CN112084030A - 基于云边协同的无人驾驶列车控制系统及其控制方法 - Google Patents
基于云边协同的无人驾驶列车控制系统及其控制方法 Download PDFInfo
- Publication number
- CN112084030A CN112084030A CN202010958618.4A CN202010958618A CN112084030A CN 112084030 A CN112084030 A CN 112084030A CN 202010958618 A CN202010958618 A CN 202010958618A CN 112084030 A CN112084030 A CN 112084030A
- Authority
- CN
- China
- Prior art keywords
- module
- deep learning
- train
- learning model
- data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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 vehicle trains
- B61L23/08—Control, warning, or like safety means along the route or between vehicles or vehicle trains for controlling traffic in one direction only
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/04—Automatic systems, e.g. controlled by train; Change-over to manual control
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Abstract
本发明提供了一种基于云边协同的无人驾驶列车控制系统,其特征在于:所述控制系统包括中心云计算单元、列车控制调度中心、分布式数据采集单元、多个边缘云计算单元和多辆列车;还提供了一中根据上述控制系统的控制方法,其特征在于:中心云计算单元构建可用深度学习模型并下发到各个边缘云计算单元,边缘云计算单元根据分布式数据采集单元获取的状态数据,采用“双模工作方式”,控制深度学习模型模块或智能算法模块工作,以得到驾驶档位操纵序列或智能驾驶曲线控制列车自动驾驶。采用本发明所述的控制系统和控制方法能有效利用专家知识数据,提高列车的抗干扰能力和自我愈合能力。
Description
技术领域
本发明涉及交通运输技术领域,特别是一种基于云边协同的无人驾驶列车控制系统及其控制方法。
背景技术
随着人工智能技术在轨道交通中的利用,列车无人驾驶技术已经得到更广泛的应用。现有的列车无人驾驶控制模式,大多采用仿生智能计算生成列车的自动驾驶曲线来控制列车运行的方式,上述方式在列车正常运行的过程中使用效果较好,但列车在运行过程中难免存在各种干扰,比如轨道设备、供电系统故障、雨、雾等恶劣天气、突发地质灾害等都会对列车的运行造成干扰,这些干扰因素是随机发生的,没有规律,会引起列车区间运行时分增加,或列车短时停留,或需要列车限速通过故障区间等,从而使列车的运行偏离原有的规划,原有的自动驾驶曲线不再适用,此时,需要快速重新规划新的自动驾驶曲线用于列车后续运行。现有技术中,也采用云计算的方式来生成列车的自动驾驶曲线,然而,过度依赖云计算会出现各种数据的处理都希望往云上面靠的现象,导致云上的数据越来越多,这样不仅给网络带宽造成压力,而且大量终端数据每次都要传到遥远的云端,云端花时间处理完后往回传,使得云端的处理效率降低、时延增大。上述方式很难在列车遇到干扰情况下快速恢复列车的运行,提高列车运行的自我愈合能力,以满足实际运行要求。现有技术中,还往往采用将自动驾驶方式转换至人工操控方式来解决上述问题,但是人工操控的应急方式难以得到最优的列车速度控制方案。
另一方面,列车在实际运行过程中,会记录运行效果较佳的列车自动驾驶数据和优秀驾驶员的操纵数据,这些实际运行过程中的优秀数据,我们称之为专家知识数据,目前这些专家知识数据处于只存不用的状态,如何利用这些专家知识数据来控制列车正常或干扰情况下的运行,来降低系统的运算负担,规避人工操作的缺陷,提高列车的运行操控质量,也是亟待解决的问题。
发明内容
针对背景技术的问题,本发明提供一种基于云边协同的无人驾驶列车控制系统,同时还提供一种针对上述控制系统的控制方法,以解决现有技术中列车的自动驾驶受外部环境和故障干扰的影响大,自我愈合能力较差,不能有效利用专家知识数据的问题。
为实现本发明的目的,本发明提供了一种基于云边协同的无人驾驶列车的控制系统,其创新点在于:所述控制系统包括中心云计算单元、列车控制调度中心、分布式数据采集单元、多个边缘云计算单元和多辆列车;
所述中心云计算单元包括数据库模块、深度学习模块、评估模块和中心通信模块;
所述数据库模块用于存储和补充专家知识数据,当专家知识数据的补充数量达到设定的阈值时,所述数据库模块还能将补充后的专家知识数据传输给深度学习模块;
所述深度学习模块能从所述数据库模块获取专家知识数据,所述深度学习模块能通过深度学习算法构建深度学习模型,并利用获取的专家知识数据训练所述深度学习模型,深度学习模块还能将训练后的深度学习模型数据传输给所述评估模块;
所述评估模块能对收到的深度学习模型数据进行评估,当评估结果不满足设定的误差要求时,评估模块控制深度学习模块继续对深度学习模型进行训练;当评估结果满足设定的误差要求时,评估模块即将得到的可用深度学习模型传输给中心通信模块;
所述中心通信模块能将收到的可用深度学习模型下发给各个边缘云计算单元的边缘通信模块;
设某运营线路上有多个站点,相邻两个站点之间的路段记为一个子线路;所述多个边缘云计算单元与多个子线路一一对应,单个边缘云计算单元设置在对应的子线路的起点站内,单个边缘云计算单元与对应子线路上运行的列车对应;所述边缘云计算单元包括驾驶模式控制模块、深度学习模型模块、智能算法模块和边缘通信模块;
所述边缘通信模块能将从中心通信模块接收的可用深度学习模型数据传输给所述深度学习模型模块;所述边缘通信模块能将从数据采集单元接收的状态数据传输给驾驶模式控制模块和智能算法模块;边缘通信模块还能将从列车控制调度中心接收的线路和列车基础数据传输给深度学习模型模块和智能算法模块;边缘通信模块能将从深度学习模型模块接收的驾驶档位操纵序列数据发送给对应列车的车载控制系统;边缘通信模块能将从智能算法模块接收的智能驾驶曲线数据发送给对应列车的车载控制系统;
所述驾驶模式控制模块能对收到的所述状态数据进行处理,并识别对应子线路的运行环境状态是否正常,然后根据识别结果触发深度学习模型模块工作或智能算法模块工作;
所述深度学习模型模块能利用可用深度学习模型对收到的线路和列车基础数据进行处理得到驾驶档位操纵序列,并将驾驶档位操纵序列数据传输给边缘通信模块;
所述智能算法模块能利用仿生智能算法对收到的线路和列车基础数据进行处理得到智能驾驶曲线数据,并将智能驾驶曲线数据传输给边缘通信模块。
所述分布式数据采集单元部署在列车运行线路的轨道设备上,所述分布式数据采集单元能采集各类异构的状态数据并通过无线通信的方式传输给相应的边缘云计算单元的边缘通信模块;
所述列车控制调度中心能将子线路的线路和列车基础数据发送给对应的边缘云计算单元的边缘通信模块;
所述列车上设置有用于控制列车运行的车载控制系统,所述车载控制系统能根据从边缘通信模块接收的驾驶档位操纵序列数据或智能驾驶曲线数据控制列车自动驾驶。
本发明还提供了一种根据上述基于云边协同的无人驾驶列车控制系统的控制方法,其创新点在于所述控制方法包括:
所述中心云计算单元按方法一生成可用深度学习模型,中心云计算单元每次生成新的可用深度学习模型后,即将新生成的可用深度学习模型迁移到各个边缘云计算单元;
各个所述边缘云计算单元均按方法二控制对应子线路上运行列车的运行;
所述方法一包括:
1)所述深度学习模块通过深度学习算法构建深度学习模型;
2)操作人员定期对所述数据库模块内的专家知识数据进行补充,当数据库模块内的专家知识数据补充数量达到设定的阈值时,所述数据库模块即将补充后的专家知识数据传输给深度学习模块;
3)所述深度学习模块利用收到的专家知识数据对深度学习模型进行训练,然后深度学习模块将训练后的深度学习模型传输给所述评估模块;
4)所述评估模块利用损失函数对收到的深度学习模型进行评估,如果满足设定的误差要求,则将本次得到的深度学习模型记为可用深度学习模型,然后进入步骤5);否则,返回步骤3);
5)所述评估模块将可用深度学习模型传输给所述中心通信模块,中心通信模块将收到的可用深度学习模型下发给各个所述边缘通信模块;返回步骤2);
所述方法二包括:
单个边缘通信模块将每次收到的可用深度学习模型传输给所述深度学习模型模块;所述深度学习模型模块始终将最近一次收到的可用深度学习模型用于后续操作;
单个子线路所辖的分布式数据采集单元持续将采集的实时、异构的状态数据发送给所述子线路对应的边缘云计算单元的边缘通信模块;所述边缘通信模块将收到的所述状态数据传输给驾驶模式控制模块和智能算法模块;
A)所述驾驶模式控制模块对收到的状态数据进行处理并识别对应子线路的运行环境状态:当子线路的运行环境状态正常时,进入步骤B);当子线路的运行环境状态异常时,进入步骤C);
B)所述驾驶模式控制模块控制深度学习模型模块工作,同时驾驶模式控制模块控制智能算法模块暂停工作;所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路当前的线路和列车基础数据,然后边缘通信模块将接收的线路和列车基础数据传输给深度学习模型模块,深度学习模型模块利用所述可用深度学习模型对收到的所述线路和列车基础数据进行处理得到对应子线路上运行的列车的驾驶档位操纵序列,所述深度学习模型模块将得到的所述驾驶档位操纵序列数据传输给边缘通信模块,所述边缘通信模块再将所述驾驶档位操纵序列数据发送给对应列车的车载控制系统用于控制列车的运行;返回步骤A);
C)所述驾驶模式控制模块控制智能算法模块工作,同时驾驶模式控制模块控制深度学习模型模块暂停工作;所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路当前的线路和列车基础数据,然后边缘通信模块将接收的线路和列车基础数据以及所述状态数据传输给智能算法模块,智能算法模块采用仿生智能算法对收到的所述线路和列车基础数据以及状态数据进行处理得到对应子线路上运行的列车的智能驾驶曲线;如果所述智能驾驶曲线的生成时间大于设定时间,则返回步骤B);否则,进入步骤D);
D)智能算法模块将得到的列车的智能驾驶曲线数据传输给边缘通信模块,所述缘通信模块再将所述智能驾驶曲线数据发送给对应列车的车载控制系统用于控制列车的运行;返回步骤A)。
本发明的原理如下:针对现有技术存在的问题,本发明基于云边协同的模式构建了无人驾驶列车的控制系统,中心云计算单元负责对专家知识等大数据的采集和存储,利用专家知识数据构建和训练可用深度学习模型,然后再将可用深度学习模型迁移到各个边缘云计算单元用于列车自动驾驶控制,中心云计算单元并不直接参与列车的自动驾驶控制数据的处理,大大减小了中心云计算单元的数据处理压力。而边缘云计算单元是对中心云计算单元的一种补充和优化,边缘云计算单元被部署在各个子线路的起点站内,在整个网络边缘执行数据处理,靠近数据的来源,处理轻量级数据,处理速度较快,体现出效率高、低延时等优势,改善了现有技术中单独使用中心云计算单元直接处理列车终端数据造成的延时性,大大提高了数据处理的效率。
为了同时兼顾列车自动驾驶控制的高效性、抗干扰能力和自愈能力,发明人更是创造性地为边缘云计算单元设计了深度学习模型模块和智能算法模块的双模工作方式。首先深度学习模型模块接收来自中心云计算单元下发的深度学习模型,即具备对线路和列车基本数据的实时处理能力,也能通过深度学习模型实时生成列车的驾驶档位操纵序列用于列车的自动驾驶,因此,当列车在无干扰的正常行驶状态下,采用深度学习模型模块来控制列车的自动驾驶具有实时、高效的特点;当列车遇到干扰处于非正常行驶状态下时,为了应对复杂的路况、设备及环境干扰,采用智能算法模块来针对干扰的具体数据进行处理得到智能驾驶曲线用于列车自动驾驶控制,从而能精准地应对干扰的具体情况,提高列车的抗干扰能力,使列车运行能快速自我修复,以满足整个线路的正常运营需要。另一方面,由于智能算法模块采用的仿生智能算法生成智能驾驶曲线需要一定的时间,遇到较复杂的干扰情况,数据处理量较大,在规定时间内,智能算法模块无法得到智能驾驶曲线的情况下,驾驶模式控制模块能重新将深度学习模型模块切换到工作状态,由于可用深度学习模型在中心云计算单元进行训练时,本身就采用了包含优秀驾驶员在异常事件发生时所进行的应急处理驾驶样本集,而且对可用深度学习模型所进行的训练,让模型本身也具备了一定的泛化能力,所以将深度学习模型模块作为在列车遇到干扰的异常行状况下的备选控制方案,是使列车运行能最低限度应对干扰、自我修复的有力保障。
由此可见,本发明具有如下的有益效果:本发明通过中心云计算单元和边缘云计算单元的巧妙结合,充分利用了现有技术中闲置不用的专家知识数据,结合深度神经网络学习技术,生成可用深度学习模型,实时、快速、准确地获得列车驾驶档位操纵序列实现对列车无人驾驶控制;同时,在列车遇到干扰的异常行驶状态下利用智能算法模块重新优选列车的智能驾驶曲线用于列车自动驾驶,提高了列车运行的抗干扰能力和自我愈合能力,具有相当的灵活性、实时性和高效性。
附图说明
本发明的附图说明如下。
附图1本发明所述控制系统的连接示意图;
附图2为中心云计算单元的连接示意图;
附图3为边缘云计算单元的连接示意图。
具体实施方式
下面结合实施例对本发明作进一步说明。
如附图1所示的基于云边协同的无人驾驶列车控制系统,包括中心云计算单元、列车控制调度中心、分布式数据采集单元、多个边缘云计算单元和多辆列车;
如附图2所示的中心云计算单元包括数据库模块、深度学习模块、评估模块和中心通信模块;
所述数据库模块用于存储和补充专家知识数据,当专家知识数据的补充数量达到设定的阈值时,所述数据库模块还能将补充后的专家知识数据传输给深度学习模块;所述专家知识包括运行效果较佳的列车自动驾驶数据和优秀驾驶员的操纵数据;
所述深度学习模块能从所述数据库模块获取专家知识数据,所述深度学习模块能通过深度学习算法构建深度学习模型,并利用获取的专家知识数据训练所述深度学习模型,深度学习模块还能将训练后的深度学习模型数据传输给所述评估模块;
所述评估模块能对收到的深度学习模型数据进行评估,当评估结果不满足设定的误差要求时,评估模块控制深度学习模块继续对深度学习模型进行训练;当评估结果满足设定的误差要求时,评估模块即将得到的可用深度学习模型传输给中心通信模块;
所述中心通信模块能将收到的可用深度学习模型下发给各个边缘云计算单元的边缘通信模块;
设某运营线路上有多个站点,相邻两个站点之间的路段记为一个子线路;所述多个边缘云计算单元与多个子线路一一对应,单个边缘云计算单元设置在对应的子线路的起点站内,单个边缘云计算单元与对应子线路上运行的列车对应;如附图3所示的边缘云计算单元包括驾驶模式控制模块、深度学习模型模块、智能算法模块和边缘通信模块;
所述边缘通信模块能将从中心通信模块接收的可用深度学习模型数据传输给所述深度学习模型模块;所述边缘通信模块能将从数据采集单元接收的状态数据传输给驾驶模式控制模块和智能算法模块;边缘通信模块还能将从列车控制调度中心接收的线路和列车基础数据传输给深度学习模型模块和智能算法模块;边缘通信模块能将从深度学习模型模块接收的驾驶档位操纵序列数据发送给对应列车的车载控制系统;边缘通信模块能将从智能算法模块接收的智能驾驶曲线数据发送给对应列车的车载控制系统;
所述驾驶模式控制模块能对收到的状态数据进行处理,并识别对应子线路的运行环境状态是否正常,然后根据识别结果触发深度学习模型模块工作或智能算法模块工作;
所述深度学习模型模块能利用可用深度学习模型对收到的线路和列车基础数据进行处理得到驾驶档位操纵序列,并将驾驶档位操纵序列数据传输给边缘通信模块;
所述智能算法模块能利用仿生智能算法对收到的线路和列车基础数据以及所述状态数据进行处理得到智能驾驶曲线数据,并将智能驾驶曲线数据传输给边缘通信模块。
所述分布式数据采集单元部署在列车运行线路的轨道设备上,所述分布式数据采集单元能采集各类异构的状态数据并通过无线通信的方式传输给相应的边缘云计算单元的边缘通信模块;上述状态数据包括轨道地面设备和供电系统是否故障、是否出现雨、雾等恶劣天气等,上述情况均可视为对列车运行的干扰因素。
所述列车控制调度中心能将子线路的线路和列车基础数据发送给对应的边缘云计算单元的边缘通信模块;所述线路和列车基础数据包括线路坡度、线路速度、列车车型、列车长度和列车定位等数据;
所述列车上设置有用于控制列车运行的车载控制系统,所述车载控制系统能根据从边缘通信模块接收的驾驶档位操纵序列数据或智能驾驶曲线数据控制列车自动驾驶。
本发明还提供一种根据上述基于云边协同的无人驾驶列车控制系统的控制方法,包括:
所述中心云计算单元按方法一生成可用深度学习模型,中心云计算单元每次生成新的可用深度学习模型后,即将新生成的可用深度学习模型迁移到各个边缘云计算单元;
各个所述边缘云计算单元均按方法二控制对应子线路上运行列车的运行;
所述方法一包括:
1)所述深度学习模块通过深度学习算法构建深度学习模型;深度学习模型可通过深度神经网络构建,本实施例采用的深度神经网络包括长短时序记忆网络LSTM、卷积神经网络CNN、深度信念网络DBN或自编码器AE等;
2)操作人员定期对所述数据库模块内的专家知识数据进行补充,当数据库模块内的专家知识数据补充量达到设定的阈值时,所述数据库模块即将补充后的专家知识数据传输给深度学习模块;操作人员可从列车设计资料、列车运行监控装置LKJ、列车控制与管理系统TCMS设备上获取专家知识数据;
3)所述深度学习模块利用收到的专家知识数据对深度学习模型进行训练,然后深度学习模块将训练后的深度学习模型传输给所述评估模块;上述过程中深度学习模块利用深度学习算法理论,通过对深度神经网络进行网络优化和正则化训练得到深度学习模型;
4)所述评估模块利用损失函数对收到的深度学习模型进行评估,如果满足设定的误差要求,则将本次得到的深度学习模型记为可用深度学习模型,然后进入步骤5);否则,返回步骤3);
5)所述评估模块将可用深度学习模型传输给所述中心通信模块,中心通信模块将收到的可用深度学习模型下发给各个所述边缘通信模块;返回步骤2);
所述方法二包括:
单个边缘通信模块将每次收到的可用深度学习模型传输给所述深度学习模型模块;所述深度学习模型模块始终将最近一次收到的可用深度学习模型用于后续操作;本实施例中,深度学习模型模块第一次收到可用深度学习模型后,后续每次都用新收到的可用深度学习模型替换前次收到的深度学习模型以对深度学习模型进行更新;
单个子线路所辖的分布式数据采集单元持续将采集的实时、异构的状态数据发送给所述子线路对应的边缘云计算单元的边缘通信模块;所述边缘通信模块将收到的所述状态数据传输给驾驶模式控制模块和智能算法模块;
A)所述驾驶模式控制模块对收到的状态数据进行处理并识别对应子线路的运行环境状态:当子线路的运行环境状态正常时,进入步骤B);当子线路的运行环境状态异常时,进入步骤C);
本实施例中,当驾驶模式控制模块通过对状态数据处理后,识别出轨道地面设备或供电系统故障或出现雨、雾天气,即判定对应子线路的运行环境状态为异常,否则判定为正常;
B)所述驾驶模式控制模块控制深度学习模型模块工作,同时驾驶模式控制模块控制智能算法模块暂停工作;所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路当前的线路和列车基础数据,然后边缘通信模块将接收的线路和列车基础数据传输给深度学习模型模块,深度学习模型模块利用所述可用深度学习模型对收到的所述线路和列车基础数据进行处理得到对应子线路上运行的列车的驾驶档位操纵序列,所述深度学习模型模块将得到的所述驾驶档位操纵序列数据传输给边缘通信模块,所述边缘通信模块再将所述驾驶档位操纵序列数据发送给对应列车的车载控制系统用于控制列车的运行;返回步骤A);本实施例中,驾驶档位操纵序列包括档位排序和各个档位持续时间;
C)所述驾驶模式控制模块控制智能算法模块工作,同时驾驶模式控制模块控制深度学习模型模块暂停工作;所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路当前的线路和列车基础数据,然后边缘通信模块将接收的线路和列车基础数据以及所述状态数据传输给智能算法模块,智能算法模块采用仿生智能算法对收到的所述线路和列车基础数据以及所述状态数据进行处理得到对应子线路上运行的列车的智能驾驶曲线;如果所述智能驾驶曲线的生成时间大于设定时间,则返回步骤B);否则,进入步骤D);
本实施例所述的仿生智能算法可以采用进化计算、生物计算或群集智能计算等算法;
D)智能算法模块将得到的列车的智能驾驶曲线数据传输给边缘通信模块,所述缘通信模块再将所述智能驾驶曲线数据发送给对应列车的车载控制系统用于控制列车的运行;返回步骤A)。
本发明中应用到的深度学习算法(包括深度神经网络、长短时序记忆网络LSTM、卷积神经网络CNN、深度信念网络DBN或自编码器AE等)、仿生智能算法(包括进化计算、生物计算或群集智能计算等)、损失函数等均为现有技术中十分常见的处理手段,相关的内容,本领域技术人员可从现有技术的相关文献中获取。
Claims (4)
1.一种基于云边协同的无人驾驶列车控制系统,其特征在于:所述控制系统包括中心云计算单元、列车控制调度中心、分布式数据采集单元、多个边缘云计算单元和多辆列车;
所述中心云计算单元包括数据库模块、深度学习模块、评估模块和中心通信模块;
所述数据库模块用于存储和补充专家知识数据,当专家知识数据的补充数量达到设定的阈值时,所述数据库模块还能将补充后的专家知识数据传输给深度学习模块;
所述深度学习模块能从所述数据库模块获取专家知识数据,所述深度学习模块能通过深度学习算法构建深度学习模型,并利用获取的专家知识数据训练所述深度学习模型,深度学习模块还能将训练后的深度学习模型数据传输给所述评估模块;
所述评估模块能对收到的深度学习模型数据进行评估,当评估结果不满足设定的误差要求时,评估模块控制深度学习模块继续对深度学习模型进行训练;当评估结果满足设定的误差要求时,评估模块即将得到的可用深度学习模型传输给中心通信模块;
所述中心通信模块能将收到的可用深度学习模型下发给各个边缘云计算单元的边缘通信模块;
设某运营线路上有多个站点,相邻两个站点之间的路段记为一个子线路;所述多个边缘云计算单元与多个子线路一一对应,单个边缘云计算单元设置在对应的子线路的起点站内,单个边缘云计算单元与对应子线路上运行的列车对应;所述边缘云计算单元包括驾驶模式控制模块、深度学习模型模块、智能算法模块和边缘通信模块;
所述边缘通信模块能将从中心通信模块接收的可用深度学习模型数据传输给所述深度学习模型模块;所述边缘通信模块能将从数据采集单元接收的状态数据传输给驾驶模式控制模块和智能算法模块;边缘通信模块还能将从列车控制调度中心接收的线路和列车基础数据传输给深度学习模型模块和智能算法模块;边缘通信模块能将从深度学习模型模块接收的驾驶档位操纵序列数据发送给对应列车的车载控制系统;边缘通信模块能将从智能算法模块接收的智能驾驶曲线数据发送给对应列车的车载控制系统;
所述驾驶模式控制模块能对收到的所述状态数据进行处理,并识别对应子线路的运行环境状态是否正常,然后根据识别结果触发深度学习模型模块工作或智能算法模块工作;
所述深度学习模型模块能利用可用深度学习模型对收到的线路和列车基础数据进行处理得到驾驶档位操纵序列,并将驾驶档位操纵序列数据传输给边缘通信模块;
所述智能算法模块能利用仿生智能算法对收到的线路和列车基础数据进行处理得到智能驾驶曲线数据,并将智能驾驶曲线数据传输给边缘通信模块。
所述分布式数据采集单元部署在列车运行线路的轨道设备上,所述分布式数据采集单元能采集各类异构的状态数据并通过无线通信的方式传输给相应的边缘云计算单元的边缘通信模块;
所述列车控制调度中心能将子线路的线路和列车基础数据发送给对应的边缘云计算单元的边缘通信模块;
所述列车上设置有用于控制列车运行的车载控制系统,所述车载控制系统能根据从边缘通信模块接收的驾驶档位操纵序列数据或智能驾驶曲线数据控制列车自动驾驶。
2.一种基于云边协同的无人驾驶列车控制系统的控制方法,其特征在于:涉及的硬件包括:中心云计算单元、列车控制调度中心、分布式数据采集单元、多个边缘云计算单元和多辆列车;
所述中心云计算单元包括数据库模块、深度学习模块、评估模块和中心通信模块;
所述数据库模块用于存储和补充专家知识数据,当专家知识数据的补充数量达到设定的阈值时,所述数据库模块还能将补充后的专家知识数据传输给深度学习模块;
所述深度学习模块能从所述数据库模块获取专家知识数据,所述深度学习模块能通过深度学习算法构建深度学习模型,并利用获取的专家知识数据训练所述深度学习模型,深度学习模块还能将训练后的深度学习模型数据传输给所述评估模块;
所述评估模块能对收到的深度学习模型数据进行评估,当评估结果不满足设定的误差要求时,评估模块控制深度学习模块继续对深度学习模型进行训练;当评估结果满足设定的误差要求时,评估模块即将得到的可用深度学习模型传输给中心通信模块;
所述中心通信模块能将收到的可用深度学习模型下发给各个边缘云计算单元的边缘通信模块;
设某运营线路上有多个站点,相邻两个站点之间的路段记为一个子线路;所述多个边缘云计算单元与多个子线路一一对应,单个边缘云计算单元设置在对应的子线路的起点站内,单个边缘云计算单元与对应子线路上运行的列车对应;所述边缘云计算单元包括驾驶模式控制模块、深度学习模型模块、智能算法模块和边缘通信模块;
所述边缘通信模块能将从中心通信模块接收的可用深度学习模型数据传输给所述深度学习模型模块;所述边缘通信模块能将从数据采集单元接收的状态数据传输给驾驶模式控制模块和智能算法模块;边缘通信模块还能将从列车控制调度中心接收的线路和列车基础数据传输给深度学习模型模块和智能算法模块;边缘通信模块能将从深度学习模型模块接收的驾驶档位操纵序列数据发送给对应列车的车载控制系统;边缘通信模块能将从智能算法模块接收的智能驾驶曲线数据发送给对应列车的车载控制系统;
所述驾驶模式控制模块能对收到的所述状态数据进行处理,并识别对应子线路的运行环境状态是否正常,然后根据识别结果触发深度学习模型模块工作或智能算法模块工作;
所述深度学习模型模块能利用可用深度学习模型对收到的线路和列车基础数据进行处理得到驾驶档位操纵序列,并将驾驶档位操纵序列数据传输给边缘通信模块;
所述智能算法模块能利用仿生智能算法对收到的线路和列车基础数据以及所述状态数据进行处理得到智能驾驶曲线数据,并将智能驾驶曲线数据传输给边缘通信模块。
所述分布式数据采集单元部署在列车运行线路的轨道设备上,所述分布式数据采集单元能采集各类异构的状态数据并通过无线通信的方式传输给相应的边缘云计算单元的边缘通信模块;
所述列车控制调度中心能将子线路的线路和列车基础数据发送给对应的边缘云计算单元的边缘通信模块;
所述列车上设置有用于控制列车运行的车载控制系统,所述车载控制系统能根据从边缘通信模块接收的驾驶档位操纵序列数据或智能驾驶曲线数据控制列车自动驾驶;
所述控制方法包括:
所述中心云计算单元按方法一生成可用深度学习模型,中心云计算单元每次生成新的可用深度学习模型后,即将新生成的可用深度学习模型迁移到各个边缘云计算单元;
各个所述边缘云计算单元均按方法二控制对应子线路上运行列车的运行;
所述方法一包括:
1)所述深度学习模块通过深度学习算法构建深度学习模型;
2)操作人员定期对所述数据库模块内的专家知识数据进行补充,当数据库模块内的专家知识数据补充数量达到设定的阈值时,所述数据库模块即将补充后的专家知识数据传输给深度学习模块;
3)所述深度学习模块利用收到的专家知识数据对深度学习模型进行训练,然后深度学习模块将训练后的深度学习模型传输给所述评估模块;
4)所述评估模块利用损失函数对收到的深度学习模型进行评估,如果满足设定的误差要求,则将本次得到的深度学习模型记为可用深度学习模型,然后进入步骤5);否则,返回步骤3);
5)所述评估模块将可用深度学习模型传输给所述中心通信模块,中心通信模块将收到的可用深度学习模型下发给各个所述边缘通信模块;返回步骤2);
所述方法二包括:
单个边缘通信模块将每次收到的可用深度学习模型传输给所述深度学习模型模块;所述深度学习模型模块始终将最近一次收到的可用深度学习模型用于后续操作;
单个子线路所辖的分布式数据采集单元持续将采集的实时、异构的状态数据发送给所述子线路对应的边缘云计算单元的边缘通信模块;所述边缘通信模块将收到的所述状态数据传输给驾驶模式控制模块和智能算法模块;
A)所述驾驶模式控制模块对收到的状态数据进行处理并识别对应子线路的运行环境状态:当子线路的运行环境状态正常时,进入步骤B);当子线路的运行环境状态异常时,进入步骤C);
B)所述驾驶模式控制模块控制深度学习模型模块工作,同时驾驶模式控制模块控制智能算法模块暂停工作;所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路当前的线路和列车基础数据,然后边缘通信模块将接收的线路和列车基础数据传输给深度学习模型模块,深度学习模型模块利用所述可用深度学习模型对收到的线路和列车基础数据进行处理得到对应子线路上运行的列车的驾驶档位操纵序列,所述深度学习模型模块将得到的所述驾驶档位操纵序列数据传输给边缘通信模块,所述边缘通信模块再将所述驾驶档位操纵序列数据发送给对应列车的车载控制系统用于控制列车的运行;返回步骤A);
C)所述驾驶模式控制模块控制智能算法模块工作,同时驾驶模式控制模块控制深度学习模型模块暂停工作;所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路当前的线路和列车基础数据,然后边缘通信模块将接收的线路和列车基础数据以及所述状态数据传输给智能算法模块,智能算法模块采用仿生智能算法对收到的所述线路和列车基础数据以及状态数据进行处理得到对应子线路上运行的列车的智能驾驶曲线;如果所述智能驾驶曲线的生成时间大于设定时间,则返回步骤B);否则,进入步骤D);
D)智能算法模块将得到的列车的智能驾驶曲线数据传输给边缘通信模块,所述缘通信模块再将所述智能驾驶曲线数据发送给对应列车的车载控制系统用于控制列车的运行;返回步骤A)。
3.如权利要求2所述的基于云边协同的无人驾驶列车控制系统的控制方法,其特征在于:所述步骤2)所述的深度学习算法包括深度神经网络,所述深度神经网络为长短时序记忆网络、卷积神经网络、深度信念网络或自编码器。
4.如权利要求2所述的基于云边协同的无人驾驶列车控制系统的控制方法,其特征在于:所述步骤C)所述的仿生智能算法为进化计算、生物计算或群集智能计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958618.4A CN112084030B (zh) | 2020-09-14 | 2020-09-14 | 基于云边协同的无人驾驶列车控制系统及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958618.4A CN112084030B (zh) | 2020-09-14 | 2020-09-14 | 基于云边协同的无人驾驶列车控制系统及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084030A true CN112084030A (zh) | 2020-12-15 |
CN112084030B CN112084030B (zh) | 2022-04-01 |
Family
ID=73737015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010958618.4A Active CN112084030B (zh) | 2020-09-14 | 2020-09-14 | 基于云边协同的无人驾驶列车控制系统及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084030B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112904890A (zh) * | 2021-01-15 | 2021-06-04 | 北京国网富达科技发展有限责任公司 | 一种电力线路的无人机自动巡检系统及方法 |
CN113327442A (zh) * | 2021-04-30 | 2021-08-31 | 广州中国科学院软件应用技术研究所 | 一种基于端云融合的协同控制系统及方法 |
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 |
CN116620367A (zh) * | 2023-07-24 | 2023-08-22 | 北京城建智控科技股份有限公司 | 云边协同的轨道控制系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104575102A (zh) * | 2014-12-16 | 2015-04-29 | 北京中交兴路车联网科技有限公司 | 一种车辆告警系统及方法 |
US20180057030A1 (en) * | 2013-11-27 | 2018-03-01 | Solfice Research, Inc. | Real Time Machine Vision and Point-Cloud Analysis For Remote Sensing and Vehicle Control |
CN108394429A (zh) * | 2018-02-06 | 2018-08-14 | 重庆交通大学 | 一种为城轨列车群生成自动驾驶曲线的方法 |
CN108803604A (zh) * | 2018-06-06 | 2018-11-13 | 深圳市易成自动驾驶技术有限公司 | 车辆自动驾驶方法、装置以及计算机可读存储介质 |
CN108986502A (zh) * | 2017-05-30 | 2018-12-11 | 福特全球技术公司 | 感应回路检测系统和方法 |
CN109835375A (zh) * | 2019-01-29 | 2019-06-04 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于人工智能技术的高速铁路列车自动驾驶系统 |
CN110281983A (zh) * | 2019-06-28 | 2019-09-27 | 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 |
CN111601266A (zh) * | 2020-03-31 | 2020-08-28 | 浙江吉利汽车研究院有限公司 | 协同控制方法及系统 |
CN111619624A (zh) * | 2020-06-01 | 2020-09-04 | 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 |
-
2020
- 2020-09-14 CN CN202010958618.4A patent/CN112084030B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180057030A1 (en) * | 2013-11-27 | 2018-03-01 | Solfice Research, Inc. | Real Time Machine Vision and Point-Cloud Analysis For Remote Sensing and Vehicle Control |
CN104575102A (zh) * | 2014-12-16 | 2015-04-29 | 北京中交兴路车联网科技有限公司 | 一种车辆告警系统及方法 |
CN108986502A (zh) * | 2017-05-30 | 2018-12-11 | 福特全球技术公司 | 感应回路检测系统和方法 |
CN108394429A (zh) * | 2018-02-06 | 2018-08-14 | 重庆交通大学 | 一种为城轨列车群生成自动驾驶曲线的方法 |
CN108803604A (zh) * | 2018-06-06 | 2018-11-13 | 深圳市易成自动驾驶技术有限公司 | 车辆自动驾驶方法、装置以及计算机可读存储介质 |
CN109835375A (zh) * | 2019-01-29 | 2019-06-04 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于人工智能技术的高速铁路列车自动驾驶系统 |
CN110281983A (zh) * | 2019-06-28 | 2019-09-27 | 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 |
CN111601266A (zh) * | 2020-03-31 | 2020-08-28 | 浙江吉利汽车研究院有限公司 | 协同控制方法及系统 |
CN111619624A (zh) * | 2020-06-01 | 2020-09-04 | 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 |
Non-Patent Citations (3)
Title |
---|
施浚珲: "人工智能在无人驾驶轨道列车中的应用", 《汽车安全与节能学报》 * |
李升波等: "深度神经网络的关键技术及其在自动驾驶领域的应用", 《汽车安全与节能学报》 * |
雷成健等: "智慧城轨下智能列车运行技术的研究与展望", 《现代城市轨道交通》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112904890A (zh) * | 2021-01-15 | 2021-06-04 | 北京国网富达科技发展有限责任公司 | 一种电力线路的无人机自动巡检系统及方法 |
CN113327442A (zh) * | 2021-04-30 | 2021-08-31 | 广州中国科学院软件应用技术研究所 | 一种基于端云融合的协同控制系统及方法 |
WO2022227105A1 (zh) * | 2021-04-30 | 2022-11-03 | 广州中国科学院软件应用技术研究所 | 一种基于端云融合的协同控制系统及方法 |
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 |
CN116620367A (zh) * | 2023-07-24 | 2023-08-22 | 北京城建智控科技股份有限公司 | 云边协同的轨道控制系统 |
CN116620367B (zh) * | 2023-07-24 | 2023-10-24 | 北京城建智控科技股份有限公司 | 云边协同的轨道控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112084030B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084030B (zh) | 基于云边协同的无人驾驶列车控制系统及其控制方法 | |
CN112046557B (zh) | 一种无人驾驶列车控制系统的控制方法 | |
WO2021135514A1 (zh) | 一种城市轨道交通运控运维协同系统及方法 | |
CN111619624B (zh) | 一种基于深度强化学习的有轨电车运行控制方法和系统 | |
CN210380934U (zh) | 一种城市轨道交通车辆电气牵引系统的健康管理系统 | |
CN104590333A (zh) | 一种铁路列车智能操纵优化控制系统 | |
CN109932975B (zh) | 一种永磁磁浮道岔的智能控制器 | |
CN207683529U (zh) | 65t电机车无人驾驶控制系统 | |
US11827258B2 (en) | Train driver assistance method, system, device, and computer-readable storage medium | |
CN108427419B (zh) | 一种轨道物流智能转轨器及其控制方法 | |
CN110924345A (zh) | 一种纯电动无人驾驶环卫洗扫车智能作业系统 | |
CN212500426U (zh) | 基于车车通信的列车自主控制系统 | |
CN114611726A (zh) | 一种基于云平台的城市轨道交通数据融合控制系统 | |
CN115092218B (zh) | 高速铁路信号系统全生命周期智能运维系统 | |
CN106864486A (zh) | 一种列车全网控制系统和方法 | |
CN213750755U (zh) | 一种基于图像识别技术的地铁车辆智能巡检装置 | |
CN113879360A (zh) | 列车控制系统和列车 | |
CN112734164A (zh) | 高速铁路信号系统全生命周期智能运维方法 | |
CN111191819A (zh) | 一种轨道交通多列车速度曲线轨迹协调优化方法 | |
CN103754238A (zh) | 轨道车辆门控器运行信息远程集中采集装置及采集方法 | |
CN115071792A (zh) | 一种基于边缘计算的弓网在线监测系统及方法 | |
CN113266555B (zh) | 一种云边端协同智能供水控制调度的方法 | |
CN107104723A (zh) | 基于无人机的电动汽车信息无线收集系统 | |
CN102566416A (zh) | 混合动力调车机车运行工况的智能识别评价方法 | |
CN110989627A (zh) | 一种震源车队的自动循迹跟车系统 |
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 |