CN112084636A - 一种多列车协同控制方法和装置 - Google Patents

一种多列车协同控制方法和装置 Download PDF

Info

Publication number
CN112084636A
CN112084636A CN202010858087.1A CN202010858087A CN112084636A CN 112084636 A CN112084636 A CN 112084636A CN 202010858087 A CN202010858087 A CN 202010858087A CN 112084636 A CN112084636 A CN 112084636A
Authority
CN
China
Prior art keywords
train
trains
control
formation
potential field
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
CN202010858087.1A
Other languages
English (en)
Other versions
CN112084636B (zh
Inventor
王洪伟
朱力
王悉
林思雨
郝明钊
赵倩倩
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202010858087.1A priority Critical patent/CN112084636B/zh
Publication of CN112084636A publication Critical patent/CN112084636A/zh
Priority to US17/410,975 priority patent/US20220055672A1/en
Application granted granted Critical
Publication of CN112084636B publication Critical patent/CN112084636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • B61L27/10—Operations, e.g. scheduling or time tables
    • B61L27/16—Trackside optimisation of vehicle or train operation
    • 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
    • B61L15/0018—Communication with or on the vehicle or train
    • 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
    • B61L25/021—Measuring and recording of train speed
    • 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
    • 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
    • B61L27/20—Trackside control of safe travel of vehicle or train, e.g. braking curve calculation
    • 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
    • B61L27/60—Testing or simulation
    • 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
    • B61L27/70—Details of trackside communication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • B61L27/20—Trackside control of safe travel of vehicle or train, e.g. braking curve calculation
    • B61L2027/204—Trackside control of safe travel of vehicle or train, e.g. braking curve calculation using Communication-based Train Control [CBTC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Automation & Control Theory (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明实施例提供了一种多列车协同控制方法和装置，所述方法包括：S1，建立城市轨道交通列车动力学模型；S2，对基于车车通信的城市轨道交通列车控制系统进行建模；S3，根据所述动力学模型和所述控制系统的模型，构建综合考虑列车编队距离收敛和速度收敛的优化控制目标；S4，基于人工势场法和卡尔曼滤波，根据所述优化控制目标，对多列车进行协同控制。本发明能够有效缩减列车追踪间隔。

Description

一种多列车协同控制方法和装置
技术领域
本发明涉及交通领域，尤其涉及一种多列车协同控制方法装置。
背景技术
随着经济和城镇化的快速发展，城市轨道交通已成为我国大中特型城市公共交通的主动脉，在北京、上海等特大型城市的公共交通客运量占比均超过50％。因此以北京，上海，广州等为代表的特大型城市依然面临着极大的客运压力，北京10号线，4号线，13号线等线路均以提前实现或超出远期客流预测值，高峰时刻的客流最大满载率甚至达到120％以上。城市轨道交通的客流有以下两个特点：一是潮汐特性，即早高峰进城客流大而且集中，晚高峰则反之；二是换乘车站客流量大。缓解客流压力的主要手段有投入更多列车、缩小列车的发车间隔和压缩停站时间。以潮汐客流为例，客流高峰方向上车辆过多会导致列车在折返区段拥挤，同时城市轨道交通均衡的“站站停”运输组织模式会造成客流较小方向和小客流区段上的运力浪费。因此，客流的非均衡分布和均衡的运输模式之间存在的较大的矛盾。
城市轨道交通的关键技术为基于通信的列车控制(Communication-based traincontrol，CBTC)，城市轨道交通列车运行控制为了提升效率广泛利用移动闭塞模式当前列车以前行列车的尾部为追踪目标，并与前行列车保持稳定的安全防护间隔。在移动闭塞模式下，列车在运行的过程中可遵循撞“硬墙”和撞“软墙”两种模式。
在撞“硬墙”模式中，当前列车认为前行列车处于某个固定位置，当前列车以该固定位置为硬墙，且不能冲撞，该模式需要列车以适当的减速度制动保证列车在“硬墙”前方安全停车。
在撞“软墙”模式中，不仅要考虑前车的位置还要考虑前车的速度，当前列车在运行的时候会考虑前车的动态运行参数，进而调整减速避免与前车相撞，达到安全行车的目的。
在大多数的城市轨道交通线路中，撞“硬墙”是移动闭塞采用的唯一模式。尽管移动闭塞已经大大缩短了列车的发车间隔提升了线路运力，但是该模式下的列车运行间隔仍然较大，尤其是在面对潮汐客流等特殊场景时，列车的周转效率和高客流方向、区段的运力需求无法匹配。追究其深层次的原因是，现有列车运行控制模式下，即使是“撞软墙”列车追踪模式，控制列车前行决策的并不是列车本身，而是地面区域控制器(Zone Controller，ZC)根据前车的位置信息生成的移动授权(Movement Authority，MA)，列车根据MA所涵盖的前车信息计算最大的安全速度，并在该安全速度下制定自身的速度控制策略。列车无法直接获取前车信息去进行控制策略的决断，所以现有列车运行控制系统的控制机制造成列车运行间隔仍然较大。
发明内容
本发明的实施例提供了一种多列车协同控制方法，能够有效缩减列车追踪间隔。
一种多列车协同控制方法，包括：
S1，建立城市轨道交通列车动力学模型；
S2，对基于车车通信的城市轨道交通列车控制系统进行建模；
S3，根据所述动力学模型和所述控制系统的模型，构建综合考虑列车编队距离收敛和速度收敛的优化控制目标；
S4，基于人工势场法和卡尔曼滤波，根据所述优化控制目标，对多列车进行协同控制。
一种多列车协同控制装置，包括：
建立单元，建立城市轨道交通列车动力学模型；
建模单元，对基于车车通信的城市轨道交通列车控制系统进行建模；
构建单元，根据所述动力学模型和所述控制系统的模型，构建综合考虑列车编队距离收敛和速度收敛的优化控制目标；
控制单元，基于人工势场法和卡尔曼滤波，根据所述优化控制目标，对多列车进行协同控制。
本发明将列车建模为离散线性时不变系统，将列车间相对距离和相对速度作为控制多列车编队的约束条件，同时考虑到实际编队过程中噪声的影响，引入了卡尔曼滤波状态观测器，以保证势场算法的收敛性和鲁棒性。本发明所提出的控制策略，能够有效缩减列车追踪间隔，同时通过列车编队的手段达到对线路上列车资源的灵活配置，具有重要的现实意义。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例中，
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述的一种多列车协同控制方法的示意图；
图2为本发明应用场景中加入列车编队模式的CBTC系统示意图；
图3为本发明应用场景中列车状态观测器工作流程示意图。
图4为本发明应用场景中编队模式下列车速度示意图。
图5为本发明应用场景中编队模式下相邻列车间隔示意图。
图6为本发明应用场景中编队模式下列车加速度示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
如图1所示，为本发明所述的一种多列车协同控制方法，包括：
S1，建立城市轨道交通列车动力学模型；
S2，对基于车车通信的城市轨道交通列车控制系统进行建模；
S3，根据所述动力学模型和所述控制系统的模型，构建综合考虑列车编队距离收敛和速度收敛的优化控制目标；
S4，基于人工势场法和卡尔曼滤波，根据所述优化控制目标，对多列车进行协同控制。
所述步骤1具体为：
列车的运动学模型如下：
x[k+1]＝Ax[k]+Bu[k] (1)
x[k]是第k个通信周期内列车的状态，u[k]是势场函数输出的势场值，A，B分别是参数矩阵；
列车状态x[k]的表达如下：
x[k]＝[si[k],vi[k]]T (2)
其中si[k]、vi[k]分别表示列车的位置和速度。
所述步骤2具体为：
在CBTC系统中增加车车通信，实现车车通信和车地通信两种制式的共存，编队运行的列车通过车地通信与控制中心交换信息，通过车车通信与相邻列车交换信息；在编队运行模式下除首车外的其他列车增加协同控制模块Train Cooperative Operation进行状态决策；
在列车编队控制算法中，编队指令由地面中心ATS下发，在下发的指令中包括对领导者和跟随者的指定，编队的首车被指定为领导者，编队内的其余列车被指定为跟随者，首车作为领导者按照时刻表运行追踪ATO曲线，编队的其余列车作为跟随者追踪首车的位置和速度。
所述步骤4具体为：
S41：采集通信拓扑内列车实时运行状态，获取每列车的位置和速度信息；
S42：将每列车的位置和速度信息输入到势场函数和卡尔曼滤波器中；
S43：根据状态势场函数和卡尔曼滤波器，为每列车计算控制力u[k]；
S44：将控制力u[k]施加到每列车；
S45：重复步骤S41-S44，直到列车运行到目的地。
所述步骤43具体为：
步骤431，后车建立与前车的通信；
步骤432，后车收到前车势场函数输出u[k]；
步骤433，后车收到前车y[k]；y[k]包含速度和位置信息；
步骤434，后车根据前车的动力学数学模型计算
Figure BDA0002647147990000051
步骤435，后车根据前车的车载传感器数学模型计算
Figure BDA0002647147990000052
步骤436，后车判断
Figure BDA0002647147990000061
收敛到y[k]；如果判断结果为是，则表示
Figure BDA0002647147990000062
收敛到x[k]；如果判断结果为否，则跳到步骤433；
步骤437，后车使用收敛的x[k]，计算后车势场函数输出u[k]。
所述步骤432具体为：
对于列车之间距离的控制的势场函数表达如下：
Figure BDA0002647147990000063
其中，Xij为i车和j车的实际运行间隔，dij为两车期望的最小安全间隔，ks>0决定控制输入的系数；Aij为多列车编队系统通信拓扑结构对应的邻接矩阵；Aij内变量为aij表示编队内列车之间的信息共享状态，aij为1表示信息链路正常，0表示信息链路异常；当Xij＝dij时，相邻两列车之间的距离控制函数为0，即两车之间处于期望的间距时，距离控制函数的绝对值处于全局最小值；当Xij>dij时势函数为正，两列车之间产生“吸引力”使得二车间距变小，起到拉近效果；当Xij<dij时，势函数为负，两列车之间产生“斥力”，起到推远效果；
速度控制势函数表达式如下：
Figure BDA0002647147990000064
其中kv>0为势场函数的增益系数，Vi为列车i的实际速度，Vj为通信拓扑内其他列车的速度。
距离势场和速度势场的和势场即为总的势场输出，将总势场记为
Figure BDA0002647147990000065
Figure BDA0002647147990000066
本发明还提供一种多列车协同控制装置，包括：
建立单元，建立城市轨道交通列车动力学模型；
建模单元，对基于车车通信的城市轨道交通列车控制系统进行建模；
构建单元，根据所述动力学模型和所述控制系统的模型，构建综合考虑列车编队距离收敛和速度收敛的优化控制目标；
控制单元，基于人工势场法和卡尔曼滤波，根据所述优化控制目标，对多列车进行协同控制。
以下描述本发明的应用场景。
本发明涉及一种考虑车车通信的多列车协同控制方法。列车之间通过车车通信的方式，利用协同控制算法代替列车的机械车钩将列车虚拟连挂，以此实现超短距离，超高密度的列车追踪，为基于多质点模型研究列车编队协同控制器的设计问题。
图2为本发明应用场景中加入列车编队模式的CBTC系统示意图；图3为本发明应用场景中列车状态观测器工作流程示意图。图4为本发明应用场景中编队模式下列车速度示意图。图5为本发明应用场景中编队模式下相邻列车间隔示意图。图6为本发明应用场景中编队模式下列车加速度示意图。以下结合各图进行描述。本发明提出基于人工势场法和卡尔曼滤波的多列车协同控制方法，包括：
S1：建立城市轨道交通列车动力学模型；
S2：对基于车车通信的城市轨道交通列车控制系统进行建模；
S3：构建综合考虑列车编队距离收敛和速度收敛的优化控制目标；
S4：设计基于人工势场法和卡尔曼滤波的多列车协同控制器，具体控制方法步骤为：
S41：采集通信拓扑内列车实时运行状态，获取每列车的位置和速度信息；
S42：将每列车的位置和速度信息输入到势场函数和卡尔曼滤波器中；
S43：根据状态势场函数和卡尔曼滤波器，为每列车计算控制力u[k]；
S44：将控制力u[k]施加到每列车；
S45：重复步骤S41，S44，直到列车运行到目的地。
其中，对多列车编队实施控制的建模过程如下：
1、城市轨道交通列车动力学模型
由于车车通信是周期性的，因此可以将列车建模为离散线性时不变系统。列车的运动学模型如下：
x[k+1]＝Ax[k]+Bu[k] (1)
在上式中，x[k]是第k个通信周期内列车的状态，u[k]是势场函数输出的势场值，A，B分别是参数矩阵。
列车运动学模型中，列车状态包含列车的位置，速度信息。列车状态x[k]的表达如下：
x[k]＝[si[k],vi[k]]T (2)
其中si[k]、vi[k]分别表示列车的位置和速度。
2、基于车车通信的城市轨道交通列车控制模型建模
在CBTC系统中增加车车通信，实现车车通信和车地通信两种制式的共存，编队运行的列车通过车地通信与控制中心交换信息，通过车车通信与相邻列车交换信息。在编队运行模式下除首车外的其他列车不再根据区域控制器ZC提供的MA计算列车的ATP曲线而是通过增加协同控制模块(Train Cooperative Operation，TCO)进行状态决策，列车的追踪间隔可以更近，同时车车通信和车地通信的共存，使得信息交互的实时性和可靠性更高后续列车可以及时了解前方列车的运行情况，以实现比移动闭塞更小的列车追踪间隔。本文引入协同控制，将列车编队模式下的多列车看作一个系统，在ATS调度命令的约束下，完成共同的行车目标，同时满足运行状态的一致性和快速收敛性需求，从而保障列车的运行安全和运行效率。
在列车编队控制算法中，编队指令由地面中心ATS下发，在下发的指令中就包括对领导者和跟随者的指定，编队的首车被指定为领导者，编队内的其余列车被指定为跟随者，未收到编队指令不参与编队。首车作为领导者按照时刻表运行追踪ATO曲线，编队的其余列车作为跟随者追踪首车的位置和速度。
3、多列车编队协同控制器的优化目标和约束条件。
在城市轨道交通多列车编队中，通常需要考虑编队内列车的间距和列车速度，通过对编队内列车间距和速度控制使多辆列车完成编队。在约束条件中，列车间距和列车速度的控制采用人工势场法。
对于列车间距约束，在车车编队过程中，当两车之间的距离较大时将相互吸引，距离越远引力越明显，当两列车逐渐靠近时，车车之间表现出排斥的特性，且距离越近斥力越大，这时列车会相互远离，直到两列车的间距稳定到期望值，车车之间就达到稳定状态。对于列车之间距离的控制的势场函数表达如下：
Figure BDA0002647147990000091
其中，Xij为i车和j车的实际运行间隔，dij为两车期望的最小安全间隔，ks>0决定控制输入的系数。Aij为多列车编队系统通信拓扑结构对应的邻接矩阵。Aij内变量为aij表示编队内列车之间的信息共享状态，aij为1表示信息链路正常，0表示信息链路异常。当Xij＝dij时，相邻两列车之间的距离控制函数为0，即两车之间处于期望的间距时，距离控制函数的绝对值处于全局最小值；当Xij>dij时势函数为正，两列车之间产生“吸引力”使得二车间距变小，起到拉近效果；当Xij<dij时，势函数为负，两列车之间产生“斥力”，起到推远效果。
对于列车速度约束引入速度控制势函数，速度控制势函数的目的是使编队内的列车速度快速达到一致性，协助距离控制势函数，快速完成多车编队。速度控制势函数表达式如下：
Figure BDA0002647147990000101
其中kv>0为势场函数的增益系数，Vi为列车i的实际速度，Vj为通信拓扑内其他列车的速度。
距离势场和速度势场的和势场即为总的势场输出，将总势场记为
Figure BDA0002647147990000102
Figure BDA0002647147990000103
以下描述多列车编队状态观测器。
在实际的列车编队过程中，列车编队要考虑到噪声对算法收敛性、准确性和鲁棒性的影响。本文希望借助一种滤波算法，实现对噪声的过滤以到达对列车位置和速度精确预估的目的。卡尔曼滤波器(Kalman filter)是一种优化估计算法，同时也是一种设计状态观测器的方法。
下面以正线两列车编队为例，描述状态观测器的工作原理如图3所示，在正线上有前后行驶的两列车，列车完成编队且编队状态稳定，后车已知前车的势场函数输出u[k]，u[k]通过前车动力系统执行后，此时前车实际状态为x[k]，前车的状态通过车车通信发送给后车，后车收到的前车状态值为y[k]，y[k]记为后车对前车的观测值。通过前面分析已经知道，由于列车定位测速传感器误差和通信时延存在，后车得到的前车的状态可能不是前车准确的状态x[k]，这就需要后车对前车进行状态观测。在前车的车载控制器中，列车编队算法输出u[k]，列车动力系统执行u[k]，列车实际状态为x[k]。
状态观测器的目的就是得到尽可能准确的列车实际真实状态x[k]，由于传感器的理想测值
Figure BDA0002647147990000104
与前车实际状态xk是一一对应的关系，于是
Figure BDA0002647147990000105
能够收敛到y[k]，那么就可以保证
Figure BDA0002647147990000106
收敛到x[k]。
进一步把机械噪声记为ω[k]，噪声是随机的，这些随机变量不遵循模式，但使用概率论可以得出噪声的平均属性。假设噪声ω[k]服从均值为零，协方差为Q的高斯分布即ω～N(0,Q)，由于列车动力学模型存在两个输出，并且位置、速度的量纲不同，Q为协方差矩阵。于是包含噪声的列车运动学方程如。
x[k]＝Ax[k-1]+Bu[k]+ω[k] (6)
在列车编队的模式下，编队成员是根据其他列车的位置、速度等信息做出控制策略，但是此时列车收到的其他列车的位置、速度等状态信息也是不可靠的，原因是列车自身定位和测速误差以及车车通信存在的噪声，将这类噪声记为μ[k]，噪声服从均值为零，协方差为R的高斯分布，μ～N(0,R)。
列车动力单元数学模型如式(2-13)所示：
Figure BDA0002647147990000111
其中
Figure BDA0002647147990000112
是上一周期最优状态估计。同时理想情况下列车车载传感器得到的列车状态就是列车实际状态即：
Figure BDA0002647147990000113
其中C为初等矩阵。同时观测公式如(2-15)所示：
y[k]＝Cx[k]+μ[k] (9)
上述公式中
Figure BDA0002647147990000114
称为预测部分，利用前一通信周期的估算状态
Figure BDA0002647147990000115
以及当前列车编队算法的输出u[k]，我们将预测部分记为
Figure BDA0002647147990000116
称之为列车状态在本周期的预估状态值，同时将车载传感器的测量值y[k]代入方程，用y[k]更新预估状态值，此时
Figure BDA0002647147990000117
部分称为后验状态估计。
后车要获得前车精确状态信息需要两个过程，首先是预测过程，预测过程用来计算列车状态估计值
Figure BDA0002647147990000118
以及误差协方差
Figure BDA0002647147990000119
由于在设计中存在机械时延，造成了列车的状态预估值的不确定性，Pk表示对列车预估状态的不确定性的度量，
Figure BDA0002647147990000121
和Pk-1的初始值来自于初始估计值。
Figure BDA0002647147990000122
Figure BDA0002647147990000123
接下来是观测过程：观测过程在预测过程得到的预估结果的基础上，对列车状态进行更新计算。
Figure BDA0002647147990000124
Figure BDA0002647147990000125
Figure BDA0002647147990000126
Figure BDA0002647147990000127
为更新后的状态值，Pk为更新后的误差协方差，Kk为卡尔曼增益，卡尔曼增益在算法中不断迭代，使更新后的状态值
Figure BDA0002647147990000128
的误差协方差Pk最小。
本发明的有益效果如下：
为了保证列车编队运行的安全、高效地运行，本发明将列车建模为离散线性时不变系统，将列车间相对距离和相对速度作为控制多列车编队的约束条件，同时考虑到实际编队过程中噪声的影响，引入了卡尔曼滤波状态观测器，以保证势场算法的收敛性和鲁棒性。本发明所提出的控制策略，能够有效缩减列车追踪间隔，同时通过列车编队的手段达到对线路上列车资源的灵活配置，具有重要的现实意义。
为了验证本专利所提出基于人工势场法的多列车协同控制方法的有效性，本节对控制器的性能进行了仿真实验并对实验结果进行了分析。
假设两站一区间场景，编队4列列车，首车按照时刻表运行，其余3列列车由协同控制算法控制运行。在仿真中不考虑列车长度，列车质量的变化以及噪声的影响。考虑到车地通信和车车通信的共存，假设编队内所有列车均可实现点对点通信，因此，所有列车之间的通信拓扑关联矩阵为：
Figure BDA0002647147990000131
另外以沿轨道方向标记列车的位置和速度，列车之间的初始间距间隔30m，初始速度均为0。于是列车的初始位置和初始速度可以用矩阵表示为
Figure BDA0002647147990000132
首列车在列车运行时刻表的约束下，首车运行全程的工况分别是：牵引、惰性、制动。其他列车的运行工况受到首车的领导和约束，同时其余三车在协同控制算法的作用下逐渐完成编队，如图4所示是列车速度随时间的变化，首车依据时刻表运行，可以看到在30s前四列车的速度相同，这是由于在初始阶段无论是首车还是编队内其他车均是以最大加速度牵引，在30s时首列车工况由牵引变为惰行，期间列车只受基本阻力，其余列车受到首车的影响工况随首车变化。可以看到在领导跟随者控制策略下，首车工况受时刻表约束以保障列车在安全约束下准时到达车站，完成乘客的上下车服务，从而保障列车对计划或者任务的执行效率。同时，在追踪的过程中列车始终运行在22m/s的最大限速下，保障了行车安全。由于虚拟编队的目的是保障列车编队内各列车以极小的间距高速运行来实现列车的快速转运以及匹配客流的变化和分布密度，该过程中，列车之间的相对动态关系就极为重要。图4为编队模式下列车速度示意图。
在整个运行过程中，列车之间的间距是衡量算法质量的重要指标，图5为编队模式下相邻列车间隔示意图。在图5中，表示列车之间的间隔，图中从上到下，分别表示1、2车间隔，2、3车间隔，3、4车间隔可以看出，在首车牵引工况阶段，列车之间的间距在持续增加，在30s首车工况由牵引变惰行后列车之间间距持续减小，在140s后1，2车间距先趋于稳定，随后2，3车和3，4车间距趋于稳定，在200s之后列车的间距会达到理想的间距范围内，并趋于稳定，列车之间相距10m。
在列车编队的过程中，各列车自身的控制决策受到编队内其他列车的位置、速度以及目标速度等参数影响，列车控制策略的表征就是列车的加速度，因此，图6为编队模式下列车加速度，从加速度入手分析列车在协同编队过程中控制决策的变化，可以看到加速度的变化比较明显，这也就契合了控制算法实时动态控制的特点，当列车间距未达到理想距离，以及列车速度未达到期望速度时，列车的状态时刻调整处在动态平衡中。
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揭露的技术范围内，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的保护范围为准。

Claims (7)

1.一种多列车协同控制方法，其特征在于，包括：
S1，建立城市轨道交通列车动力学模型；
S2，对基于车车通信的城市轨道交通列车控制系统进行建模；
S3，根据所述动力学模型和所述控制系统的模型，构建综合考虑列车编队距离收敛和速度收敛的优化控制目标；
S4，基于人工势场法和卡尔曼滤波，根据所述优化控制目标，对多列车进行协同控制。
2.根据权利要求1所述的方法，其特征在于，所述步骤1具体为：
列车的运动学模型如下：
x[k+1]＝Ax[k]+Bu[k] (1)
x[k]是第k个通信周期内列车的状态，u[k]是势场函数输出的势场值，A，B分别是参数矩阵；
列车状态x[k]的表达如下：
x[k]＝[si[k]，vi[k]]T (2)
其中si[k]、vi[k]分别表示列车的位置和速度。
3.根据权利要求1所述的方法，其特征在于，所述步骤2具体为：
在CBTC系统中增加车车通信，实现车车通信和车地通信两种制式的共存，编队运行的列车通过车地通信与控制中心交换信息，通过车车通信与相邻列车交换信息；在编队运行模式下除首车外的其他列车增加协同控制模块Train Cooperative Operation进行状态决策；
在列车编队控制算法中，编队指令由地面中心ATS下发，在下发的指令中包括对领导者和跟随者的指定，编队的首车被指定为领导者，编队内的其余列车被指定为跟随者，首车作为领导者按照时刻表运行追踪ATO曲线，编队的其余列车作为跟随者追踪首车的位置和速度。
4.根据权利要求1所述的方法，其特征在于，所述步骤4具体为：
S41：采集通信拓扑内列车实时运行状态，获取每列车的位置和速度信息；
S42：将每列车的位置和速度信息输入到势场函数和卡尔曼滤波器中；
S43：根据状态势场函数和卡尔曼滤波器，为每列车计算控制力u[k]；
S44：将控制力u[k]施加到每列车；
S45：重复步骤S41-S44，直到列车运行到目的地。
5.根据权利要求4所述的方法，其特征在于，所述步骤43具体为：
步骤431，后车建立与前车的通信；
步骤432，后车收到前车势场函数输出u[k]；
步骤433，后车收到前车y[k]；y[k]包含速度和位置信息；
步骤434，后车根据前车的动力学数学模型计算
Figure FDA0002647147980000021
步骤435，后车根据前车的车载传感器数学模型计算
Figure FDA0002647147980000022
步骤436，后车判断
Figure FDA0002647147980000023
收敛到y[k]；如果判断结果为是，则表示
Figure FDA0002647147980000024
收敛到x[k]；如果判断结果为否，则跳到步骤433；
步骤437，后车使用收敛的x[k]，计算后车势场函数输出u[k]。
6.根据权利要求5所述的方法，其特征在于，所述步骤432具体为：
对于列车之间距离的控制的势场函数表达如下：
Figure FDA0002647147980000025
其中，Xij为i车和j车的实际运行间隔，dij为两车期望的最小安全间隔，ks>0决定控制输入的系数；Aij为多列车编队系统通信拓扑结构对应的邻接矩阵；Aij内变量为aij表示编队内列车之间的信息共享状态，aij为1表示信息链路正常，0表示信息链路异常；当Xij＝dij时，相邻两列车之间的距离控制函数为0，即两车之间处于期望的间距时，距离控制函数的绝对值处于全局最小值；当Xij>dij时势函数为正，两列车之间产生“吸引力”使得二车间距变小，起到拉近效果；当Xij<dij时，势函数为负，两列车之间产生“斥力”，起到推远效果；
速度控制势函数表达式如下：
Figure FDA0002647147980000031
其中kv>0为势场函数的增益系数，Vi为列车i的实际速度，Vj为通信拓扑内其他列车的速度。
距离势场和速度势场的和势场即为总的势场输出，将总势场记为
Figure FDA0002647147980000032
Figure FDA0002647147980000033
7.一种多列车协同控制装置，其特征在于，包括：
建立单元，建立城市轨道交通列车动力学模型；
建模单元，对基于车车通信的城市轨道交通列车控制系统进行建模；
构建单元，根据所述动力学模型和所述控制系统的模型，构建综合考虑列车编队距离收敛和速度收敛的优化控制目标；
控制单元，基于人工势场法和卡尔曼滤波，根据所述优化控制目标，对多列车进行协同控制。
CN202010858087.1A 2020-08-24 2020-08-24 一种多列车协同控制方法和装置 Active CN112084636B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010858087.1A CN112084636B (zh) 2020-08-24 2020-08-24 一种多列车协同控制方法和装置
US17/410,975 US20220055672A1 (en) 2020-08-24 2021-08-24 Method and device for cooperative control of multiple trains

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010858087.1A CN112084636B (zh) 2020-08-24 2020-08-24 一种多列车协同控制方法和装置

Publications (2)

Publication Number Publication Date
CN112084636A true CN112084636A (zh) 2020-12-15
CN112084636B CN112084636B (zh) 2024-03-26

Family

ID=73729244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010858087.1A Active CN112084636B (zh) 2020-08-24 2020-08-24 一种多列车协同控制方法和装置

Country Status (2)

Country Link
US (1) US20220055672A1 (zh)
CN (1) CN112084636B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112537340A (zh) * 2020-12-18 2021-03-23 北京交通大学 基于离散通信数据的多列车分散事件触发控制的方法
CN113022595A (zh) * 2021-04-09 2021-06-25 中车青岛四方机车车辆股份有限公司 一种列车虚拟连挂控制系统及方法
CN113401179A (zh) * 2021-07-23 2021-09-17 交控科技股份有限公司 基于编组通信的列车测速方法、装置及设备
CN113525461A (zh) * 2021-08-06 2021-10-22 北京交通大学 面向虚拟编队的列车运行控制方法
CN113552801A (zh) * 2021-07-08 2021-10-26 北京交通大学 一种基于分布式的地铁列车虚拟编队运行控制方法
CN113788049A (zh) * 2021-11-15 2021-12-14 北京城建智控科技股份有限公司 一种基于协同编队的列车安全防护方法和系统
CN113911181A (zh) * 2021-08-06 2022-01-11 同济大学 一种基于虚拟编组的列车控制系统兼容方法
CN114047765A (zh) * 2021-11-17 2022-02-15 北京交通大学 一种面向虚拟编组的多列车自适应巡航控制方法和系统
CN114655276A (zh) * 2020-12-23 2022-06-24 交控科技股份有限公司 一种轨道交通运行系统
CN114670901A (zh) * 2022-04-22 2022-06-28 长沙瑞纬电气有限公司 一种基于势函数的多列车协同巡航控制方法及系统
CN114880770A (zh) * 2022-04-29 2022-08-09 西南交通大学 一种基于参考深度强化学习的列车协同运行控制方法
WO2023231506A1 (zh) * 2022-05-31 2023-12-07 比亚迪股份有限公司 轨道车辆的运行控制方法、装置及存储介质
CN117389158A (zh) * 2023-12-11 2024-01-12 华东交通大学 一种基于钩缓约束条件下的高速列车跟踪控制方法及系统

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114655284B (zh) * 2022-03-08 2024-06-14 通号城市轨道交通技术有限公司 列车动态编组方法、装置、电子设备及存储介质
CN114407985B (zh) * 2022-03-30 2022-08-09 北京全路通信信号研究设计院集团有限公司 一种基于虚拟编组的列车追踪方法和控制系统
CN114771607B (zh) * 2022-06-22 2022-09-16 中国铁道科学研究院集团有限公司通信信号研究所 铁路行车调度与列车运行控制一体化方法、系统及应用
CN115071784B (zh) * 2022-06-22 2023-12-01 长沙理工大学 一种多列车分布式协同巡航控制方法及系统
CN115465335A (zh) * 2022-09-05 2022-12-13 浙江众合科技股份有限公司 一种自适应的信号系统控制列车一次自动连挂方法及系统
CN115432030B (zh) * 2022-10-17 2023-06-16 重庆交通大学 一种山区环境下虚拟连挂列车提速运行的控制方法
CN116740922B (zh) * 2023-05-08 2024-04-05 海南大学 一种基于模糊观测协议的智慧交通系统的控制方法
CN117521420A (zh) * 2024-01-04 2024-02-06 北京交通大学 轨道交通虚拟编组列车动力学模型构建、应用方法及系统
CN117698808B (zh) * 2024-02-05 2024-05-03 西南交通大学 融合列车纵向动力学的大规模重载列车群组运行控制方法
CN117930666B (zh) * 2024-03-25 2024-05-24 华东交通大学 基于快速变幂次趋近律的动车组控制方法、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090099825A1 (en) * 2007-10-12 2009-04-16 General Electric Company System and method for a simulation based movement planner
WO2014166062A1 (zh) * 2013-04-09 2014-10-16 Jian Lian 城市轨道交通列车防撞信息系统
US20170039306A1 (en) * 2014-04-21 2017-02-09 Hitachi, Ltd. Traffic System Optimization Device
CN108466637A (zh) * 2018-01-03 2018-08-31 中车工业研究院有限公司 列车控制方法
CN108583555A (zh) * 2018-05-23 2018-09-28 湖南工业大学 基于一致性理论高速列车分布式协同制动控制方法及系统
CN109634281A (zh) * 2018-12-20 2019-04-16 中南大学 一种列车系统建模与分布式协同控制方法
US20190318253A1 (en) * 2018-04-16 2019-10-17 Hitachi, Ltd. Schedule analysis support device and method
CN110901703A (zh) * 2019-12-09 2020-03-24 中南大学 高速列车移动协同闭塞控制方法及系统

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US2133627A (en) * 1936-07-08 1938-10-18 Union Switch & Signal Co Railway traffic controlling apparatus
US3250914A (en) * 1961-11-02 1966-05-10 Gen Signal Corp Zone control system
KR900000748A (ko) * 1988-06-17 1990-01-31 안시환 무인반송차의 교통 통제용 센서 유니트
US5332180A (en) * 1992-12-28 1994-07-26 Union Switch & Signal Inc. Traffic control system utilizing on-board vehicle information measurement apparatus
AUPS123702A0 (en) * 2002-03-22 2002-04-18 Nahla, Ibrahim S. Mr The train navigtion and control system (TNCS) for multiple tracks
US9233696B2 (en) * 2006-03-20 2016-01-12 General Electric Company Trip optimizer method, system and computer software code for operating a railroad train to minimize wheel and track wear
JP2004013401A (ja) * 2002-06-05 2004-01-15 Sony Corp 車両用通信システム、車両、および車両用通信装置
US9950722B2 (en) * 2003-01-06 2018-04-24 General Electric Company System and method for vehicle control
US9376971B2 (en) * 2006-03-20 2016-06-28 General Electric Company Energy management system and method for vehicle systems
US9120493B2 (en) * 2007-04-30 2015-09-01 General Electric Company Method and apparatus for determining track features and controlling a railroad train responsive thereto
US8214092B2 (en) * 2007-11-30 2012-07-03 Siemens Industry, Inc. Method and apparatus for an interlocking control device
CN101934807B (zh) * 2010-08-24 2011-09-28 北京交大资产经营有限公司 基于列车控制系统的移动授权计算方法
US8812227B2 (en) * 2011-05-19 2014-08-19 Metrom Rail, Llc Collision avoidance system for rail line vehicles
CN102653279A (zh) * 2011-09-15 2012-09-05 徐菲 一种列车信号系统装置及列车可行距离检测方法
WO2016035597A1 (ja) * 2014-09-05 2016-03-10 三菱電機株式会社 自動列車運行システム
US11021178B2 (en) * 2015-10-24 2021-06-01 Nabil N. Ghaly Method and apparatus for autonomous train control system

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090099825A1 (en) * 2007-10-12 2009-04-16 General Electric Company System and method for a simulation based movement planner
WO2014166062A1 (zh) * 2013-04-09 2014-10-16 Jian Lian 城市轨道交通列车防撞信息系统
US20170039306A1 (en) * 2014-04-21 2017-02-09 Hitachi, Ltd. Traffic System Optimization Device
CN108466637A (zh) * 2018-01-03 2018-08-31 中车工业研究院有限公司 列车控制方法
US20190318253A1 (en) * 2018-04-16 2019-10-17 Hitachi, Ltd. Schedule analysis support device and method
CN108583555A (zh) * 2018-05-23 2018-09-28 湖南工业大学 基于一致性理论高速列车分布式协同制动控制方法及系统
CN109634281A (zh) * 2018-12-20 2019-04-16 中南大学 一种列车系统建模与分布式协同控制方法
CN110901703A (zh) * 2019-12-09 2020-03-24 中南大学 高速列车移动协同闭塞控制方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宁滨，王洪伟: "高速铁路运行控制与动态调度一体化的现状与展望", 自动化学报, vol. 40, no. 12, pages 2208 - 2218 *
康珉: "移动闭塞条件下高速列车追踪运行控制算法研究", 中国优秀硕士学位论文全文数据库（工程科技II辑）, pages 33 - 149 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112537340B (zh) * 2020-12-18 2022-03-25 北京交通大学 基于离散通信数据的多列车分散事件触发控制的方法
CN112537340A (zh) * 2020-12-18 2021-03-23 北京交通大学 基于离散通信数据的多列车分散事件触发控制的方法
CN114655276A (zh) * 2020-12-23 2022-06-24 交控科技股份有限公司 一种轨道交通运行系统
CN113022595A (zh) * 2021-04-09 2021-06-25 中车青岛四方机车车辆股份有限公司 一种列车虚拟连挂控制系统及方法
CN113552801B (zh) * 2021-07-08 2024-04-12 北京交通大学 一种基于分布式的地铁列车虚拟编队运行控制方法
CN113552801A (zh) * 2021-07-08 2021-10-26 北京交通大学 一种基于分布式的地铁列车虚拟编队运行控制方法
CN113401179A (zh) * 2021-07-23 2021-09-17 交控科技股份有限公司 基于编组通信的列车测速方法、装置及设备
CN113401179B (zh) * 2021-07-23 2022-09-02 交控科技股份有限公司 基于编组通信的列车测速方法、装置及设备
CN113911181B (zh) * 2021-08-06 2022-11-04 同济大学 一种基于虚拟编组的列车控制系统兼容方法
CN113911181A (zh) * 2021-08-06 2022-01-11 同济大学 一种基于虚拟编组的列车控制系统兼容方法
CN113525461B (zh) * 2021-08-06 2022-04-22 北京交通大学 面向虚拟编队的列车运行控制方法
CN113525461A (zh) * 2021-08-06 2021-10-22 北京交通大学 面向虚拟编队的列车运行控制方法
CN113788049B (zh) * 2021-11-15 2022-02-08 北京城建智控科技股份有限公司 一种基于协同编队的列车安全防护方法和系统
CN113788049A (zh) * 2021-11-15 2021-12-14 北京城建智控科技股份有限公司 一种基于协同编队的列车安全防护方法和系统
CN114047765B (zh) * 2021-11-17 2023-12-29 北京交通大学 一种面向虚拟编组的多列车自适应巡航控制方法和系统
CN114047765A (zh) * 2021-11-17 2022-02-15 北京交通大学 一种面向虚拟编组的多列车自适应巡航控制方法和系统
CN114670901A (zh) * 2022-04-22 2022-06-28 长沙瑞纬电气有限公司 一种基于势函数的多列车协同巡航控制方法及系统
CN114880770A (zh) * 2022-04-29 2022-08-09 西南交通大学 一种基于参考深度强化学习的列车协同运行控制方法
CN114880770B (zh) * 2022-04-29 2023-03-07 西南交通大学 一种基于参考深度强化学习的列车协同运行控制方法
WO2023231506A1 (zh) * 2022-05-31 2023-12-07 比亚迪股份有限公司 轨道车辆的运行控制方法、装置及存储介质
CN117389158A (zh) * 2023-12-11 2024-01-12 华东交通大学 一种基于钩缓约束条件下的高速列车跟踪控制方法及系统
CN117389158B (zh) * 2023-12-11 2024-03-08 华东交通大学 一种基于钩缓约束条件下的高速列车跟踪控制方法及系统

Also Published As

Publication number Publication date
CN112084636B (zh) 2024-03-26
US20220055672A1 (en) 2022-02-24

Similar Documents

Publication Publication Date Title
CN112084636A (zh) 一种多列车协同控制方法和装置
CN106777752B (zh) 一种高速列车追踪运行曲线优化设定方法
Jin et al. Platoon-based multi-agent intersection management for connected vehicle
CN112700639B (zh) 一种基于联邦学习与数字孪生的智能交通路径规划方法
CN108647813B (zh) 一种基于弹复力调整的高速列车动态间隔节能优化方法
CN110533242B (zh) 列车互联互通跨线运行下的节能优化方法
CN109035862A (zh) 一种基于车车通信的多车协同换道控制方法
CN113525461B (zh) 面向虚拟编队的列车运行控制方法
CN108387242A (zh) 自动驾驶换道准备和执行一体化轨迹规划方法
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
CN104881527A (zh) 城市轨道交通列车ato速度命令优化方法
CN105930937A (zh) 一种考虑地铁快慢线的列车运行调度一体化优化方法
CN112820126B (zh) 一种非侵入式导向运输车辆路权优先运行控制及仿真方法
CN113415324A (zh) 一种高速列车动态调度和运行控制协同优化方法与系统
Liu et al. Cooperative optimal control of the following operation of high-speed trains
CN115273450B (zh) 一种网联自动驾驶环境下车辆进入编队的换道方法
CN111625989A (zh) 一种基于a3c-sru的智能车汇入车流方法及系统
Wu et al. Railway virtual coupling: A survey of emerging control techniques
Zhou et al. The safety braking protection model of virtually coupled train platoon in subway
Xu et al. Engine-in-the-loop study of a hierarchical predictive online controller for connected and automated heavy-duty vehicles
CN113815679B (zh) 一种高速列车自主驾驶控制的实现方法
De Martinis et al. Towards a simulation-based framework for evaluating energy-efficient solutions in train operation
De Oliveira et al. Optimization of traffic lights timing based on multiple neural networks
Liu et al. Field assessment of intersection performance enhanced by traffic signal optimization and vehicle trajectory planning
Luo et al. A Model Predictive Control System for Virtual Coupling

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