CN111833482A - 基于机车线路可见的多源信息融合预见定位定时控制方法 - Google Patents
基于机车线路可见的多源信息融合预见定位定时控制方法 Download PDFInfo
- Publication number
- CN111833482A CN111833482A CN202010601802.3A CN202010601802A CN111833482A CN 111833482 A CN111833482 A CN 111833482A CN 202010601802 A CN202010601802 A CN 202010601802A CN 111833482 A CN111833482 A CN 111833482A
- Authority
- CN
- China
- Prior art keywords
- locomotive
- control
- information
- information fusion
- fusion
- 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims abstract description 4
- 238000003745 diagnosis Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
- B61L25/02—Indicating or recording positions or identities of vehicles or trains
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于机车线路可见的多源信息融合预见定位定时控制方法。它包含以下步骤:通过位置和速度传感器获取机车线路位置、速度、加速度信息,然后抽象出多源信息特征向量;以神经网络为分类器,在特征层将不同的驾驶类型与复杂的驾驶信息区分开来,为最终的信息融合诊断提供良好的基础;将区分后的驾驶信息与机车可见线路进行信息融合;基于多源信息融合对机车定时定位进行高精度预见控制。本发明以高精度对机车定时定位进行预见控制,可以及时将机车运动信息快速传输给控制程序,有利于机车自动驾驶的快速响应。
Description
技术领域
本发明涉及到机车驾驶信息统计推断与估计技术领域,具体涉及到多源信息融合预见高精度定位定时控制方法。
背景技术
为了满足日益增长的城市轨道交通运输需求,列车自动驾驶控制技术受到业界的广泛关注。列车自动驾驶系统是提高轨道交通运行控制系统服务水平和控制品质的重要子系统,能够为旅客提供准时、精确、高效、快捷的运输服务。列车自动驾驶控制是一个复杂的多目标综合控制过程,车辆参数偏移等干扰给控制性能提升带来极大挑战。在考虑决策控制的快速性和准确性等性能指标时,控制方式的先进性是最需要解决的问题之一。
作为自动驾驶技术的控制结构,预见高精度定位定时控制具有速度快,准确度高的优点。列车自动驾驶控制是一个复杂的多目标综合控制过程,车辆参数偏移等干扰给控制性能提升带来极大挑战。因此,运用多源信息融合技术能综合各个目标和各方面的影响,给出更为安全的控制方式。
目前,从知识图谱构建的角度来看,多源知识融合可以分为两大类,一类是对既有知识图谱进行知识更新,也称开源知识融合;另一类是多知识图谱融合。融合多个知识图谱需要确认其中的等价实例、等价类、等价属性,所以通常认为实体对齐是知识融合的主要工作,这两类工作的目标是知识图谱更新或构建一个新的知识图谱。
目前,线性最优预见控制问题的离散域方面,离散型线性最优预见控制有三种设计方法:偏微分最优化法、扩大误差系统法和逐次最优化法。其中,偏微分最优化法先假设控制律形式再求得性能指标函数的极小点;扩大误差系统法把最优预见控制问题转化为最优调节问题来求解;而逐次最优化法则利用最优性原理.三种方法设计的控制系统结构基本相同,且理论推导与设计过程都显得比较复杂.线性最优预见控制系统基于误差系统方程设计,主要由如下四部分组成:状态反馈器、目标前馈补偿器、干扰前馈补偿器以及积分环节。
发明内容
针对上述机车定时定位控制控制的技术问题。本发明公开了一种机车线路可见的多源信息融合预见高精度定位定时控制方法,将多源信息融合引入到预见控制中,以获得更好的控制性能。
本发明解决上述技术问题的方案是:
通过位置和速度传感器获取机车线路位置、速度、加速度信息,然后抽象出多源信息特征向量;
以神经网络为分类器,在特征层将不同的驾驶类型与复杂的驾驶信息区分开来,为最终的信息融合诊断提供良好的基础;
将区分后的驾驶信息与机车可见线路进行信息融合;
基于多源信息融合对机车定时定位进行高精度预见控制。
本发明的技术效果在于:本发明利用一种新的数据融合模式,以处理简单的方法来计算广义梯形模糊数之间的相似度。基于提出的相似性度量,开发了一种更健壮和有效的算法,讨论了信息融合算法的鲁棒性,提出了一种基于模糊ART神经网络的粗糙模糊数聚类方法。我们用广义模糊数对模糊信息进行建模,采用了一种新的广义模糊数与ART神经网络之间的相似性度量方法,提出了一种改进的聚合方法,可以灵活地处理模糊群决策。
附图说明
图1为本发明中多源信息融合模型说明图。
图2为本发明中信息融合预见控制系统I。
图3为本发明中信息融合预见控制系统II。
图4为本发明中位置检测与控制系统运行流程图。
图5为本发明中工作流程图。
具体实施方式
下面结合附图,对本发明作进一步的详细说明。
多源信息融合模型如图1所示。位置、速度、加速度等不同模态数据在不同程度上具有不同层次的知识表达性,需要研究不同模态信息的特征表示和学习方法,实现多模态数据的协同表示。为了克服结构差异对多模态表示造成的影响,需要研究多模态信息及其内外部知识的嵌入式学习方法,建立认知数据支持的深度特征学习与关联表示模型,从而将位置和运动等不同模态的信息投影到相互关联的共同子空间中,实现知识层面的多模态数据协同表示,进一步支持多模态融合的知识获取。融合模型中串接层的作用是连接从多个数据输入中学习到的所有隐层表示。为了更好地融合不同的数据源,需要利用Bi-GRU(门控循环单元)架构,同时利用更新门和重置门从双向捕获每个数据源的互补性和多样性。然后,将所有隐藏状态作为混合特征连接起来,形成一个新的向量表示,然后将它们输入到全连接层。其实现步骤如下:
第1步:利用Bi-GRU(门控循环单元)架构,同时利用更新门和重置门从双向补货每个数据源的互补性和多样性。将所有隐藏状态作为混合特征连接起来,形成一个新的向量表示,然后将它们输入到全连接层。
第2步:利用Bi-RNN获得文本表示.前向隐藏层可以得到隐藏的表示,后向隐藏层也可以得到表示.将两种隐层表示融合在一起,然后利用自注意力机制自动为不同的输入指定权重。
第3步:用户位置、运动状况和用户识别代码被视为单元数据,在连接了元数据的所有元素之后,将它们输入到Bi-RNN层和元数据表示的注意力层中。网络表示采用LINE,该方法包括节点之间的一阶近似和二阶近似,以获得用户在社交网络中的向量表示。加入昵称和描述,形成一个表示一个跟随者的句子,并采用另一个层次化的注意力网络来获取跟随者信息的整体表示。
预见控制因其能够利用已知的未来目标信息或干扰信息来改善控制系统的性能,因此将其与多源信息融合相结合能够达到高精度的控制效果。预见控制是一种未来信息前馈补偿加上当前信息反馈控制的方法。更准确地说,预见控制是一种利用已知期望目标和干扰信息来改善系统动态响应,抑制外界扰动,提高系统跟踪精度的控制方法,特别适用于未来控制目标和干扰等信息已知的系统,尤其对解决非最小相位系统控制问题有其独特的优势。图2和图3提出一种新的最优预见控制设计方法:信息融合估计法。其实现步骤如下:
第1步:根据离散时间线性定常系统的状态空间模型
x(k+1)=Ax(k)+Bu(k)+Ed(k) (1)
y(k)=Cx(k) (2)
构造如下误差系统
x(k+1)=Ax(k)+BΔu(k)+EΔd(k)+FΔy*(k+1) (3)
e(k)=Cx(k) (4)
第2步:假设未来k+1~k+kf时刻的目标值和k~k+kf-1时刻的干扰均值已知,定义预见控制LQ性能指标函数
Qe,R为对称正定权重矩阵,kf为预见步数,基于三种求解方式,求得最优控制增量序列为
第3步:针对离散时间线性系统的LQ最优预见控制问题,基于信息融合估计理论,求得控制量融合估计为
u(k)=[R+BTP-1(k+1)B]-1BTP-1(k+1)·[x(k+1)-Ax(k)-Ed(k)] (7)
且协状态融合滤波方程为
P-1(K+j)=CTQC+AT[P(k+j+1)+BR-1BT]-1A (9)
信息融合预见控制经过进一步转化,可得到传统预见控制类似的结构形式,如图3所示。
位置检测与控制系统运行流程图如图4,其实现步骤如下:
第1步:系统初始化后,自动进入到自动状态并开始自检(进行机车健康状况与位置检测)。
第2步:自检完成后开始按照预先确定的目标路线进行动作,调整车辆运行状态。
第3步:在车辆运行的过程中不断进行速度检测,若超出安全范围则进行反馈控制。
Claims (2)
1.基于机车线路可见的多源信息融合预见定位定时控制方法,包括以下步骤:
通过位置和速度传感器获取机车线路位置、速度、加速度信息,然后抽象出多源信息特征向量;
以神经网络为分类器,在特征层将不同的驾驶类型与复杂的驾驶信息区分开来,为最终的信息融合诊断提供良好的基础;
将区分后的驾驶信息与机车可见线路进行信息融合;
基于多源信息融合对机车定时定位进行高精度预见控制。
2.根据权利要求1所述的多源信息融合和定时定位的控制方法,其特征在于:求解逆时间方向的协状态序列x(k+j),j=kf,kf-1,…,1的最优融合滤波,实际控制时,每次仅求解k时刻控制量u(k)的最优融合估计,从而减小了计算量;预见控制与非线性控制相结合,能直接基于非线性模型进行设计,提高非线性系统的控制性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010601802.3A CN111833482A (zh) | 2020-06-29 | 2020-06-29 | 基于机车线路可见的多源信息融合预见定位定时控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010601802.3A CN111833482A (zh) | 2020-06-29 | 2020-06-29 | 基于机车线路可见的多源信息融合预见定位定时控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833482A true CN111833482A (zh) | 2020-10-27 |
Family
ID=72899382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010601802.3A Pending CN111833482A (zh) | 2020-06-29 | 2020-06-29 | 基于机车线路可见的多源信息融合预见定位定时控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833482A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015211084A1 (de) * | 2015-06-17 | 2016-07-14 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Positionsbestimmung eines Schienenfahrzeuges |
CN107831654A (zh) * | 2017-10-16 | 2018-03-23 | 湘潭大学 | 不确定线性离散系统的保性能预见重复控制器的控制方法 |
CN111311945A (zh) * | 2020-02-20 | 2020-06-19 | 南京航空航天大学 | 一种融合视觉和传感器信息的驾驶决策系统及方法 |
-
2020
- 2020-06-29 CN CN202010601802.3A patent/CN111833482A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015211084A1 (de) * | 2015-06-17 | 2016-07-14 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Positionsbestimmung eines Schienenfahrzeuges |
CN107831654A (zh) * | 2017-10-16 | 2018-03-23 | 湘潭大学 | 不确定线性离散系统的保性能预见重复控制器的控制方法 |
CN111311945A (zh) * | 2020-02-20 | 2020-06-19 | 南京航空航天大学 | 一种融合视觉和传感器信息的驾驶决策系统及方法 |
Non-Patent Citations (2)
Title |
---|
王志胜: "非线性离散系统的信息融合最优预见控制", 《控制与决策》 * |
甄子洋等: "基于误差系统的信息融合最优预见跟踪控制", 《控制理论与应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Conditional predictive behavior planning with inverse reinforcement learning for human-like autonomous driving | |
Li et al. | Development and evaluation of two learning-based personalized driver models for pure pursuit path-tracking behaviors | |
Yang et al. | Longitudinal tracking control of vehicle platooning using DDPG-based PID | |
CN109978025A (zh) | 一种基于高斯过程回归的智能网联车辆前车加速度预测方法 | |
Shen et al. | Energy-efficient reactive and predictive connected cruise control | |
Su et al. | Deep learning-based model predictive control for virtual coupling railways operation | |
Zhang et al. | Stochastic model predictive control approach to autonomous vehicle lane keeping | |
CN112388620B (zh) | 一种用于气动肌肉驱动系统的轨迹跟踪控制算法 | |
Vasebi et al. | A literature review of energy optimal adaptive cruise control algorithms | |
Wang et al. | Object detection algorithm based on improved Yolov3-tiny network in traffic scenes | |
Tian et al. | Enhancing feedback steering controllers for autonomous vehicles with deep Monte Carlo tree search | |
CN111833482A (zh) | 基于机车线路可见的多源信息融合预见定位定时控制方法 | |
Huang et al. | Decentralized adaptive fuzzy control of large-scale nonaffine nonlinear systems by state and output feedback | |
CN114200936B (zh) | 基于最优控制及宽度学习的agv实时路径规划方法 | |
Chou et al. | Backstepping-based time-gap regulation for platoons | |
Wen et al. | Multi‐model direct generalised predictive control for automatic train operation system | |
Tang et al. | Actively learning Gaussian process dynamical systems through global and local explorations | |
Wang et al. | Lane-Change Intention Prediction of Surrounding Vehicles Using BiLSTM-CRF Models with Rule Embedding | |
Tang et al. | An Efficientnet Based Method for Autonomous Vehicles Trajectory Prediction | |
Cai et al. | Implementation of the Human‐Like Lane Changing Driver Model Based on Bi‐LSTM | |
Wang et al. | Research on vehicle adaptive cruise control based on BP neural network working condition recognition | |
Li et al. | Trajectory Planning for Autonomous Driving in Unstructured Scenarios Based on Deep Learning and Quadratic Optimization | |
Wu et al. | A humanlike lane change decision strategy for mixed traffics with multi-objects | |
Fu et al. | Multiple operating mode ANFIS modelling for speed control of HSEMU | |
Yang et al. | Automatic control method of driving direction of unmanned ground vehicle based on association rules |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201027 |
|
RJ01 | Rejection of invention patent application after publication |