CN112637805B - 一种高速列车行驶状态即插即用分布式估计方法 - Google Patents

一种高速列车行驶状态即插即用分布式估计方法 Download PDF

Info

Publication number
CN112637805B
CN112637805B CN202011464202.3A CN202011464202A CN112637805B CN 112637805 B CN112637805 B CN 112637805B CN 202011464202 A CN202011464202 A CN 202011464202A CN 112637805 B CN112637805 B CN 112637805B
Authority
CN
China
Prior art keywords
train
formation
speed
estimation
trains
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
Application number
CN202011464202.3A
Other languages
English (en)
Other versions
CN112637805A (zh
Inventor
黄帅婷
吴均峰
董海荣
陈积明
贺诗波
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011464202.3A priority Critical patent/CN112637805B/zh
Publication of CN112637805A publication Critical patent/CN112637805A/zh
Application granted granted Critical
Publication of CN112637805B publication Critical patent/CN112637805B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/08—Systems for measuring distance only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/52—Determining velocity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种高速列车行驶状态即插即用分布式估计方法。本发明方法考虑高速列车编队存在车间通信的情况，通过对高速列车车载传感器实际配置情况及车间信息交互情况进行分析，从高速列车实际运动学模型出发，构建高速列车编队系统运行状态空间模型，对其进行状态能观性分析，结合领导‑跟随一致性策略和即插即用策略，利用每趟列车本地传感器量测信息以及与邻居列车的通信交互信息，使得每趟列车能够对列车编队当前行驶状态进行实时估计。本发明克服了集中式估计方法的缺点，理论上能够保障高速列车编队在受车辆特性、载客量等因素影响以及存在突发事件等情况下对列车运行状态的实时有效监控，为列车协同安全运行提供保障。

Description

一种高速列车行驶状态即插即用分布式估计方法
技术领域
本发明涉及高速列车行驶状态监控领域，特别涉及一种高速列车行驶状态即插即用分布式估计方法。
背景技术
随着国家轨道交通基础设施的逐步完善，高速铁路以其快速、便捷、舒适等优点已成为大众出行的首要选择之一，对我国的经济建设起着不可忽视的作用。高速列车的安全协同运行是铁路运输的最高目标，如何在复杂快速多变、信息交互、实时强扰动的高速铁路运行环境下对高速列车编队行驶状态进行实时有效监测，为列车协同运行控制过程提供更加可靠、稳定、准确的列车行驶状态信息，已成为目前高速列车协同安全运行控制研究中面临的一个重要问题。
目前，针对车车通信情况下高速列车编队行驶状态的估计问题，大多数估计方法是从传统的集中式角度出发，集中式估计器在收集到列车编队中所有列车的传感器量测信息后进行统一处理从而得到列车编队行驶状态的估计，这一过程存在诸多问题，包括：1)通信负担重，在集中式估计中，只有将编队中的所有列车传感器量测信息发送到估计器端才能获得列车编队行驶状态的估计，这一过程需要消耗大量通信资源且对通信网络要求较高；2)计算量大，所有列车传感器量测信息的处理和估计的更新都集中在一个估计器上，对估计器的计算能力要求较高；3)鲁棒性差，一旦集中式估计器出现故障或者遭受攻击失效，将会直接影响列车编队系统运行的稳定性；4)不具备灵活性，估计参数是由唯一的集中式估计器统一设计的，导致其无法应对列车编队中成员变动的情况。然而，高速列车运行过程受到车辆特性、线路特性、天气状况、载客量等因素影响以及突发事件频发，具有强非线性、实时强扰动的特点，由上述分析可知集中式估计方法无法满足高速列车运行环境下列车行驶状态实时监测需求。因此，设计一种适用于高速列车运行环境的列车行驶状态实时估计方法具有重要的理论意义和应用价值。
发明内容
针对上述背景技术中存在的问题，本发明的目的是提出一种高速列车行驶状态即插即用分布式估计方法，适用于复杂快速多变、信息交互、实时强扰动的高速铁路运行环境。该高速列车行驶状态分布式估计方法，能够保证编队中的每趟列车仅利用本地传感器量测信息以及与邻居列车车间交互信息，对列车编队行驶状态进行实时有效估计，并且，该方法能够以即插即用方式运行，具有灵活性，适用于受车辆特性、载客量以及突发事件等原因影响导致的列车编队原成员离开编队和新成员加入编队的情况。
本发明的目的是通过以下技术方案实现的：一种高速列车行驶状态即插即用分布式估计方法，该方法考虑高速列车车载传感器实际配置情况以及车间信息交互情况，从高速列车实际运动学模型出发，构建了高速列车编队系统运行状态空间模型，并对其进行状态能观性分析，在此基础上，结合领导-跟随一致性(Leader-follower consensus)策略和即插即用(Plug-and-play)策略，仅利用本地传感器量测信息以及与邻居列车的通信交互信息，使得每趟列车能够对列车编队当前行驶状态(即列车编队中所有列车的位置、速度、加速度)进行实时估计，并且，即插即用策略的引入使得该方法具有一定的灵活性，能够更好地适用于复杂快速多变、实时强扰动的高速列车运行环境，该方法具体包括如下步骤：
步骤1：基于高速列车实际运动学模型，结合高速列车车载传感器实际配置情况，构建高速列车编队系统运行状态空间模型；
步骤2：对高速列车编队系统运行状态空间模型进行状态能观性分析；
步骤3：每趟列车利用本地传感器量测信息，结合状态能观性分析结果，构建隆伯格(Luenberger)观测器，得到本趟列车行驶状态估计值；
步骤4：每趟列车利用与邻居列车的车间交互信息，结合状态能观性分析结果，构建基于领导-跟随一致性策略的观测器，得到对列车编队中其他列车行驶状态的估计值；Luenberger观测器和基于领导-跟随一致性策略的观测器共同构成分布式观测器；
步骤5：当列车编队原成员离开编队或新成员加入编队时，实时更新变动成员列车及其外邻居列车(外邻居列车为能够接收到该列车发送信息的列车)对应的分布式观测器，其余列车保持原有状态估计更新机制不变，从而实现分布式状态估计的即插即用运行。
进一步地，所述步骤1中，高速列车车载传感器实际配置情况包括通过车载雷达测量实时车间间距信息，通过GPS和速度传感器获得列车的实时位置和实时速度信息。
进一步地，所述步骤1中，高速列车i的实际运动学模型如下：
Figure BDA0002832456340000021
其中，si(t),vi(t),ai(t)分别表示列车i的位置、速度、加速度，τ表示列车发动机常数，ui(t)表示期望加速度。
进一步地，所述步骤1中，将列车实际运动学模型进行离散化处理，结合车载传感器测得的车间间距、位置和速度信息，构建高速列车编队系统运行状态空间模型，形式如下：
x(k+1)＝Ax(k)
yi(k)＝Cix(k)
其中，k为离散后的第k个时刻；
Figure BDA0002832456340000031
i＝1,…,m，m为高速列车编队系统中列车总数；
Figure BDA0002832456340000032
Im为单位矩阵，
Figure BDA0002832456340000033
τs为离散采样周期，
Figure BDA0002832456340000034
为克罗内克积；yi为列车i的车载传感器量测信息；对于领头列车
Figure BDA0002832456340000035
e1为第1个位置为1的单位向量；对于编队中除领头列车外的其他列车
Figure BDA0002832456340000036
Figure BDA0002832456340000037
进一步地，所述步骤2中，状态能观性分析结果如下：(Ai,Cii)对应的系统是可观的，说明每趟列车可以利用本地传感器量测信息估计自身行驶状态；(A,Ci)对应的系统是不可观的，说明每趟列车不能基于本地传感器量测信息估计列车编队中所有列车的行驶状态；(A,C)对应的系统是可观的，说明利用列车编队中所有列车的传感器量测信息可以估计列车编队中所有列车的行驶状态。
进一步地，所述步骤3中，由于(Ai,Cii)对应的系统可观，每趟列车可以通过设计的Luenberger观测器得到自身行驶状态的稳定估计，列车i的Luenberger观测器形式如下：
Figure BDA0002832456340000038
其中，
Figure BDA0002832456340000039
表示列车i对列车i行驶状态的估计，
Figure BDA00028324563400000310
为列车i对列车i-1行驶状态的估计，Li表示Luenberger观测增益，该增益可由列车i在本地计算得出，其需满足的条件为保证矩阵Ai-LiCii舒尔稳定。
进一步地，所述步骤4中，用强连通有向图来描述m趟相同列车组成的高速列车编队中的车间通信情况。
进一步地，所述步骤4中，由于(A,C)对应的列车编队系统可观，每趟列车可以通过设计的基于领导-跟随一致性的观测器得到列车编队中其他列车行驶状态的稳定估计，列车i的基于领导-跟随一致性的观测器形式如下：
Figure BDA00028324563400000311
其中，
Figure BDA0002832456340000041
表示列车i对列车j行驶状态的估计；
Figure BDA0002832456340000042
为列车i的内邻居列车集合，
Figure BDA0002832456340000043
Figure BDA0002832456340000044
点集
Figure BDA0002832456340000045
边集
Figure BDA0002832456340000046
点对
Figure BDA0002832456340000047
表示列车j可以向列车i传递信息；
Figure BDA0002832456340000048
表示权重，需满足条件
Figure BDA0002832456340000049
与列车编队实际通信图有关，这组权重由列车i在本地计算可得。
进一步地，Luenberger观测器和基于领导-跟随一致性策略的观测器共同构成设计的分布式观测器；在实际运行过程中，步骤3和步骤4同步执行，共同得到每趟列车对列车编队行驶状态的估计。
进一步地，所述步骤5中，当列车编队原成员离开编队时，该列车的外邻居列车需更新基于领导-跟随一致性的观测器的权重，使得权重重新满足约束条件；当新成员加入编队时，该列车根据步骤3和步骤4设计分布式观测器，同时该列车的外邻居列车需更新基于领导-跟随一致性的观测器的权重，使得权重重新满足约束条件；以上操作均由每趟列车独立完成。
本发明的有益效果是：
1、传统的集中式估计方法需要收集编队中所有列车传感器量测信息才能进行估计，存在通信负担重、通信网络要求高的问题。本发明仅利用局部通信即可完成对列车编队行驶状态的估计，具体地，每趟列车仅与通信网络中邻居列车交互信息，该过程传输信息量小，对通信带宽要求低且通信成本消耗少。
2、传统的集中式估计方法所有列车传感器量测信息的处理和估计的计算都集中在一个估计器中，存在计算量大、计算能力要求高的问题。本发明中每趟列车仅需进行本地计算即可得到列车编队行驶状态的估计，该过程处理信息量小，计算复杂度低，对每趟列车装配的硬件计算能力要求低。
3、传统的集中式估计方法一旦唯一估计器失效将对列车编队系统稳定性产生直接影响，存在鲁棒性差的问题。本发明是由装配在每趟列车中的一组本地估计器组成的，部分估计器失效不会对列车编队的稳定运行造成影响。
4、传统的集中式估计方法中所有估计参数的设计需统一完成，不具备灵活性，无法适用于复杂多变的高速列车运行环境。本发明是一种去中心化、全分布式估计方法，每趟列车可以各自独立的设计估计器参数，能够即插即用运行，适用于受车辆特性、载客量以及突发事件等原因影响导致的列车编队原成员离开编队和新成员加入编队的情况。
附图说明
图1为本发明高速列车行驶状态分布式估计框架图；
图2为本发明高速列车行驶状态分布式估计流程图；
图3为本发明高速列车行驶状态估计误差图；
图4为本发明新成员加入原列车编队情况下高速列车行驶状态估计误差图；
图5为本发明原成员离开列车编队情况下高速列车行驶状态估计误差图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
本发明提出的一种高速列车行驶状态即插即用分布式估计方法，列车编队中每趟列车利用本地传感器量测信息以及与列车编队实际通信网络中邻居列车的交互信息，在每趟列车本地进行计算，得到列车编队中所有列车行驶状态的估计，为复杂环境中高速列车协同安全运行控制提供保证。本发明提出的估计方法利用了领导-跟随一致性策略和即插即用策略，为车车通信下高速列车行驶状态估计问题提供了一种新的思路。
本发明提出的一种高速列车行驶状态即插即用分布式估计方法，如图1所示，该分布式估计方法是由一组装配在列车编队中每趟列车上的观测器组成，这一组观测器间可以依据列车编队实际通信网络进行信息交互，从而得到列车编队系统行驶状态的估计值。如图2所示，该方法从高速列车实际运动学模型出发，结合高速列车车载传感器实际配置情况，构建了高速列车编队系统运行状态空间模型，并对其进行能观性分析，在此基础上，结合领导-跟随一致性策略和即插即用策略，仅利用本地传感器量测信息以及局部通信交互信息，使得每趟列车能够对列车编队当前行驶状态(即列车编队中所有列车的位置、速度、加速度)进行实时估计，并且，即插即用策略的引入使得该方法具有一定的灵活性，能够更好地适用于复杂快速多变、实时强扰动的高速列车运行环境，该方法具体包括如下步骤：
步骤1：基于高速列车实际运动学模型，结合高速列车车载传感器实际配置情况，构建高速列车编队系统运行状态空间模型，具体地：
1)考虑一个由m趟相同列车组成的高速列车编队，将编队中的每趟列车进行编号，编号为i的列车简称列车i，i＝1,…,m。在保证高速列车协同安全运行的前提下，尽可能的降低通信成本，因此将列车编队的实际通信网络抽象为一张由m个节点组成的强连通有向图。我们用符号
Figure BDA0002832456340000051
来表示，其中，点集
Figure BDA0002832456340000052
每个点代表编队中的一趟列车，边集
Figure BDA0002832456340000053
每条边表示实际通信链路，点对
Figure BDA0002832456340000054
表示列车i可以向列车j传递信息。我们用符号
Figure BDA0002832456340000055
表示列车i的内邻居列车集合(也称为邻居列车集合)，即在集合
Figure BDA0002832456340000056
中的列车可以向列车i传递信息。相应地，
Figure BDA0002832456340000057
表示列车i的外邻居列车集合，即在集合
Figure BDA0002832456340000058
中的列车可以接收到列车i发送的信息。此外，我们用一组有序序列(i0,…,ik,…,il)表示从列车i0到列车il的一条路径，其中任意一对连续点对表示一条边，即
Figure BDA0002832456340000059
列车编队的实际通信图
Figure BDA00028324563400000510
为强连通有向图，意味着任意两趟列车中间至少存在一条有向路径。
2)每趟列车可以通过车载传感器直接获得列车本地行驶状态的部分信息，包括：车间间距信息、列车位置、列车速度。具体地，车间间距信息由列车装配的车载雷达直接获得，列车实时位置和速度信息由车载GPS和列车速度传感器测得。
3)由于编队中所有列车型号相同，以列车i为代表介绍列车编队系统模型。编队中列车i的实际运动学模型如下：
Figure BDA0002832456340000061
其中，si(t),vi(t),ai(t)分别表示列车i的位置、速度、加速度，τ表示列车发动机常数，ui(t)表示控制输入一般为期望加速度。本发明关注高速列车行驶状态的实时估计问题，根据分离原理，控制输入对状态估计没有影响，所以在后续分析中控制输入将被忽略。将上述列车实际运动学模型按照采样周期τs进行离散化处理，定义高速列车i的行驶状态包括位置、速度、加速度，用
Figure BDA0002832456340000062
表示，则列车编队中每趟列车的离散运行状态空间模型如下：
Figure BDA0002832456340000063
Figure BDA0002832456340000064
其中，
Figure BDA0002832456340000065
Figure BDA0002832456340000066
y1为领头列车的车载传感器量测信息，yi为列车i的车载传感器量测信息。
高速列车编队系统离散运行状态空间模型如下：
x(k+1)＝Ax(k)
yi(k)＝Cix(k)
其中，
Figure BDA0002832456340000067
Im为单位矩阵，
Figure BDA0002832456340000068
为克罗内克积；对于领头列车
Figure BDA0002832456340000069
e1为第1个位置为1的单位向量；对于编队中的除领头列车外的其他列车
Figure BDA00028324563400000610
步骤2：对高速列车编队系统运行状态空间模型进行状态能观性分析，具体地：
1)对高速列车编队系统运行状态空间模型进行能观性分析是解决状态估计问题的前提条件，计算矩阵对(Ai,Cii)对应的能观判别矩阵
Figure BDA00028324563400000611
的秩，发现
Figure BDA00028324563400000612
该矩阵满秩，(Ai,Cii)对应的系统是可观的，说明每趟列车可以利用本地传感器量测信息估计自身行驶状态。
2)计算(A,Ci)对应的能观判别矩阵
Figure BDA0002832456340000071
的秩，发现
Figure BDA0002832456340000072
该矩阵不是满秩矩阵，(A,Ci)对应的系统是不可观的，说明每趟列车不能基于本地传感器量测信息估计列车编队中所有列车的行驶状态。
3)计算(A,C)对应的能观判别矩阵[CT ATCT … (An-1)TCT]T的秩，发现rank([CTATCT … (An-1)TCT]T)＝3m，该矩阵满秩，(A,C)对应的系统是可观的，说明利用列车编队中所有列车的传感器量测信息可以估计列车编队中所有列车的行驶状态。
步骤3：每趟列车利用本地传感器量测信息，结合状态能观性分析结果，构建Luenberger观测器，得到本趟列车行驶状态估计值，具体地：
由于(Ai,Cii)对应的系统可观，每趟列车可以通过本发明构建的Luenberger观测器得到自身行驶状态的稳定估计，该过程仅利用本地传感器的量测信息，列车i的Luenberger观测器形式如下：
Figure BDA0002832456340000073
其中，
Figure BDA0002832456340000074
表示列车i对列车i行驶状态的估计，
Figure BDA0002832456340000075
为列车i对列车i-1行驶状态的估计，Li表示Luenberger观测增益，该增益可由列车i在本地计算得出，其需满足的条件为保证矩阵Ai-LiCii舒尔稳定(Schur stable)，即矩阵Ai-LiCii的谱小于1，可在满足该条件的所有矩阵当中任选一个作为Luenberger观测增益Li，都能够保证估计误差趋近于零；Luenberger观测增益Li的选择会对估计误差的收敛速度产生一定影响；列车i根据上述算法进行计算即可获得本趟列车实时位置、速度和加速度信息。
步骤4：每趟列车利用与邻居列车的车间交互信息，结合状态能观性分析结果，构建基于领导-跟随一致性策略的观测器，得到对列车编队中其他列车行驶状态的估计值，Luenberger观测器和基于领导-跟随一致性策略的观测器共同构成分布式观测器，具体地：
由于(A,C)对应的列车编队系统可观，每趟列车可以通过本发明构建的基于领导-跟随一致性的观测器得到列车编队中其他列车行驶状态的稳定估计，该过程需要通过与邻居列车间的信息交互完成，列车i的基于领导-跟随一致性的观测器形式如下：
Figure BDA0002832456340000076
其中，
Figure BDA0002832456340000077
表示列车i对列车j行驶状态的估计，
Figure BDA0002832456340000078
表示权重，需满足条件
Figure BDA0002832456340000079
1即可，
Figure BDA00028324563400000710
与列车编队实际通信图
Figure BDA00028324563400000711
有关，这组权重由列车i在本地计算可得。在实际执行过程中，列车i需要将自身对列车编队中其他列车
Figure BDA00028324563400000712
行驶状态的估计信息
Figure BDA00028324563400000713
发送给在通信网络
Figure BDA00028324563400000714
中可以接收到其信息的列车，同时，列车i会利用接收到的邻居列车
Figure BDA00028324563400000715
发送过来的信息
Figure BDA0002832456340000081
完成估计的更新。
Luenberger观测器和基于领导-跟随一致性策略的观测器共同构成设计的分布式观测器，在本发明实际运行过程中，步骤3和步骤4同步执行，共同得到列车i对列车编队行驶状态的估计
Figure BDA0002832456340000082
由于列车编队中列车型号相同，故每趟列车可根据步骤3和步骤4得到列车编队行驶状态的估计。
步骤5：当列车编队原成员离开编队或新成员加入编队时，实时更新变动成员列车及其外邻居列车对应的分布式观测器，其余列车保持原有状态估计更新机制不变，从而实现分布式状态估计的即插即用运行，具体地：
1)当受车辆特性、载客量以及突发事件等原因影响，列车编队中原成员列车
Figure BDA0002832456340000083
需要离开列车编队，这种情况下，在原列车编队中能够接收到列车r发送信息的列车(即在集合
Figure BDA0002832456340000084
中的列车)的邻居列车集合发生变化，所以这部分列车需要根据步骤4要求重新设计对应的权重，再进行估计的更新，列车编队中的其他列车保持原有估计更新机制不变；
2)当列车编队中有新成员列车m+1加入原列车编队时，新成员列车m+1按照新列车编队的实际通信图(强连通有向图)
Figure BDA0002832456340000085
与编队中的其他列车进行通信，根据步骤3获得自身行驶状态的估计，同时，根据步骤4得到对新列车编队中其他车辆行驶状态的估计，两个步骤在实际运行过程中同时进行，使新成员列车m+1获得对新列车编队行驶状态的估计。对于原列车编队中能够接收到列车m+1发送信息的列车，需要根据步骤4要求重新设计对应的权重，再进行估计的更新，原因是新成员列车m+1的加入引起了这部分列车的邻居列车的变化，列车编队中的其他列车保持原有估计更新机制不变即可。综上所述，当列车编队受到一定影响导致成员变动时，本发明方法只需部分列车重新设计其分布式观测器参数即可。并且，所有估计参数的设计都由每趟列车独立完成，说明本发明方法满足即插即用要求，具有灵活性，能够更好的适用于复杂多变的高速列车运行环境。
如图3所示，是本发明高速列车行驶状态估计误差图，其中，列车编队由4辆相同列车组成，图中(a)、(b)、(c)、(d)分别是4趟列车对列车1、2、3、4的实时位置信息的估计误差图。可见，列车编队中每趟列车的估计误差都能快速收敛到0，进一步说明了本发明高速列车行驶状态分布式估计方法的有效性。
如图4所示，是本发明在新成员加入原列车编队情况下高速列车行驶状态估计误差图，其中，原列车编队由4趟相同列车组成，在k＝30时刻编号为5的列车加入车队，图中(a)、(b)、(c)分别是5趟列车对列车1、2、5的实时位置信息的估计误差图。可见，在新成员加入原列车编队情况下，列车编队中每趟列车的估计误差都能快速收敛到0，进一步说明了在有新成员加入原列车编队情况下本发明高速列车行驶状态分布式估计方法的有效性。
如图5所示，是本发明在原成员离开列车编队情况下高速列车行驶状态估计误差图，其中，列车编队由4趟相同列车组成，在k＝25时刻编号为4的列车离开编队，图中(a)、(b)、(c)分别是4趟列车对列车1、2、4的实时位置信息的估计误差图。可见，在原成员离开列车编队情况下，列车编队中每趟列车的估计误差都能快速收敛到0，进一步说明了在有原成员离开列车编队情况下本发明高速列车行驶状态分布式估计方法的有效性。
上述具体实施方法是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述内容做出各种修改，并把在此说明的一般原理应用到其他方面中而不必经过创造性的劳动。因此，在不脱离本发明技术原理的前提下，还可以对本发明做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.一种高速列车行驶状态即插即用分布式估计方法，其特征在于，包括如下步骤：
步骤1：基于高速列车实际运动学模型，结合高速列车车载传感器实际配置情况，构建高速列车编队系统运行状态空间模型；高速列车i的实际运动学模型如下：
Figure FDA0003356086330000011
其中，si(t),vi(t),ai(t)分别表示列车i的位置、速度、加速度，τ表示列车发动机常数，ui(t)表示期望加速度；将列车实际运动学模型进行离散化处理，结合车载传感器测得的车间间距、位置和速度信息，构建高速列车编队系统运行状态空间模型，形式如下：
x(k+1)＝Ax(k)
yi(k)＝Cix(k)
其中，k为离散后的第k个时刻；
Figure FDA0003356086330000012
Figure FDA0003356086330000013
Figure FDA0003356086330000014
m为高速列车编队系统中列车总数；
Figure FDA0003356086330000015
Im为单位矩阵，
Figure FDA0003356086330000016
Figure FDA0003356086330000017
τs为离散采样周期，
Figure FDA0003356086330000018
为克罗内克积；yi为列车i的车载传感器量测信息；对于领头列车
Figure FDA0003356086330000019
Figure FDA00033560863300000110
e1为第1个位置为1的单位向量；对于编队中除领头列车外的其他列车
Figure FDA00033560863300000111
Figure FDA00033560863300000112
步骤2：对高速列车编队系统运行状态空间模型进行状态能观性分析；
步骤3：每趟列车利用本地传感器量测信息，结合状态能观性分析结果，构建Luenberger观测器，得到本趟列车行驶状态估计值；列车i的Luenberger观测器形式如下：
Figure FDA00033560863300000113
其中，
Figure FDA00033560863300000114
表示列车i对列车i行驶状态的估计，
Figure FDA00033560863300000115
为列车i对列车i-1行驶状态的估计，Li表示Luenberger观测增益，该增益可由列车i在本地计算得出，其需满足的条件为保证矩阵Ai-LiCii舒尔稳定；
步骤4：每趟列车利用与邻居列车的车间交互信息，结合状态能观性分析结果，构建基于领导-跟随一致性策略的观测器，得到对列车编队中其他列车行驶状态的估计值；Luenberger观测器和基于领导-跟随一致性策略的观测器共同构成分布式观测器；列车i的基于领导-跟随一致性的观测器形式如下：
Figure FDA0003356086330000021
其中，
Figure FDA0003356086330000022
表示列车i对列车j行驶状态的估计；
Figure FDA0003356086330000023
为列车i的内邻居列车集合，
Figure FDA0003356086330000024
点集
Figure FDA00033560863300000211
边集
Figure FDA0003356086330000025
点对(j,i)∈ε表示列车j可以向列车i传递信息；
Figure FDA0003356086330000026
和
Figure FDA0003356086330000027
表示权重，需满足条件
Figure FDA0003356086330000028
Figure FDA0003356086330000029
和
Figure FDA00033560863300000210
与列车编队实际通信图有关，这组权重由列车i在本地计算可得；
步骤5：当列车编队原成员离开编队或新成员加入编队时，实时更新变动成员列车及其外邻居列车对应的分布式观测器，其余列车保持原有状态估计更新机制不变，从而实现分布式状态估计的即插即用运行。
2.如权利要求1所述的一种高速列车行驶状态即插即用分布式估计方法，其特征在于，所述步骤1中，高速列车车载传感器实际配置情况包括通过车载雷达测量实时车间间距信息，通过GPS和速度传感器获得列车的实时位置和实时速度信息。
3.如权利要求1所述的一种高速列车行驶状态即插即用分布式估计方法，其特征在于，所述步骤2中，状态能观性分析结果如下：(Ai,Cii)对应的系统是可观的，说明每趟列车可以利用本地传感器量测信息估计自身行驶状态；(A,Ci)对应的系统是不可观的，说明每趟列车不能基于本地传感器量测信息估计列车编队中所有列车的行驶状态；(A,C)对应的系统是可观的，说明利用列车编队中所有列车的传感器量测信息可以估计列车编队中所有列车的行驶状态。
4.如权利要求1所述的一种高速列车行驶状态即插即用分布式估计方法，其特征在于，所述步骤4中，用强连通有向图来描述m趟相同列车组成的高速列车编队中的车间通信情况。
5.如权利要求1所述的一种高速列车行驶状态即插即用分布式估计方法，其特征在于，Luenberger观测器和基于领导-跟随一致性策略的观测器共同构成设计的分布式观测器；在实际运行过程中，步骤3和步骤4同步执行，共同得到每趟列车对列车编队行驶状态的估计。
6.如权利要求1所述的一种高速列车行驶状态即插即用分布式估计方法，其特征在于，所述步骤5中，当列车编队原成员离开编队时，该列车的外邻居列车需更新基于领导-跟随一致性的观测器的权重，使得权重重新满足约束条件；当新成员加入编队时，该列车根据步骤3和步骤4设计分布式观测器，同时该列车的外邻居列车需更新基于领导-跟随一致性的观测器的权重，使得权重重新满足约束条件；以上操作均由每趟列车独立完成。
CN202011464202.3A 2020-12-11 2020-12-11 一种高速列车行驶状态即插即用分布式估计方法 Active CN112637805B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011464202.3A CN112637805B (zh) 2020-12-11 2020-12-11 一种高速列车行驶状态即插即用分布式估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011464202.3A CN112637805B (zh) 2020-12-11 2020-12-11 一种高速列车行驶状态即插即用分布式估计方法

Publications (2)

Publication Number Publication Date
CN112637805A CN112637805A (zh) 2021-04-09
CN112637805B true CN112637805B (zh) 2022-02-11

Family

ID=75312638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011464202.3A Active CN112637805B (zh) 2020-12-11 2020-12-11 一种高速列车行驶状态即插即用分布式估计方法

Country Status (1)

Country Link
CN (1) CN112637805B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115649240B (zh) * 2022-12-29 2023-03-17 中南大学 一种在线实时优化多列车协同巡航控制方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108415422A (zh) * 2018-01-30 2018-08-17 上海交通大学 一种基于扰动观测器的多无人车编队驾驶控制方法
CN109835372A (zh) * 2019-02-03 2019-06-04 湖南工业大学 一种铁路运输列车稳定性的主动容错控制方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2934026B1 (fr) * 2008-07-16 2012-03-02 Valeo Embrayages Module de pilotage en couple de moyens d'accouplement a friction d'une chaine de transmission de vehicule automobile comportant un observateur d'etats
KR101256315B1 (ko) * 2011-10-18 2013-04-18 엘에스산전 주식회사 열차속도 제어장치 및 방법
WO2014159793A1 (en) * 2013-03-13 2014-10-02 Aptima, Inc. User state estimation systems and methods
CN108241773A (zh) * 2017-12-21 2018-07-03 江苏大学 一种改进的车辆行驶状态估计方法
CN109782325B (zh) * 2019-03-06 2021-03-12 西南交通大学 基于粒子滤波和多传感器信息融合的列车速度估计方法
CN110083179B (zh) * 2019-05-07 2021-10-15 西北工业大学 一种预定时间多智能体系统一致性跟踪控制方法
CN110361965B (zh) * 2019-05-20 2022-01-11 北京理工大学 线性Luenberger观测器的构建方法
CN111267910B (zh) * 2020-02-10 2021-03-26 西南交通大学 基于速度加权滤波的列车实时定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108415422A (zh) * 2018-01-30 2018-08-17 上海交通大学 一种基于扰动观测器的多无人车编队驾驶控制方法
CN109835372A (zh) * 2019-02-03 2019-06-04 湖南工业大学 一种铁路运输列车稳定性的主动容错控制方法

Also Published As

Publication number Publication date
CN112637805A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
US10739788B2 (en) Applications for using mass estimations for vehicles
CN106303968B (zh) 一种基于专用短程通信网络的路网黑客车辆定位方法
CN111746538B (zh) 一种严格避撞的车辆队列跟驰控制方法和控制系统
CN110991757A (zh) 一种混合动力电动汽车综合预测能量管理方法
CN110036304B (zh) 电池管理系统和用于控制电池管理系统的方法
CN112637805B (zh) 一种高速列车行驶状态即插即用分布式估计方法
CN104773190B (zh) 列车的牵引控制辅助系统
US11835965B2 (en) Applications for using mass estimations for vehicles
US20210326677A1 (en) Determination device, determination program, determination method and method of generating neural network model
DE102021132088A1 (de) Steuerung eines elektrifizierten fahrzeugs mit dynamischer segmentbasierter entfernung bis zum leerstand (dte)
CN109455178A (zh) 一种基于双目视觉的道路交通车辆行驶主动控制系统及方法
CN110687907A (zh) 基于模型动态重构的智能汽车解耦预测控制器及其控制方法
CN104882018A (zh) 基于车联网的用于车辆悬架控制的道路工况预辨识系统
CN107757584B (zh) 一种制动控制方法、双机重联机车制动系统及制动方法
Akhtar et al. Analysis of distributed algorithms for density estimation in vanets (poster)
CN112133109A (zh) 一种单交叉口多方向空间占有率均衡控制模型建立方法
CN115963840A (zh) 通信拓扑切换下基于深度强化学习的智能车编队控制方法
CN105988460A (zh) 车辆跑道动态检测方法、装置和系统
CN111695201A (zh) 一种基于数据的磁浮列车运行状态的监测方法
CN113950018B (zh) 一种异步多传感器网络系统及全局椭球状态估计方法
CN112537340A (zh) 基于离散通信数据的多列车分散事件触发控制的方法
CN115140046A (zh) 一种车辆控制方法、系统、车辆控制器及云服务器
CN108848026A (zh) 一种操作系统嵌入式可视汽车智能网关
CN111351500B (zh) 车辆、导航终端及其弯道精准导航方法
CN111610771B (zh) 车辆数据流的测试系统和方法

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