CN109835375B - 基于人工智能技术的高速铁路列车自动驾驶系统 - Google Patents
基于人工智能技术的高速铁路列车自动驾驶系统 Download PDFInfo
- Publication number
- CN109835375B CN109835375B CN201910088089.4A CN201910088089A CN109835375B CN 109835375 B CN109835375 B CN 109835375B CN 201910088089 A CN201910088089 A CN 201910088089A CN 109835375 B CN109835375 B CN 109835375B
- Authority
- CN
- China
- Prior art keywords
- train
- data
- control
- iato
- driving
- 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
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于人工智能技术的高速铁路列车自动驾驶系统,该系统是一种基于深度强化学习和模仿学习的新的高速铁路列车自动驾驶系统,通过构建全面的列车运行状况评价指标,补充增强列车运行相关大数据的获取,训练出一个基于深度强化学习和模仿学习的,能够综合感知并做出正确、合理决策的控车策略模型,进一步提升列车运行综合质量。
Description
技术领域
本发明涉及轨道交通技术领域,尤其涉及一种基于人工智能技术的高速铁路列车自动驾驶系统。
背景技术
随着社会、经济、科学技术的不断发展,近年来以高速铁路和地铁为代表的轨道交通迎来了飞速发展,在人员及货物的交通运输中扮演着日益重要的角色,领域内各方面新技术的研究与应用层出不穷,其中,列车的自动驾驶技术是当下的研究与应用热点之一。
目前,国铁领域来讲,国内的CTCS2+ATO列控系统已在珠三角城际铁路网络的莞惠、佛肇城际平稳运行,CTCS3+ATO列控系统也即将在京沈高铁上道试验,并预计于2019年底在京张高铁正式运行。国际方面,法国、英国等国家也陆续开展相关研究,法国国营铁路公司(SNCF)日前宣布了其目标于2023年前实现高铁列车(TGV)无人驾驶的研究计划。英国政府也公布了一项金额达4.5亿英镑(约合39亿元人民币)的投资计划,其中就包括引入自动驾驶新一代列车,大幅提高铁路运输效率。
城市轨道交通方面,由于其线路距离较短、列车运行速度较低,运行环境较简单,无跨线或少跨线运行需求等特性,列车的无人驾驶技术得到了更快、更普遍的发展。截止2018年4月,全球42个城市63条线路采用全自动驾驶,运营里程达1003公里,车站848座;即全球157个轨道城市中近四分之一的城市至少有一条线路以全自动模式运行,运营里程占全部里程的8%。预计到2025年全自动驾驶轨道交通线路里程将超过2300公里,发展潜力巨大。
但另一方面,目前大规模应用的轨道交通列车自动驾驶技术仍基于传统的自动化理论,即首先根据行车计划、线路条件以及列车车况等生成目标曲线,然后通过某种控制算法控制列车跟随目标曲线运行。这种控制方式,导致列车运行在安全性、高效与节能的平衡性和旅客乘坐舒适性等方面均存在一些问题,具体来讲:
1、安全性方面。过分依赖地面信号设备的保护,缺乏主动安全防护能力。
2、不能很好地兼顾高效性和节能性,或忽视某一方面需求。
3、旅客的乘坐舒适性相较人工驾驶平均水平仍有较大的不足。
为了解决上述问题,国内外研究机构和学者都开展了大量相关研究。在控车策略方面,澳大利亚、新加坡、韩国、英国、中国等国家均在理论研究和实际应用方面作了做了很多有益的探索,如南澳大学Howlett的团队,其本人最早提出了列车“运行能耗”模型,并建立了相应建模阐述了优化策略。新加坡、韩国、英国、西班牙、法国等国学者也都在列车节能运行方面开展了一系列研究,并在部分线路上验证了有效性。国内方面近年来也有大量相关研究,研究角度也较为广泛,包括提高列车运行的安全性、高效性、节能和准确停车等。
在控制算法方面,国内外对ATO控制算法的研究经历了“经典控制-参数自适应控制一智能控制一集成智能控制”的过程。其中,PID控制、模糊控制以及将这两者进行改进后得到的ATO控制算法,在工程应用中得到了较为成熟的应用。
但是这些研究大多集中于运行曲线或控制算法某一方面的优化;且多针对节能、舒适性或精准停车等局部目标优化,缺少从“感知-决策-控制”基本驾驶流程上的整体考虑。
经调研,优秀司机在上述问题上相较目前的自动驾驶系统有更佳的综合表现,这源于人类司机有更广泛的感知途径,更智慧的思维决策以及更娴熟的操作经验。尽管也有一些研究考虑到将神经网络、深度学习等机器学习方法应用于列车自动驾驶,但大多基于总结、提炼的专家经验,没有能够很好的利用列车运行环境、列车工况和优秀司机的操作等大数据。
而随着近些年来人工智能相关方法、算法的快速发展,如深度学习(DeepLearning)、强化学习(Reinforcement Learning)、深度强化学习(Deep ReinforcementLearning)和模仿学习(Imitation Learning)等,人工智能技术已加速渗透到传统的自动化领域,如仿生机器人、无人飞行器、无人驾驶汽车等,并取得不错的效果。以目前最热的汽车无人驾驶技术为例,各类人工智能的研究与应用层出不穷,其中之一就是利用深度学习方法的无人驾驶方案,简单来讲,就是使用人类的驾驶数据来训练一个卷积神经网络CNN,其输入是车载摄像头,输出直接是汽车的控制数据。相较于传统汽车自动驾驶系统的标志识别,道路识别,行人车辆识别,路径规划等一系列繁琐的流程,这种方案简单、直接,并且学习过程更接近人类的驾驶学习过程,目前国内外已有不少采用该方案开展汽车自动驾驶技术研究与应用的公司,如Nvidia、Comma.ai、Drive.ai、Momenta、PlusAI等,大都取得不错的阶段性成果;但是,这些人工智能方案还未有效应用于列车自动驾驶技术。
发明内容
本发明的目的是提供一种基于人工智能技术的高速铁路列车自动驾驶系统,可以提高安全性,提升列车运行综合质量。
本发明的目的是通过以下技术方案实现的:
一种基于人工智能技术的高速铁路列车自动驾驶系统,包括:感知单元、决策单元与控制单元;其中:
所述感知单元,用于感知列车运行控制相关数据;
所述决策单元,用于对列车运行控制相关数据进行预处理,再结合深度学习、深度强化学习和模仿学习来构建并比较选取具有不同层次和输入的,层层递进的控车策略模型,并基于列车运行控制相关数据以及列车运行状况评价指标对控车策略模型进行训练,之后,利用训练好的控车策略模型输出控制策略;
所述控制单元,根据控制策略产生相应控制命令。
由上述本发明提供的技术方案可以看出,基于人工智能技术的列车自动驾驶系统(简称为iATO系统)是一种基于深度强化学习和模仿学习的新的高速铁路列车自动驾驶系统,通过构建全面的列车运行状况评价指标,补充增强列车运行相关大数据的获取,训练出一个基于深度强化学习和模仿学习的,能够综合感知并做出正确、合理决策的控车策略模型,进一步提升列车运行综合质量。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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附图。
图1为本发明实施例提供的一种基于人工智能技术的高速铁路列车自动驾驶系统的示意图;
图2为本发明实施例提供的系统部署示意图;
图3为本发明实施例提供的列车运行状况评价系统模型构建示意图;
图4为本发明实施例提供的列车运行状况评价指标体系示意图;
图5为本发明实施例提供的大数据预处理流程图;
图6为本发明实施例提供的控车策略模型的构建与训练的流程图;
图7为本发明实施例提供的实验室仿真测试流程图;
图8为本发明实施例提供的iATO系统在实际线路上的测试流程图。
具体实施方式
下面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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
近年来,我国高速铁路列车自动驾驶技术的研究与应用发展迅速,但同时其在安全性、能效平衡性、舒适性等方面仍存在不足。另一方面,以深度学习为代表的人工智能技术已成功应用于如机器人控制、汽车自动驾驶等自动化领域。
为了解决列车自动驾驶中存在上述问题,提高列车运行控制智能化水平,本发明在分析了目前列车自动驾驶理论及方法基础上,首次提出了一种基于人工智能技术的高速铁路列车自动驾驶系统,并对系统目标,整体设计,开发流程,列车运行评价指标的构建、相关大数据的采集与处理、核心控车模型的构建与训练等关键技术,测试、试验方案,以及实际应用等做了详细的描述。
本发明提供的一种基于人工智能技术的列车自动驾驶系统(简称为iATO系统)是一种基于深度强化学习和模仿学习的新的高速铁路列车自动驾驶系统,通过构建全面的列车运行状况评价指标,补充增强列车运行相关大数据的获取,训练出一个基于深度强化学习和模仿学习的,能够综合感知并做出正确、合理决策的车载列车自动驾驶核心单元,进一步提升列车运行综合质量。
iATO系统满足如下原则:
1.与既有的高速铁路CTCS-2/3级列控系统标准兼容,能够适应既有高速铁路运输集中调度管理的需求;
2.为了保证列控系统的安全性和可靠性,iATO在ATP系统的监控与保护下驾驶列车自动运行;
3.为了更高效、快速的从大量数据中获取知识,iATO初级阶段的训练工作在地面离线完成,而上线运行后的自学习工作在车载设备上完成。
目前,我国铁路运营里程达到12.7万公里,其中高铁营业里程2.5万公里。随着高铁的快速建设、铁路货运的快速发展,对司机的培养周期大幅缩短,但是对乘坐体验与物流质量需求日益增加,更适合当前运输需求的基于人工只能的自动驾驶系统将得到广泛的应用。
同时,城际铁路、客运专线、货运专线等专用线路上,本发明实施例提供的基于人工智能的自动驾驶系统的应用,将大幅提高乘车舒适度、准点率等运行指标,降低能耗,也可作为平台增加适用于特定线路的驾驶功能。
另外,基于人工智能的自动驾驶系统将对车辆运行过程中的各类数据进行存储和分析,为进一步提高智能化自动驾驶系统提供基础。
基于人工智能的自动驾驶系统将实现列车运行的智能化、行车管理的数据化、列车驾驶的自动化,为我国铁路运输服务保持世界领先打下坚实基础。
1、支撑国家、行业发展战略:
2018年1月18日,随着国家标准化管理委员会宣布成立国家人工智能标准化总体组、专家咨询组,负责全面统筹规划和协调管理我国人工智能标准化工作并发布了《人工智能标准化白皮书(2018版)》,人工智能已成为我国的重要发战略之一。
行业方面,随着中国工程院重大咨询研究项目“智能高铁战略研究(2035)”项目启动,以及中国铁路总公司京张高铁、京雄城际等一批智能化铁路工程的开工建设,中国铁路也迎来了“智能时代”。
本发明积极响应国家“人工智能”发展战略和行业“智能铁路”发展新方向,将最新的人工智能技术与传统列控的自动化技术相结合,研究满足更安全、更高效、更舒适列车自动驾驶关键技术,并形成完全自主知识产权的全套核心装备,实现创新性突破,确保我国在此领域占据技术制高点和持续先进,为国家战略和行业发展提供技术支撑。
2、提升技术水平:
目前尚未形成基于人工智能技术的列车自动驾驶系统。通过研究具备人工智能的列车自动驾驶技术,有效提高列车运行综合质量,实现铁科院列车自动驾驶系统从自动化向智能化的迈进,填补国际国内该领域空白,促进相关产品及产业发展,同时为铁路列控系统与智能调度、智能运维等其他关联智能系统的联合应用和协同发展奠定基础。
3、创造经济价值:
在经济效益方面,目前我国铁路运营里程达到12.7万公里,其中高铁营业里程2.5万公里。随着高铁的快速建设,司机的培养周期大幅缩短,但是对乘坐体验与物流质量需求日益增加,更适合当前运输需求的基于人工智能的自动驾驶系统得到广泛的应用,将有效降低人员成本,提升运输效率,促进我国高速铁路产业链的持续健康快速发展。
如图1所示,为本发明实施例提供的一种基于人工智能技术的高速铁路列车自动驾驶系统的示意图,其主要包括:感知单元、决策单元与控制单元;其中:
所述感知单元,用于感知列车运行控制相关数据;所感知的列车运行控制相关数据包括:驾驶员信息、驾驶数据、列车工况数据、线路环境数据、列控数据、行车计划以及与天气和灾害情况相关的动态数据;上述数据通过列车接口单元以及数据采集单元达到感知单元;
所述决策单元,用于对列车运行控制相关数据进行预处理,再结合深度学习、深度强化学习和模仿学习来构建并比较选取具有不同层次和输入的,层层递进的控车策略模型,并基于列车运行控制相关数据以及列车运行状况评价指标对控车策略模型进行训练,之后,利用训练好的控车策略模型输出控制策略;
所述控制单元,根据控制策略产生相应控制命令。
本发明实施例中,决策单元为核心单元,它是一种基于深度强化学习方案,为了解决常说的深度学习存在的“黑匣子”问题,核心控车单元功能划分为3层,如图1所示,所述决策单元包括设于输入端和输出端的校验模块,用于对输入数据的完备性与有效性进行校验,以及对输出的控制领命的安全性和连续性进行校验;还包括基于人工智能算法的控制核心单元,用于利用列车运行控制相关数据结合深度学习、深度强化学习和模仿学习来构建并比较选取具有不同层次和输入的,层层递进的控车策略模型,并基于列车运行控制相关数据对控车策略模型进行训练,并利用训练好的控车策略模型输出控制策略。
本发明实施例提供的系统部署于车载端,总的部署示意图如图2所示。
图2中,DCU-数据采集单元,TRCU-车载无线通信单元,TIU-列车接口单元,TCR-轨道电路信息读取器,SDU-测速测距单元,ATP-列车超速自动防护单元,LEPU-线路环境感知单元,DMI-司机驾驶操作单元,TPU-列车定位单元,BTM-应答器传输单元。
图2中,系统整体结构分为地面和车载两部分,两部分中深灰色系统或单元(DCU、LEPU、iATO、列车运行大数据中心、调度指挥中心)为本设计方案新增内容,其他为既有系统:(1)车载部分,iATO为系统的核心控车单元,根据从数据采集单元所获取所有列车运行相关信息,在车载ATP的监督下控制列车运行;车载ATP、DMI、SDU、TPU、BTM等设备为既有设备,只需开发与iATO的信息交互接口即可;而其他的如LEPU、TRCU等为需要新开发的设备,负责更多相关信息的获取;(2)地面部分,列车运行大数据中心负责将列车运行所有相关数据记录、处理,用于大数据的分析及iATO核心控车模型的训练,而调度中心则负责向列车发送行车计划、临时限速、灾害预警及其他列车运行相关数据。
本发明实施例中,上述系统的关键技术主要包括如下三个部分:(1)列车运行状况评价指标的构建,(2)大数据的采集和处理以及(3)核心控车模型的构建和训练;下面针对这三个部分做详细的介绍。
一、列车运行状况评价指标的构建
作为iATO中决策单元训练的评分标准,评价指标是否覆盖全面,分析是否客观准确,以及是否能够根据不同业务需求调整适配,将直接影响训练完成模型的控车效果。
列车运行状况评价体系具有较强的复杂性,其目的是在保障列车运行的安全性的前提下,提高列车接发车的准点率,同时在列车停车点的精度上,运行中各种场景下的舒适性,行驶中对于能源的节能量等指标上实现显著提高。列车运行状况评价体系的建立是结合列车运行中各项评价指标的实际意义以及相互间的作用关系,按照完备性、独立性、简洁性、可比性和可操作性的原则,建立能够全面、客观评价列车运行状况的指标体系并构成递阶层次体系,如图3所示。
建立列车运行状况评价指标包括安全度、舒适度、准点率、精准停车、节能、以及与个体协调度等层面的指标,具体如图4所示。此外,列车运行状况评价体系在全面考虑各项运行指标的同时,也要能够根据运行线路的实际特点以及运输业务的特殊需求灵活调整评分策略。
各层面所包含的指标如下:
1)安全度指标包括:列车速度数据与ATP数据的比对结果、列控数据的安全应用结果、实际行车曲线的优化度、以及安全相关报警(从ATP获取)与监测数据(从LEPU获取)比对结果;
2)舒适度指标包括:乘客乘坐平稳性、乘客在加速与制动中的平稳性、乘客在列车停车过程的舒适度、以及列车运行与线路数据的匹配度;
3)准点率指标包括:列车运行与计划图的匹配度、环境变化与准点率的匹配度、以及列车运行与准点率的匹配度;
4)精准停车指标包括:列车站台停靠精度指标;
5)节能指标包括:列车能源消耗指标、能源消耗与线路数据的自适应度、以及能源消耗与运行状况的自适应度;
6)与个体协调度指标包括:司机个体信息与运行状态适应度、列车自身参数与运行状态匹配度、以及列车运行参数与运行状态匹配度;
二、大数据的采集与预处理
作为对列车自动驾驶核心控车模型进行训练的素材,以及上线运行后自学习的数据来源,列车运行相关大数据的采集与处理至关重要。
列车运行相关的大数据主要是指列车运行控制相关数据(例如,静态数据和动态数据等等),通过在列车上安装集成多传感器的数据采集装置,可以通过多种方式进行数据的获取与采集。目标数据采集装置为独立装置,与列控系统车载设备隔离,因此数据采集装置为非安全设备,不影响列控系统的安全性。数据采集装置与安装在列车上的多组传感器以及列控系统车载设备相连接,进行数据的采集与传输。
在所有数据类型中,司机个人信息(即,驾驶员信息)通过司机ID卡进行读取与采集,数据采集装置接收读取到的司机ID卡信息,在数据库中查找并更新司机个人信息数据;司机驾驶数据和列车运行状态数据分别通过列控系统的人机操作界面和车载设备获取,数据采集装置通过与车载设备的接口进行数据的传输;线路环境数据通过位于列车的车首传感器进行获取,数据采集装置实时接收并存储线路环境数据;线路数据则通过与地面设备的接口获取。
地面设备增加大数据处理单元,通过无线通信接收列车获取和采集的数据信息,并按图5实现数据的整理和标准化:
首先,进行数据清理,通过数据识别,对控车策略模型中不需要的场景及数据进行清理,减少无效数据;
其次,进行数据变换,对数据清理结果中的非量化数据进行量化,并对所有量化的数据进行离散化或归一化处理;
最后,进行数据集成,上个步骤处理后的数据进行标准化处理,转换为符合控车策略模型学习和训练要求的矩阵形式。
三、控车策略模型的构建与训练
基于人工智能的模型的构建与训练是整个iATO最核心、最关键的内容,本系统采用结合深度学习、深度强化学习和模仿学习等各方法优势的设计理念,构建并比较选取具有不同层次和输入的,层层递进的控车策略模型,如图6所示:
首先,使用列车运行控制相关数据(如线路数据、行车计划、列车速度等),以及驾驶员对应的驾车策略与控车操作,采用模仿学习方法训练生成具备基础控车策略的深度学习模型;
之后,再对生成的具备基础控车策略的深度学习模型,采用深度强化学习(如DeepQ-Network等)方法结合列车运行控制相关数据(例如,车运行前方视频数据、天气数据、列车工况等)进行训练,每一次训练输出结果均利用列车运行状况评价指标进行评分,同时评分结果还反馈(以reward形式)给模型,采用上述方式不断训练从感知输入(线路数据、列车运行状态数据、天气数据等)到控车策略生成(牵引、制动、开关门等)过程,得到训练好的控车策略模型,从而获得初级训练完成后的基于人工智能技术的高速铁路列车自动驾驶系统iATO。上述训练过程,可以提高模型的稳定性,降低由于单纯依赖司机驾驶经验而训练出模型的“个体不可靠性”。
同时,由于人工智能技术的特点决定,iATO实际上是一个不断学习的个体,因此本节主要描述的是前期训练阶段的过程设计,而在iATO实际运行后,由于车载设备性能的局限性,将采取增量学习(Incremental learning)的方式,在训练好的模型基础上增加少量新的信息,以提高iATO的自我学习与性能升级的效率。
在上述过程完成后,还可以进一步对系统进行测试与应用,主要如下:
在iATO系统完成初级训练后,搭建试验室仿真测试平台,通过实物与半实物相结合的方式,测试iATO系统在获取列车运行相关基础信息时的控车性能与安全性;上述列车运行相关基础信息包括:行车计划、列车运行速度、以及线路参数。实验室仿真测试的流程如图7所示。
实验室仿真测试完成后,选取典型的线路或专用试验线,通过测试安装有上述iATO系统的列车的实际运行,来全面测试iATO系统在实际运行中的表现,如图8所示,测试分为如下两步进行:
步骤1中,iATO系统在ATP系统的监督下,根据获取的列车运行控制相关数据,以隐形的形式模拟控车运行,即输出的控制命令只记录用于与既有ATO系统或驾驶员的操作进行比较评估,而不参与实际控车,同时,此步骤在进行模拟控车运行时还针对iATO系统进行训练,即训练iATO系统中的控车策略模型;
当通过一段时间的学习和模拟控车后,iATO的控车综合水平超过既有ATO系统或驾驶员后,将进入步骤2,即替代ATO系统或驾驶员对列车实际操控;此时实际控车的iATO系统(即,驾驶iATO)将不再进行学习,而新增一套隐形的iATO系统,隐形的iATO系统在之前的基础上继续学习,并与实际控车的iATO系统进行比较,当隐形的iATO系统控车水平超过实际控车的iATO系统时,将隐形的iATO系统升级为实际控车的iATO系统;同时,采用步骤2所述的方式定期对实际控车的iATO系统进行迭代升级。
本发明实施例提供的上述iATO系统是第一个在CTCS体系框架内,利用深度强化学习、模仿学习等人工智能方法提升列车自动驾驶综合性能的高速铁路列车自动驾驶系统。在既有CTCS基础上,地面新增列车运行大数据中心,车载新增iATO系统,实现对列车的智能驾驶操作。
本发明实施例提供的上述系统主要通过以下设计实现高可靠性与高安全性:
1)iATO系统在ATP的监督下控车,保证列车在安全速度内行驶。
2)iATO系统内的决策单元分层设计,保证核心模块的输入数据与输出命令的有效性、完整性和安全性。
3)iATO车载设备采用双机热备的全冗余方式。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (6)
1.一种基于人工智能技术的高速铁路列车自动驾驶系统,其特征在于,包括:感知单元、决策单元与控制单元;其中:
所述感知单元,用于感知列车运行控制相关数据;
所述决策单元,用于对列车运行控制相关数据进行预处理,再结合深度学习、深度强化学习和模仿学习来构建并比较选取具有不同层次和输入的,层层递进的控车策略模型,并基于列车运行控制相关数据以及列车运行状况评价指标对控车策略模型进行训练,之后,利用训练好的控车策略模型输出控制策略;
所述控制单元,根据控制策略产生相应控制命令;
其中,控车策略模型的构建与训练的过程如下:
使用列车运行控制相关数据,以及驾驶员对应的驾车策略与控车操作,采用模仿学习方法训练生成具备基础控车策略的深度学习模型;之后,再对生成的具备基础控车策略的深度学习模型,采用深度强化学习方法结合列车运行控制相关数据进行训练,每一次训练输出结果均利用列车运行状况评价指标进行评分,同时评分结果还反馈给模型,采用上述方式不断训练,得到训练好的控车策略模型,从而获得初级训练完成后的基于人工智能技术的高速铁路列车自动驾驶系统iATO;
在iATO系统完成初级训练后,搭建试验室仿真测试平台,通过实物与半实物相结合的方式,测试iATO系统在获取列车运行相关基础信息时的控车性能与安全性;上述列车运行相关基础信息包括:行车计划、列车运行速度、以及线路参数;
实验室仿真测试完成后,选取典型的线路或专用试验线,通过测试安装有上述iATO系统的列车的实际运行,来全面测试iATO系统在实际运行中的表现,测试分为如下两步进行:
步骤1中,iATO系统在ATP系统的监督下,根据获取的列车运行控制相关数据,以隐形的形式模拟控车运行,即输出的控制命令只记录用于与既有ATO系统或驾驶员的操作进行比较评估,而不参与实际控车,同时,此步骤在进行模拟控车运行时还针对iATO系统进行训练,即训练iATO系统中的控车策略模型;
当通过一段时间的学习和模拟控车后,iATO的控车综合水平超过既有ATO系统或驾驶员后,将进入步骤2,即替代ATO系统或驾驶员对列车实际操控;此时实际控车的iATO系统将不再进行学习,而新增一套隐形的iATO系统,隐形的iATO系统在之前的基础上继续学习,并与实际控车的iATO系统进行比较,当隐形的iATO系统控车水平超过实际控车的iATO系统时,将隐形的iATO系统升级为实际控车的iATO系统;同时,采用步骤2所述的方式定期对实际控车的iATO系统进行迭代升级。
2.根据权利要求1所述的一种基于人工智能技术的高速铁路列车自动驾驶系统,其特征在于,所述决策单元包括设于输入端和输出端的校验模块,用于对输入数据的完备性与有效性进行校验,以及对输出的控制领命的安全性和连续性进行校验;还包括基于人工智能算法的控制核心单元,用于利用列车运行控制相关数据结合深度学习、深度强化学习和模仿学习来构建并比较选取具有不同层次和输入的,层层递进的控车策略模型,并基于列车运行控制相关数据对控车策略模型进行训练,并利用训练好的控车策略模型输出控制策略。
3.根据权利要求1所述的一种基于人工智能技术的高速铁路列车自动驾驶系统,其特征在于,所感知的列车运行控制相关数据包括:驾驶员信息、驾驶数据、列车工况数据、线路环境数据、列控数据、行车计划以及与天气和灾害情况相关的动态数据;上述数据通过列车接口单元以及数据采集单元达到感知单元。
4.根据权利要求1所述的一种基于人工智能技术的高速铁路列车自动驾驶系统,其特征在于,所述列车运行状况评价指标包括安全度、舒适度、准点率、精准停车、节能、以及与个体协调度这些层面的指标。
5.根据权利要求4所述的一种基于人工智能技术的高速铁路列车自动驾驶系统,其特征在于,
安全度指标包括:列车速度数据与ATP数据的比对结果、列控数据的安全应用结果、实际行车曲线的优化度、以及安全相关报警与监测数据比对结果;
舒适度指标包括:乘客乘坐平稳性、乘客在加速与制动中的平稳性、乘客在列车停车过程的舒适度、以及列车运行与线路数据的匹配度;
准点率指标包括:列车运行与计划图的匹配度、环境变化与准点率的匹配度、以及列车运行与准点率的匹配度;
精准停车指标包括:列车站台停靠精度指标;
节能指标包括:列车能源消耗指标、能源消耗与线路数据的自适应度、以及能源消耗与运行状况的自适应度;
与个体协调度指标包括:司机个体信息与运行状态适应度、列车自身参数与运行状态匹配度、以及列车运行参数与运行状态匹配度;
6.根据权利要求1或3所述的一种基于人工智能技术的高速铁路列车自动驾驶系统,其特征在于,所述决策单元结合感知单元进行大数据的采集,所述的大数据是指列车运行控制相关数据,之后还需要对大数据进行预处理;预处理步骤包括:
首先,进行数据清理,通过数据识别,对控车策略模型中不需要的场景及数据进行清理;
其次,进行数据变换,对数据清理结果中的非量化数据进行量化,并对所有量化的数据进行离散化或归一化处理;
最后,进行数据集成,上个步骤处理后的数据进行标准化处理,转换为符合控车策略模型学习和训练要求的矩阵形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910088089.4A CN109835375B (zh) | 2019-01-29 | 2019-01-29 | 基于人工智能技术的高速铁路列车自动驾驶系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910088089.4A CN109835375B (zh) | 2019-01-29 | 2019-01-29 | 基于人工智能技术的高速铁路列车自动驾驶系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109835375A CN109835375A (zh) | 2019-06-04 |
CN109835375B true CN109835375B (zh) | 2021-05-11 |
Family
ID=66884416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910088089.4A Active CN109835375B (zh) | 2019-01-29 | 2019-01-29 | 基于人工智能技术的高速铁路列车自动驾驶系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109835375B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110281983B (zh) * | 2019-06-28 | 2020-07-31 | 清华大学 | 一种基于视觉场景识别的轨道列车精准停车系统 |
CN110516380B (zh) * | 2019-08-30 | 2023-09-26 | 的卢技术有限公司 | 一种基于车辆行驶仿真数据的深度强化测试方法和系统 |
WO2021146910A1 (zh) * | 2020-01-21 | 2021-07-29 | 深圳元戎启行科技有限公司 | 基于图计算的车辆驾驶数据处理方法、装置和计算机设备 |
CN111267913B (zh) * | 2020-02-12 | 2022-02-01 | 卡斯柯信号有限公司 | 一种城市轨道交通列车节能运行方法 |
CN111376954B (zh) * | 2020-06-01 | 2020-09-29 | 北京全路通信信号研究设计院集团有限公司 | 一种列车自主调度方法和系统 |
CN111619624B (zh) * | 2020-06-01 | 2022-06-21 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度强化学习的有轨电车运行控制方法和系统 |
CN112046557B (zh) * | 2020-09-14 | 2022-04-01 | 重庆交通大学 | 一种无人驾驶列车控制系统的控制方法 |
CN112084030B (zh) * | 2020-09-14 | 2022-04-01 | 重庆交通大学 | 基于云边协同的无人驾驶列车控制系统及其控制方法 |
CN112162564B (zh) * | 2020-09-25 | 2021-09-28 | 南京大学 | 基于模仿学习和强化学习算法的无人机飞行控制方法 |
CN112249032B (zh) * | 2020-10-29 | 2022-02-18 | 浪潮(北京)电子信息产业有限公司 | 一种自动驾驶决策方法、系统、设备及计算机存储介质 |
CN112433525A (zh) * | 2020-11-16 | 2021-03-02 | 南京理工大学 | 基于模仿学习及深度强化学习的移动机器人导航方法 |
CN112193280B (zh) * | 2020-12-04 | 2021-03-16 | 华东交通大学 | 一种重载列车强化学习控制方法及系统 |
EP4035969A1 (de) * | 2021-01-29 | 2022-08-03 | Siemens Mobility GmbH | Verfahren zum trainieren einer steuerung für ein schienenfahrzeug, steuerung und schienenfahrzeug |
CN113879360A (zh) * | 2021-09-28 | 2022-01-04 | 通号城市轨道交通技术有限公司 | 列车控制系统和列车 |
CN113844507B (zh) * | 2021-10-22 | 2023-10-10 | 暨南大学 | 一种基于数字孪生的列车模拟运行系统构建方法 |
CN115494829B (zh) * | 2022-11-16 | 2023-03-14 | 华侨大学 | 一种自主列车运行控制系统建模及验证方法 |
CN116449874B (zh) * | 2023-06-13 | 2023-08-18 | 北京瀚科智翔科技发展有限公司 | 有人驾驶飞机的模块化无人控制改装套件及构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102514602A (zh) * | 2011-12-29 | 2012-06-27 | 浙江网新中控创新技术研究开发有限公司 | 一种列车运行速度规划与控制的方法及系统 |
CN108674452A (zh) * | 2018-05-18 | 2018-10-19 | 重庆交通大学 | 一种移动闭塞下的高铁列车群多目标控制方法 |
CN109204390A (zh) * | 2018-09-29 | 2019-01-15 | 交控科技股份有限公司 | 一种基于深度学习的列车控制方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3047716B1 (fr) * | 2016-02-15 | 2019-06-21 | Alstom Transport Technologies | Dispositif d'aide a la conduite pour un vehicule ferroviaire |
CN106802553B (zh) * | 2017-01-13 | 2019-10-11 | 清华大学 | 一种基于强化学习的铁路机车运行操控系统混合任务调度方法 |
CN106842925B (zh) * | 2017-01-20 | 2019-10-11 | 清华大学 | 一种基于深度强化学习的机车智能操纵方法与系统 |
CN107194612B (zh) * | 2017-06-20 | 2020-10-13 | 清华大学 | 一种基于深度强化学习的列车运行调度方法及系统 |
-
2019
- 2019-01-29 CN CN201910088089.4A patent/CN109835375B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102514602A (zh) * | 2011-12-29 | 2012-06-27 | 浙江网新中控创新技术研究开发有限公司 | 一种列车运行速度规划与控制的方法及系统 |
CN108674452A (zh) * | 2018-05-18 | 2018-10-19 | 重庆交通大学 | 一种移动闭塞下的高铁列车群多目标控制方法 |
CN109204390A (zh) * | 2018-09-29 | 2019-01-15 | 交控科技股份有限公司 | 一种基于深度学习的列车控制方法 |
Non-Patent Citations (1)
Title |
---|
城市轨道交通列车自动运行(ATO)最优控制策略的研究;刘翔;《中国优秀硕士论文全文数据库》;20110915(第9期);第1.3节、1.4节、第2章、第3.2节、第3.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109835375A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109835375B (zh) | 基于人工智能技术的高速铁路列车自动驾驶系统 | |
Yin et al. | Research and development of automatic train operation for railway transportation systems: A survey | |
CN111376954B (zh) | 一种列车自主调度方法和系统 | |
CN106777752B (zh) | 一种高速列车追踪运行曲线优化设定方法 | |
Yin et al. | A review on artificial intelligence in high-speed rail | |
CN111369181A (zh) | 一种列车自主调度深度强化学习方法和模块 | |
CN112883640B (zh) | 数字孪生车站系统、基于该系统的作业调度方法及应用 | |
Xia et al. | Modeling and control of heavy-haul trains [applications of control] | |
CN104881527A (zh) | 城市轨道交通列车ato速度命令优化方法 | |
CN201051254Y (zh) | 城市轨道交通信号系统的列车环境仿真器 | |
CN112529755A (zh) | 高铁动车智能运维管理系统 | |
Fang et al. | Application of reliability-centered maintenance in metro door system | |
CN110516935A (zh) | 一种基于端边云架构的矿车无人驾驶运输系统路权云智能分配方法 | |
Zhang et al. | An AI based high-speed railway automatic train operation system analysis and design | |
CN103955135A (zh) | 一种基于双层模式曲线的机车优化操纵序列计算方法 | |
Pi et al. | Automotive platoon energy-saving: A review | |
CN211001365U (zh) | 一种城市轨道交通车辆基地智能化列检系统 | |
RU2487036C1 (ru) | Устройство построения энергосберегающих графиков движения поездов | |
Li et al. | A framework of smart railway passenger station based on digital twin | |
Xu et al. | Parallel dispatching: An ACP-based high-speed railway intelligent dispatching system | |
Liu | Unmanned driving systems for smart trains | |
Kurbanov et al. | Improving the control method of the decelerator mechanism on the sorting hill in railway transport | |
CN112614038A (zh) | 旅客列车智能运维管理系统 | |
Li et al. | Current state and predicted technological trends in global railway intelligent digital transformation | |
Zhang et al. | Optimization Model of Urban Rail Transportation Planning Based on Evolutionary Algorithm of State Space Model |
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 |