CN110728771A - 一种自动驾驶系统加速度快速在线估计方法及装置 - Google Patents

一种自动驾驶系统加速度快速在线估计方法及装置 Download PDF

Info

Publication number
CN110728771A
CN110728771A CN201910960474.3A CN201910960474A CN110728771A CN 110728771 A CN110728771 A CN 110728771A CN 201910960474 A CN201910960474 A CN 201910960474A CN 110728771 A CN110728771 A CN 110728771A
Authority
CN
China
Prior art keywords
acceleration
time window
time
speed
estimation
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.)
Granted
Application number
CN201910960474.3A
Other languages
English (en)
Other versions
CN110728771B (zh
Inventor
翟守超
江明
叶昊
陈志强
孙新亚
吉吟东
王佳
董炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
CRSC Research and Design Institute Group Co Ltd
Original Assignee
Tsinghua University
CRSC Research and Design Institute Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University, CRSC Research and Design Institute Group Co Ltd filed Critical Tsinghua University
Priority to CN201910960474.3A priority Critical patent/CN110728771B/zh
Publication of CN110728771A publication Critical patent/CN110728771A/zh
Application granted granted Critical
Publication of CN110728771B publication Critical patent/CN110728771B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Abstract

本发明涉及一种自动驾驶系统加速度快速在线估计方法及装置，所述方法包括其根据时间窗[(k‑2w)T，kT]内的速度数据，采用最小二乘法进行速度曲线拟合来实现加速度的快速估计，所述时间窗[(k‑2w)T，kT]内的速度数据记为从历史时刻(k‑2w)T到当前kT的历史数据v((k‑2w)T)，v((k‑2w+1)T)，…，v((k‑1)T)，v(kT)；根据速度曲线拟合误差的标准差
Figure DDA0002228744550000011
与已知噪声标准差σξ间的关系以及实时计算的加速度a0(t)的相对估计偏差来动态调整所述时间窗[(k‑2w)T，kT]的时间窗口的长度。通过最小二乘法的数据矩阵在滑动时间窗内可以实现加速度的快速估计，在ATO平台上采用定点数计算基本不会带来舍入误差累计，舍入误差也可接受。根据曲线拟合的标准差与已知噪声标准差间的关系以及实时计算的加速度的相对估计偏差来动态调整时间窗的长度从而实现低延时高准确度的加速度估计。

Description

一种自动驾驶系统加速度快速在线估计方法及装置
技术领域
本发明属于高速列车的自动驾驶系统领域，特别涉及一种高速列车的自动驾驶系统加速度快速在线估计方法及装置。
背景技术
近10年，我国高速铁路取得了高速发展。截至2019年7月，我国高速铁路总运营里程已经超过3万公里，跃居世界第一。与此同时，高速列车的运行速度在逐步提升，最新投入运营的“复兴号”高速列车也将逐步取代当前的“和谐号”高速列车。高速铁路里程的增加和高速列车运行速度的提高对列车司机驾驶能力提出了越来越高的要求。为解决这一困难，高速列车自动驾驶(Automatic Train Operation，ATO)成为一种必然的趋势。为实现列车运行平稳舒适、准时准点和精确停车等控制目标，ATO控制算法需要较精确的动力学模型。然而高速列车是由多节车厢构成的复杂非线性系统，并且列车的动力学特性可能会随着运行工况的改变而发生变化，此外，同一型号不同列车的动力学特性也会稍有不一致。列车加速度是列车动力学模型的重要参数，也是ATO控制的关键信号。加速度计是测量加速度的最直接方法，但由于安装成本、性能和可靠性等原因，多数现有列车并没有安装加速度计。基于速度来估计加速度是常用方法。但由于速度测量总是存在噪声，直接将速度差分得到的加速度噪声太大。现有技术有用线性回归平滑牛顿法(recursive linearsmoothednewton，RLSN)来估计加速度，但该方法假设待估计加速度满足多项式形式。现有技术还有采用卡尔曼滤波方法来实现加速度的估计，但是该方法对加速度估计的实时性也不理想。
现有方法在高铁ATO算法应用中都存在一个重要的不足：算法计算量大。在现有的高速列车ATO平台运算速度和存储能力有限。为了实现高可靠性和安全性，控制算法是只能使用定点数，不能够使用浮点数。现有的算法在ATO平台上用定点数计算时会面临着计算时间长、舍入误差大以及舍入误差累积等问题。
发明内容
为了解决上述技术问题，本发明第一个目的是提供了一种高速列车的自动驾驶系统加速度快速在线估计方法，所述在线估计方法包括如下步骤中的一种或多种：
根据时间窗[(k-2w)T，kT]内的速度数据，采用最小二乘方法进行速度曲线拟合来实现加速度的快速估计，所述时间窗[(k-2w)T，kT]内的速度数据记为从历史时刻(k-2w)T到当前kT的历史数据v((k-2w)T)，v((k-2w+1)T)，…，v((k-1)T)，v(kT)，k代表当前时刻，w为常数，
Figure BDA0002228744540000011
T为系统的采样周期；
根据速度曲线拟合误差的标准差
Figure BDA0002228744540000012
与已知噪声标准差σξ间的关系以及实时计算的加速度a0(t)的相对估计偏差来动态调整所述时间窗[(k-2w)T，kT]的时间窗口的长度。
本发明的第二个目的是提供了一种高速列车的自动驾驶系统加速度快速在线估计装置，所述在线估计装置包括如下组件中的一种或多种：
估算组件，所述估算组件被配置为根据时间窗[(k-2w)T，kT]内的速度数据，采用最小二乘方法进行速度曲线拟合来实现加速度的快速估计，所述时间窗[(k-2w)T，kT]内的速度数据记为从历史时刻(k-2w)T到当前kT的历史数据v((k-2w)T)，v((k-2w+1)T)，…，v((k-1)T)，v(kT)，k代表当前时刻，w为常数，T为系统的采样周期；
时间窗动态调整组件，所述时间窗动态调整组件被配置为根据速度曲线拟合误差的标准差
Figure BDA0002228744540000023
与已知噪声标准差σξ间的关系以及实时计算的加速度a0(t)的相对估计偏差来动态调整所述时间窗[(k-2w)T，kT]的时间窗口的长度。
本发明的有益效果在于，采用最小二乘法，通过合理设计数据矩阵在滑动时间窗内可以实现加速度的快速估计，在ATO平台上采用定点数计算基本不会带来舍入误差累计，舍入误差也在可接受的范围。进一步，根据曲线拟合误差的标准差与已知噪声标准差间的关系以及实时计算的加速度的相对估计偏差来动态调整时间窗的长度从而实现低延时高准确度的加速度估计。进一步的，本发明根据一段时间窗内的速度数据，采用最小二乘法合理设计数据矩阵来实现加速度的快速估计，然后根据曲线拟合误差的标准差与已知噪声标准差间的关系以及实时计算的加速度的相对估计偏差来动态调整时间窗的长度从而实现低延时高准确度的加速度估计。本文所提方法的计算量小，可以在高铁的自动控制系统中直接应用
具体实施方式
本发明的一些实施例中提供了一种高速列车的自动驾驶系统加速度快速在线估计方法，该在线估计方法包括如下步骤中的一种或多种：
根据时间窗[(k-2w)T，kT]内的速度数据，采用最小二乘方法进行速度曲线拟合来实现加速度的快速估计，所述时间窗[(k-2w)T，kT]内的速度数据记为从历史时刻(k-2w)T到当前kT的历史数据v((k-2w)T)，v((k-2w+1)T)，…，v((k-1)T)，v(kT)，k代表当前时刻，w为常数，
Figure BDA0002228744540000021
T为系统的采样周期；
根据速度曲线拟合的标准差
Figure BDA0002228744540000024
与已知噪声标准差σξ间的关系以及实时计算的加速度a0(t)的相对估计偏差来动态调整所述时间窗[(k-2w)T，kT]的时间窗口的长度。
进一步的，本发明的实施例优选的最小二乘法是采用一阶多项式拟合速度曲线，但其他拟合方式仍在本发明构思之内。
需要注意的是，为书写方便和表达清楚，本发明有时将v(kT)将简写作v(k)。
一些实施例的拟合表达式为：
其中，α是待拟合的加速度，β＝β′+α(k-2ω)T，β、β′均为待拟合的常数项；
将所述采用最小二乘法进行速度曲线拟合来实现加速度的快速估计可表示为如下的优化间题
Figure BDA0002228744540000032
其中，
Figure BDA0002228744540000033
则求解α，β的公式为：
x＝(ATA)-1ATb＝Wb (式3)
其中，W为系数矩阵，W＝(ATA)-1AT，且对所述系数矩阵W进行离线计算并存储。
进一步的，系数矩阵W只依赖于采样周期T和时间窗的相关变量ω，但求解过程中矩阵求逆会带来计算量增大。在控制系统中采样周期T一般都是固定的，为减少在线的计算量，对系数矩阵W进行离线计算并存储，是实现本发明目的的技术方案之一。
需要说明的是，如果列车的真实加速度a0在时间窗[(k-2w)T，kT]内是常数，那么加速度的估计误差将随着ω的增大而减小。但是如果真实加速度a0在时间窗[(k-2w)T，kT]内是变化的，那么加速度的估计误差可能会随着w的增大而增大。因此，在线估计加速度是需要动态的调整时间窗的大小，来实现加速度的可靠估计。
进一步的，本发明实施例还意外的发现，在离线计算并存储W的方法不再有效时，本发明的一些实施例通过重新选择数据矩阵A的形式，大大减小系数矩阵W的计算量，从而可实现在线的实时计算。具体为：
在另外一些优选实施例的拟合表达式为：
Figure BDA0002228744540000034
其中，α是待拟合的加速度，β＝β′+α(k-2ω)T，β、β′均为待拟合的常数项；
将所述采用最小二乘法进行速度曲线拟合来实现加速度的快速估计表示为如下的优化问题
Figure BDA0002228744540000041
其中，
Figure BDA0002228744540000042
则求解α，β的公式为：
x＝(ATA)-1ATb＝Wb (式3)
其中，W为系数矩阵，
Figure BDA0002228744540000043
那么，待拟合加速度α的估计值：
Figure BDA0002228744540000044
其中，j＝1，2，…，ω，
待拟合常数项β的估计值：
Figure BDA0002228744540000045
其中，j＝0，1，2，…，2ω，
需要说明的是，(式5)中没有矩阵求逆运算，可大大简化在线计算量。进一步，根据式(式5)和(式6)估计得到待拟合加速度的估计值α和待拟合常数项β的估计值
Figure BDA0002228744540000047
可以得到当前时刻速度的滤波结果：
Figure BDA0002228744540000046
在以上一些实施例中重新选择数据矩阵A的形式，主要是为了实现系数矩阵W的在线计算。在以下一些实施例中给出了在线辨识加速度是应该如何动态的调整时间窗口的长度的方法。
为此，在一般情况下，本发明的高速列车的运动学模型表示为：
Figure BDA0002228744540000051
其中v0(t)和a0(t)是列车在时间t时的真实速度和加速度，v0(t1)为列车在时间t1时的速度；
进一步，高速列车测量实时速度时的公式为：
v(kT)＝v0(kT)+ξ(kT)(式9)
其中，v(kT)为实时速度，v0(kT)为列车在时间kT时的真实速度，ξ(kT)为测量实时速度时的噪声，T为系统的采样周期。
在本发明实施中，t表示连续系统的时间，kT表示连续系统的离散采样时间。
则所述动态调整所述时间窗[(k-2ω)T，kT]的时间窗口的长度的步骤包括：
首先，将给出在时间窗[(k-2ω)T，kT]内真实加速度a0不变情况下的统计分析结果，此时(式4)
Figure BDA0002228744540000052
将变为
Figure BDA0002228744540000053
其中，v0(t)和a0(t)是列车在时间t的真实速度和加速度，ξ(t)为速度测量时的噪声，T为系统的采样周期；
将噪声ξ(kT)的标准差记为σ(ξ(kT))＝σξ；
则可知(式5)、(式6)是
Figure BDA0002228744540000054
则加速度估计值的期望和标准差是：
Figure BDA0002228744540000056
Figure BDA0002228744540000061
(k-ω)T时刻的速度估计值的期望和标准差是：
Figure BDA0002228744540000062
根据(式13)-(式16)可知，在时间窗[(k-2w)T，kT]内真实加速度a0不变情况下，加速度和速度的估计误差都随着ω的增大而减小；
则在线计算速度曲线拟合误差的标准差的公式为：
在一些实施例中，所述动态调整所述时间窗[(k-2w)T，kT]的时间窗口的长度还包括如下步骤：
当
Figure BDA0002228744540000065
与σξ的差值小于或等于第一预设值时，则可认为真实的速度曲线接近一次曲线，即近似认为真实加速度在时间窗口内不变，增大时间窗口来减小估计误差；若
Figure BDA0002228744540000066
中，γmin为加速度相对估计偏差最小值，则停止增大时间窗口。优选地，当
Figure BDA0002228744540000067
与σξ的差值小于或等于第一预设值时，即
Figure BDA0002228744540000068
与σξ较为接近，真实的速度曲线不限于为一次曲线，而是基本接近于一次曲线，从而也可以近似于一次曲线。
但当
Figure BDA0002228744540000069
与σξ的差值大于第一预设值时，则可认为真实的速度曲线不是一次曲线，即真实加速度在时间窗口内发生改变，减小时间窗口来估计下一时间段内的加速度；若
Figure BDA00022287445400000610
γmax为加速度相对估计偏差最大值，则停止减小时间窗口。
进一步，可选择与σξ较接近的判断准则是：
Figure BDA00022287445400000612
其中，σth为预设标准差，即第一预设值。
从式(14)可知，加速度的估计标准差
Figure BDA00022287445400000613
随着w的增大而减小，那么可以限定w的范围是[wmin，wmax]。其中wmin保证
Figure BDA00022287445400000614
大于给定值，wmax用于限定时间窗的最大长度来限定计算量。
在高速列车的ATO算法中，不仅
Figure BDA00022287445400000615
的绝对值是需要关心的，加速度的估计标准差的相对值更为重要。因此，在时间窗口的选择中，限定时间加速度的估计标准差的相对值的范围[γmin，γmax]。若
Figure BDA00022287445400000617
则不可以再减小ω；若
Figure BDA00022287445400000618
则没有必要再增大w。
本发明实施例还给出时间窗口动态调整的判断准则，但不限于此：
Figure BDA00022287445400000619
本发明的另外一些实施例中还提供了一种高速列车的自动驾驶系统加速度快速在线估计装置，所述在线估计装置包括如下组件中的一种或多种：
估算组件，所述估算组件被配置为根据时间窗[(k-2ω)T，kT]内的速度数据，采用最小二乘法进行速度曲线拟合来实现加速度的快速估计，所述时间窗[(k-2ω)T，kT]内的速度数据记为从历史时刻(k-2ω)T到当前kT的历史数据v((k-2w)T)，v((k-2w+1)T)，…，v((k-1)T)，v(kT)，k代表当前时刻，ω为常数，
Figure BDA0002228744540000072
T为系统的采样周期；
时间窗动态调整组件，所述时间窗动态调整组件被配置为根据速度曲线拟合误差的标准差
Figure BDA0002228744540000076
与已知噪声标准差σξ间的关系以及实时计算的加速度a0(t)的相对估计偏差来动态调整所述时间窗[(k-2ω)T，kT]的时间窗口的长度。
进一步的，所述最小二乘法是采用一阶多项式拟合速度曲线，拟合表达式为：
Figure BDA0002228744540000073
其中，α是待拟合的加速度，β＝β′+α(k-2ω)T，β、β′均为待拟合的常数项；
将所述采用最小二乘法进行速度曲线拟合来实现加速度的快速估计表示为如下的优化问题
Figure BDA0002228744540000074
其中，
Figure BDA0002228744540000075
则求解α，β的公式为：
x＝(ATA)-1ATb＝Wb (式3)
其中，W为系数矩阵，W＝(ATA)-1AT，且对所述系数矩阵W进行离线计算并存储。
再进一步的，所述最小二乘法是采用一阶多项式拟合速度曲线，拟合表达式为：
Figure BDA0002228744540000081
其中，α是待拟合的加速度，β＝β′+α(k-2ω)T，β、β′均为待拟合的常数项；
将所述采用最小二乘法进行速度曲线拟合来实现加速度的快速估计表示为如下的优化问题
Figure BDA0002228744540000082
其中，
Figure BDA0002228744540000083
则求解α，β的公式为：
x＝(ATA)-1ATb＝Wb (式3)
其中，W为系数矩阵，
那么，待拟合加速度α的估计值：
Figure BDA0002228744540000085
其中，j＝1，2，…，ω，
待拟合常数项β的估计值：
其中，j＝0，1，2，…，2ω，
进一步，根据(式5)和(式6)估计得到待拟合加速度α的估计值
Figure BDA0002228744540000087
和待拟合常数项β的估计值则当前时刻速度的滤波结果表示为：
Figure BDA0002228744540000092
本发明的装置实施例中，构建高速列车的运动学模型表示为
其中，v0(t)和a0(t)是列车在时间t时的真实速度和加速度，v0(t1)为列车在时间t1时的速度；
高速列车测量实时速度时的公式为：
v(kT)＝v0(kT)+ξ(kT) (式9)
其中，v(kT)为实时速度，v0(kT)为列车在时间kT时的真实速度，ξ(kT)为测量实时速度时的噪声，T为系统的采样周期。
本发明的时间窗动态调整组件用于动态调整所述时间窗[(k-2w)T，kT]的时间窗口的长度的步骤包括：
首先，将给出在时间窗[(k-2w)T，kT]内真实加速度a0不变情况下的统计分析结果，此时(式4)将变为
其中，v0(t)和a0(t)是列车在时间t的真实速度和加速度，ξ(t)为速度测量时的噪声，T为系统的采样周期；
将噪声ξ(kT)的标准差记为σ(ξ(kT))＝σξ；
则可知(式5)和(式6)分别为：
Figure BDA0002228744540000095
Figure BDA0002228744540000096
则加速度估计值的期望和标准差是：
Figure BDA0002228744540000101
(k-w)T时刻的速度估计值的期望和标准差是：
Figure BDA0002228744540000103
Figure BDA0002228744540000104
根据(式13)-(式16)可知，在时间窗[(k-2w)T，kT]内真实加速度不变情况下，加速度和速度的估计误差都随着w的增大而减小；
则在线计算速度曲线拟合误差的标准差的公式为：
本发明的另外一些装置实施例中，动态调整所述时间窗[(k-2w)T，kT]的时间窗口的长度还包括如下时间窗模块，所述时间窗模块被配置为：
当
Figure BDA0002228744540000106
与σξ较接近时，真实的速度曲线基本是一次曲线，即真实加速度在时间窗口内基本不变，增大时间窗口来减小估计误差；若
Figure BDA0002228744540000107
则没有必要再增大w。
但当
Figure BDA0002228744540000108
与σξ偏离较远时，真实的速度曲线不是一次曲线，即真实加速度在时间窗口内发生了变化，减小时间窗口来估计最新时间段内的加速度；若
Figure BDA0002228744540000109
则不可以再减小w。
以上所述实施例仅仅是本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (10)

1.一种自动驾驶系统加速度快速在线估计方法，其特征在于，所述在线估计方法包括如下步骤中的一种或多种：
根据时间窗[(k-2w)T，kT]内的速度数据，采用最小二乘法进行速度曲线拟合来实现加速度的快速估计，所述时间窗[(k-2w)T，kT]内的速度数据记为从历史时刻(k-2w)T到当前kT的历史数据v((k-2w)T)，v((k-2w+1)T)，…，v((k-1)T)，v(kT)，k代表当前时刻，w为常数，k＞2ω，k，
Figure FDA0002228744530000015
k，w∈N，T为系统的采样周期；
根据速度曲线拟合误差的标准差
Figure FDA0002228744530000016
与已知噪声标准差σξ间的关系以及实时计算的加速度a0(t)的相对估计偏差来动态调整所述时间窗[(k-2w)T，kT]的时间窗口的长度。
2.如权利要求1所述的方法，其特征在于，所述最小二乘方法是采用一阶多项式拟合速度曲线，拟合表达式为：
其中，α是待拟合的加速度，β＝β′+α(k-2ω)T，β、β′均为待拟合的常数项；
将所述采用最小二乘法进行速度曲线拟合来实现加速度的快速估计表示为如下的优化问题：
Figure FDA0002228744530000012
其中，
Figure FDA0002228744530000013
则求解α，β的公式为：
x＝(ATA)-1ATb＝Wb (式3)
其中，W为系数矩阵，W＝(ATA)-1AT，且对所述系数矩阵W进行离线计算并存储。
3.如权利要求1所述的方法，其特征在于，所述最小二乘法是采用一阶多项式拟合速度曲线，拟合表达式为：
Figure FDA0002228744530000014
其中，α是待拟合的加速度，β＝β′+α(k-2w)T，β、β′均为待拟合的常数项；
将所述采用最小二乘法进行速度曲线拟合来实现加速度的快速估计表示为如下的优化问题：
Figure FDA0002228744530000021
其中，
Figure FDA0002228744530000022
则求解α，β的公式为：
x＝(ATA)-1ATb＝Wb (式3)
其中，W为系数矩阵，
Figure FDA0002228744530000023
那么，待拟合加速度α的估计值：
Figure FDA0002228744530000024
其中，j＝1，2，…，ω，
待拟合常数项β的估计值：
Figure FDA0002228744530000025
其中，j＝0，1，2，…，2ω，
进一步，根据(式5)和(式6)估计得到待拟合加速度α的估计值
Figure FDA0002228744530000029
和待拟合常数项β的估计值
Figure FDA0002228744530000028
则当前时刻速度的滤波结果表示为：
Figure FDA0002228744530000026
4.如权利要求3所述的方法，其特征在于，构建高速列车的运动学模型：
Figure FDA0002228744530000027
其中，v0(t)和a0(t)是列车在时间t时的真实速度和加速度，v0(t1)为列车在时间t1时的速度；
高速列车测量实时速度时的公式为：
v(kT)＝v0(kT)+ξ(kT) (式9)
v(kT)为实时速度，v0(kT)为列车在时间kT时的真实速度，ξ(kT)为测量实时速度时的噪声，T为系统的采样周期。
则所述动态调整所述时间窗[(k2w)T，kT]的时间窗口的长度的步骤包括：
首先，给出在时间窗[(k-2w)T，kT]内真实加速度a0不变情况下的统计分析结果，此时式4将变为
Figure FDA0002228744530000031
将噪声ξ(kT)的标准差记为σ(ξ(kT))＝σξ；
则可知式5和式6分别为：
Figure FDA0002228744530000032
Figure FDA0002228744530000033
则加速度估计值的期望和标准差是：
Figure FDA0002228744530000034
Figure FDA0002228744530000035
(k-w)T时刻的速度估计值的期望和标准差是：
Figure FDA0002228744530000041
Figure FDA0002228744530000042
根据(式13)-(式16)可知，在时间窗[(k-2w)T，kT]内真实加速度a0不变情况下，加速度和速度的估计误差都随着w的增大而减小；
则在线计算速度曲线拟合误差的标准差的公式为：
Figure FDA0002228744530000043
5.如权利要求4所述的方法，其特征在于，所述动态调整所述时间窗[(k-2w)T，kT]的时间窗口的长度还包括如下步骤：
当
Figure FDA0002228744530000049
与σξ的差值小于或等于第一预设值时，真实的速度曲线是一次曲线，即真实加速度在时间窗口内不变，增大时间窗口来减小估计误差；若
Figure FDA0002228744530000045
其中，γmin为加速度相对估计偏差最小值，则停止增大时间窗口；
但当与σξ的差值大于第一预设值时，真实的速度曲线不是一次曲线，即真实加速度在时间窗口内发生改变，减小时间窗口来估计下一时间段内的加速度；若
Figure FDA0002228744530000046
γmax为加速度相对估计偏差最大值，则停止减小时间窗口。
6.一种自动驾驶系统加速度快速在线估计装置，其特征在于，所述在线估计装置包括如下组件中的一种或多种：
估算组件，所述估算组件被配置为根据时间窗[(k-2w)T，kT]内的速度数据，采用最小二乘方法进行速度曲线拟合来实现加速度的快速估计，所述时间窗[(k-2w)T，kT]内的速度数据记为从历史时刻(k-2w)T到当前kT的历史数据v((k-2w)T)，v((k-2w+1)T)，…，v((k-1)T)，v(kT)，k代表当前时刻，w为常数，k＞2w，k，
Figure FDA0002228744530000047
T为系统的采样周期；
时间窗动态调整组件，所述时间窗动态调整组件被配置为根据速度曲线拟合的标准差
Figure FDA0002228744530000048
与已知噪声标准差σξ间的关系以及实时计算的加速度a0(t)的相对估计偏差来动态调整所述时间窗[(k-2w)T，kT]的时间窗口的长度。
7.如权利要求1所述的装置，其特征在于，所述最小二乘法是采用一阶多项式拟合速度曲线，拟合表达式为：
Figure FDA0002228744530000044
其中，α是待拟合的加速度，β＝β′+α(k-2w)T，β、β′均为待拟合的常数项；
将所述采用最小二乘法进行速度曲线拟合来实现加速度的快速估计表示为如下的优化问题
Figure FDA0002228744530000051
其中，
Figure FDA0002228744530000052
则求解α，β的公式为：
x＝(ATA)-1ATb＝Wb (式3)
其中，W为系数矩阵，W＝(ATA)-1AT，且对所述系数矩阵W进行离线计算并存储。
8.如权利要求1所述的装置，其特征在于，所述最小二乘方法是采用一阶多项式拟合速度曲线，拟合表达式为：
其中，α是待拟合的加速度，β＝β′+α(k-2w)T，β、β′均为待拟合的常数项；
将所述采用最小二乘法进行速度曲线拟合来实现加速度的快速估计表示为如下的优化问题
Figure FDA0002228744530000054
其中，
Figure FDA0002228744530000055
则求解α，β的公式为：
x＝(ATA)-1ATb＝Wb (式3)
其中，W为系数矩阵，
Figure FDA0002228744530000056
那么，待拟合加速度α的估计值：
Figure FDA0002228744530000061
其中，j＝1，2，…，ω，
待拟合常数项β的估计值：
Figure FDA0002228744530000062
其中，j＝0，1，2，…，2ω，
进一步，根据式5和式6估计得到待拟合加速度α的估计值和待拟合常数项β的估计值
Figure FDA0002228744530000067
则当前时刻速度的滤波结果表示为：
Figure FDA0002228744530000063
9.如权利要求3所述的装置，其特征在于，所述时间窗动态调整组件还用于构建高速列车的运动学模型：
其中v0(t)和a0(t)是列车在时间t时的真实速度和加速度，v0(t1)为列车在时间t1时的速度；
高速列车测量实时速度时的公式为：
v(kT)＝v0(kT)+ξ(kT) (式9)
v(kT)为实时速度，v0(kT)为列车在时间kT时的真实速度，ξ(kT)为测量实时速度时的噪声，T为系统的采样周期。
则所述时间窗动态调整组件的动态调整所述时间窗[(k-2w)T，kT]的时间窗口的长度的步骤包括：
首先，将给出在时间窗[(k-2w)T，kT]内真实加速度a0不变情况下的统计分析结果，此时将变为式4
Figure FDA0002228744530000065
将噪声ξ(kT)的标准差记为σ(ξ(kT))＝σξ；
则可知式5和式6分别为
Figure FDA0002228744530000071
Figure FDA0002228744530000072
则加速度估计值的期望和标准差是：
Figure FDA0002228744530000073
Figure FDA0002228744530000074
(k-w)T时刻的速度估计值的期望和标准差是：
Figure FDA0002228744530000075
Figure FDA0002228744530000076
根据(式13)-(式16)可知，在时间窗[(k-2w)T，kT]内真实加速度a0不变情况下，加速度和速度的估计误差都随着w的增大而减小；
则在线计算速度曲线拟合误差的标准差的公式为：
Figure FDA0002228744530000077
10.如权利要求4所述的装置，其特征在于，动态调整所述时间窗[(k-2w)T，kT]的时间窗口的长度还包括如下时间窗模块，所述时间窗模块被配置为：
当
Figure FDA00022287445300000710
与σξ的差值小于或等于第一预设值时，真实的速度曲线是一次曲线，即真实加速度在时间窗口内不变，增大时间窗口来减小估计误差；若
Figure FDA0002228744530000078
其中，γmin为加速度相对估计偏差最小值，则停止增大时间窗口；
但当
Figure FDA0002228744530000079
与σξ的差值大于或等于第一预设值时，真实的速度曲线不是一次曲线，即真实加速度在时间窗口内发生改变，减小时间窗口来估计下一时间段内的加速度；若
Figure FDA0002228744530000081
γmax为加速度相对估计偏差最小值，则停止减小时间窗口。
CN201910960474.3A 2019-10-10 2019-10-10 一种自动驾驶系统加速度快速在线估计方法及装置 Active CN110728771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910960474.3A CN110728771B (zh) 2019-10-10 2019-10-10 一种自动驾驶系统加速度快速在线估计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910960474.3A CN110728771B (zh) 2019-10-10 2019-10-10 一种自动驾驶系统加速度快速在线估计方法及装置

Publications (2)

Publication Number Publication Date
CN110728771A true CN110728771A (zh) 2020-01-24
CN110728771B CN110728771B (zh) 2021-08-17

Family

ID=69220938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910960474.3A Active CN110728771B (zh) 2019-10-10 2019-10-10 一种自动驾驶系统加速度快速在线估计方法及装置

Country Status (1)

Country Link
CN (1) CN110728771B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115195791A (zh) * 2022-09-19 2022-10-18 上海伯镭智能科技有限公司 一种基于大数据的无人驾驶速度控制方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1853107A (zh) * 2003-07-12 2006-10-25 托罗特拉克(开发)有限公司 确定机动车辆加速度的方法和装置
US20130193276A1 (en) * 2012-01-31 2013-08-01 Sandor Wayne Shapery System for inductive power transfer and robust position sensing
CN105372442A (zh) * 2015-12-14 2016-03-02 北京交控科技股份有限公司 一种列车测速方法、处理器及列车测速系统
CN106706957A (zh) * 2016-11-29 2017-05-24 中车株洲电力机车研究所有限公司 加速度估计方法、装置、机车运动控制方法及机车
JP2017147825A (ja) * 2016-02-16 2017-08-24 株式会社東芝 列車速度位置算出装置、列車運転支援装置、および列車運転制御装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1853107A (zh) * 2003-07-12 2006-10-25 托罗特拉克(开发)有限公司 确定机动车辆加速度的方法和装置
US20130193276A1 (en) * 2012-01-31 2013-08-01 Sandor Wayne Shapery System for inductive power transfer and robust position sensing
CN105372442A (zh) * 2015-12-14 2016-03-02 北京交控科技股份有限公司 一种列车测速方法、处理器及列车测速系统
JP2017147825A (ja) * 2016-02-16 2017-08-24 株式会社東芝 列車速度位置算出装置、列車運転支援装置、および列車運転制御装置
CN106706957A (zh) * 2016-11-29 2017-05-24 中车株洲电力机车研究所有限公司 加速度估计方法、装置、机车运动控制方法及机车

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HIROYUKI NAGATOMI,ET AL: "Acceleration Estimation Method for Motion Control System with Optical Encoder", 《2006 IEEE INTERNATIONAL CONFERENCE ON INDUSTRIAL TECHNOLOGY》 *
李江红，等: "一种基于最小二乘法的加速度估计方法", 《机车电传动》 *
郭红戈: "差分型思维进化算法在广义预测控制和动车组列车制动系统中的应用", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *
陈世友，等: "机动目标滤波的最小二乘方法", 《舰船电子工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115195791A (zh) * 2022-09-19 2022-10-18 上海伯镭智能科技有限公司 一种基于大数据的无人驾驶速度控制方法及装置
CN115195791B (zh) * 2022-09-19 2023-01-03 上海伯镭智能科技有限公司 一种基于大数据的无人驾驶速度控制方法及装置

Also Published As

Publication number Publication date
CN110728771B (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN109229082B (zh) 一种轨道车辆制动系统防滑控制方法
JP3777970B2 (ja) 先行車追従制御装置
US20160297456A1 (en) Driving curve creation device, driving assistance device, driving control device, and driving curve creation method
EP3424768B1 (en) Train control device
CN110728771B (zh) 一种自动驾驶系统加速度快速在线估计方法及装置
US10953900B2 (en) Abnormality detection device, abnormality detection method, and program
CN112622872A (zh) 一种能量回收控制方法及装置
JP2004080838A (ja) 自動列車運転装置
CN110949342A (zh) 一种轨道车辆空气制动停车控制方法及系统
JP5150448B2 (ja) 列車制御装置
CN114559988A (zh) 列车速度、里程、站点和运动状态测量方法、装置及系统
RU2741459C1 (ru) Способ эксплуатации сортировочной горки при ранжировке и устройство управления сортировочной горкой
CN112550359B (zh) 基于阶梯形目标速度曲线的列车平滑跟踪控制方法
CN112744293A (zh) 方向盘零位偏差角度测量方法及车辆
CN109271656B (zh) 一种城市轨道交通列车模型参数的自动辨识方法
CN114007921B (zh) 用于动态优化车辆、尤其是轨道车辆的制动距离的方法和装置
CN112744270A (zh) 一种基于状态辨识的列车快速精确停车方法
CN111830830B (zh) 一种列车自动运行停车精度控制方法、系统以及计算机可读介质
CN114179806B (zh) 一种自动驾驶车辆坡道起步的控制方法及系统
JP5986961B2 (ja) 自動列車運転装置
JP3959239B2 (ja) 自動列車運転装置
JP6366559B2 (ja) 自動列車運転装置
CN105583236A (zh) 冷轧带钢塑性系数的在线获取方法
JP3138086B2 (ja) ブレーキ制御装置
CN114435428A (zh) 一种列车制动曲线确定方法及装置、列车控制方法及系统

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