所述表示第i个时间步长车前第一个控制信号的状态;g”表示控制信号的状态与动态限速的关系。
2.如权利要求1所述的控制方法,其特征在于,所述步骤s3中,所述列车自动驾驶模块在根据所述第一调度数据或所述第二调度数据判断需要会车时,通过协同优化算法,根据所述目标函数对所述模型进行求解计算,根据计算结果输出控制信号至所述磁悬浮系统,实现会车。
3.如权利要求1所述的控制方法,其特征在于,所述步骤s3中,所述列车自动驾驶模块通过遗传算法,根据所述目标函数对所述模型进行求解计算,根据计算结果输出控制信号至所述磁悬浮系统,实现对所述悬挂式磁悬浮列车的驱动或制动。
4.如权利要求1所述的控制方法,其特征在于,所述音频采集单元中,对音频进行处理的步骤为:
步骤a1,设置本底噪声门限以及有效数据判断门限;
步骤a2,以固定周期采集所述音频,分别将各个周期内的音频数据缓存至缓存单元;
步骤a3,将所述缓存单元内存储的音频数据与本底噪音门限比较,统计音频数据超过所述本底噪声门限的缓存单元的个数k;
步骤a4,在k达到有效数据判断门限时,判断为有语音输入,滤除各缓存单元内存储的音频数据中的本底噪声,然后按照缓存的前后顺序,存储所述处理后的音频,并将所述处理后的音频输出至所述指令识别单元;
在k未达到有效数据判断门限时,判断为无语音输入,清空所述缓存单元。
5.如权利要求1所述的控制方法,其特征在于,所述指令识别单元中,所述声学模型为马尔可夫声学模型,并采用卷积神经网络构建所述马尔可夫声学模型。
6.如权利要求5所述的控制方法,其特征在于,所述指令识别单元中,所述语言模型为N-Gram语言模型,并采用循环神经网络构建所述N-Gram语言模型;
所述指令识别单元中,以所述马尔可夫声学模型的输出作为所述N-Gram语言模型的初始状态进行训练。
7.如权利要求5所述的控制方法,其特征在于,所述磁悬浮系统(2)包括轨道,所述轨道上设有信标;
所述列车自动防护模块中的传感器感应所述信标,根据所述信标获得所述悬挂式磁悬浮列车的位置;
所述列车自动防护模块还用以根据所述位置数据计算所述悬挂式磁悬浮列车的车速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810993540.2A CN109204007B (zh) | 2018-08-29 | 2018-08-29 | 一种无人驾驶的悬挂式磁悬浮列车及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810993540.2A CN109204007B (zh) | 2018-08-29 | 2018-08-29 | 一种无人驾驶的悬挂式磁悬浮列车及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109204007A CN109204007A (zh) | 2019-01-15 |
CN109204007B true CN109204007B (zh) | 2020-04-28 |
Family
ID=64985622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810993540.2A Active CN109204007B (zh) | 2018-08-29 | 2018-08-29 | 一种无人驾驶的悬挂式磁悬浮列车及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109204007B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110277091B (zh) * | 2019-05-06 | 2020-03-17 | 深圳市一么么科技有限公司 | 智能家具的语音识别方法及相关产品 |
CN110861505A (zh) * | 2019-10-30 | 2020-03-06 | 胡晋玮 | 一种分布式智能无人驾驶轻型轨道交通装置及系统 |
CN110758488A (zh) * | 2019-11-07 | 2020-02-07 | 中国铁建重工集团股份有限公司 | 磁浮轨道列车的控制方法和系统,磁浮轨道列车 |
CN111044303B (zh) * | 2020-01-02 | 2021-06-04 | 中车株洲电力机车有限公司 | 一种磁浮列车客室异常振动的诊断方法及装置 |
CN111142374B (zh) * | 2020-01-03 | 2023-04-28 | 江西理工大学 | 一种悬挂式永磁磁悬浮列车自动驾驶系统的速度控制方法 |
CN111460373A (zh) * | 2020-03-31 | 2020-07-28 | Oppo广东移动通信有限公司 | 一种到站提醒方法、装置、存储介质和终端设备 |
CN113525098B (zh) * | 2020-04-20 | 2023-02-03 | 株洲中车时代电气股份有限公司 | 一种磁浮车辆的悬浮控制方法及其装置 |
TWI724888B (zh) * | 2020-05-05 | 2021-04-11 | 崑山科技大學 | 磁浮系統之深度學習比例微分控制方法 |
CN114715225B (zh) * | 2021-01-05 | 2023-01-31 | 株洲中车时代电气股份有限公司 | 一种磁浮列车的无人驾驶系统 |
CN114715226B (zh) * | 2021-01-05 | 2023-01-31 | 株洲中车时代电气股份有限公司 | 一种无人驾驶系统的控制方法 |
CN112948971B (zh) * | 2021-03-04 | 2023-09-29 | 北京交通大学 | 一种磁悬浮列车速度曲线的节能优化方法 |
WO2023000995A1 (zh) * | 2021-07-23 | 2023-01-26 | 陈中瑞 | 基于物联网的运输飞梭及飞梭交通系统 |
CN113701822A (zh) * | 2021-09-18 | 2021-11-26 | 大连交通大学 | 一种轨道车辆智能监测系统 |
CN113870448A (zh) * | 2021-09-28 | 2021-12-31 | 深圳市卡联科技股份有限公司 | 一种智能车载终端的安全快速响应通讯方法和系统 |
CN114420132A (zh) * | 2022-03-28 | 2022-04-29 | 天津市北海通信技术有限公司 | 一种列车语音播报内容校验方法、系统和存储介质 |
CN116880217B (zh) * | 2023-09-06 | 2023-11-10 | 江西理工大学 | 一种用于磁悬浮列车无人驾驶的追踪运行特征建模方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1436688A (zh) * | 2002-02-05 | 2003-08-20 | 北京控股磁悬浮技术发展有限公司 | 磁悬浮列车运行控制系统及其控制方法 |
JP2011211833A (ja) * | 2010-03-30 | 2011-10-20 | Yokogawa Electric Corp | 磁気浮上列車運行安全システム |
CN104554299A (zh) * | 2014-11-21 | 2015-04-29 | 北京交控科技有限公司 | 基于atp/td环线制式的列车自动驾驶方法 |
CN105292185A (zh) * | 2015-11-19 | 2016-02-03 | 北京交控科技有限公司 | 一种无人驾驶控制系统 |
CN106601232A (zh) * | 2017-01-04 | 2017-04-26 | 江西沃可视发展有限公司 | 一种基于语音识别的车载终端人机交互系统 |
CN106709470A (zh) * | 2017-01-04 | 2017-05-24 | 西南交通大学 | 基于人脸识别的列车在途检票方法 |
-
2018
- 2018-08-29 CN CN201810993540.2A patent/CN109204007B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1436688A (zh) * | 2002-02-05 | 2003-08-20 | 北京控股磁悬浮技术发展有限公司 | 磁悬浮列车运行控制系统及其控制方法 |
JP2011211833A (ja) * | 2010-03-30 | 2011-10-20 | Yokogawa Electric Corp | 磁気浮上列車運行安全システム |
CN104554299A (zh) * | 2014-11-21 | 2015-04-29 | 北京交控科技有限公司 | 基于atp/td环线制式的列车自动驾驶方法 |
CN105292185A (zh) * | 2015-11-19 | 2016-02-03 | 北京交控科技有限公司 | 一种无人驾驶控制系统 |
CN106601232A (zh) * | 2017-01-04 | 2017-04-26 | 江西沃可视发展有限公司 | 一种基于语音识别的车载终端人机交互系统 |
CN106709470A (zh) * | 2017-01-04 | 2017-05-24 | 西南交通大学 | 基于人脸识别的列车在途检票方法 |
Non-Patent Citations (1)
Title |
---|
低速磁浮列车运行控制系统关键技术研究;王旭;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20090715;第31-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109204007A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109204007B (zh) | 一种无人驾驶的悬挂式磁悬浮列车及其控制方法 | |
US20230027828A1 (en) | Multiple classifications of audio data | |
Wang et al. | Learning utterance-level representations for speech emotion and age/gender recognition using deep neural networks | |
US20210190360A1 (en) | Artificial intelligence device | |
CN107357838A (zh) | 基于多任务学习的对话策略在线实现方法 | |
US11594224B2 (en) | Voice user interface for intervening in conversation of at least one user by adjusting two different thresholds | |
US11143156B2 (en) | Artificial intelligence apparatus for controlling auto stop system based on traffic information and method for the same | |
US11237565B2 (en) | Optimal driving characteristic adjustment for autonomous vehicles | |
CN111339867A (zh) | 一种基于生成对抗网络的行人轨迹预测方法 | |
DE112020002531T5 (de) | Emotionsdetektion unter verwendung der sprechergrundlinie | |
CN110751260A (zh) | 电子设备、任务处理的方法以及训练神经网络的方法 | |
US11421610B2 (en) | Artificial intelligence apparatus for controlling auto stop system and method therefor | |
US11531881B2 (en) | Artificial intelligence apparatus for controlling auto stop system based on driving information and method for the same | |
CN111237988A (zh) | 地铁车载空调机组控制方法及系统 | |
CN110119714A (zh) | 一种基于卷积神经网络的驾驶员疲劳检测方法及装置 | |
Zhang et al. | Data-driven train operation models based on data mining and driving experience for the diesel-electric locomotive | |
CN110458604A (zh) | 一种网约司机评价方法、装置、设备及存储介质 | |
CN115796509A (zh) | 一种轨道交通应急调度辅助决策系统及方法 | |
CN116050581A (zh) | 一种智慧城市地铁行车调度优化方法和物联网系统 | |
CN114360204A (zh) | 一种基于区块链的网联汽车信息安全通信系统 | |
Liu et al. | Prediction of high-speed train delay propagation based on causal text information | |
CN111477226B (zh) | 控制方法、智能设备和存储介质 | |
CN113469023A (zh) | 确定警觉度的方法、装置、设备和存储介质 | |
CN115688805A (zh) | 基于元-多任务学习的电力虚拟调度方法及调度系统 | |
CN115393927A (zh) | 基于多级长短期记忆网络的多模态情感应急决策系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |