CN113867175B - 轨道交通模型创建方法、装置、计算机设备和存储介质 - Google Patents
轨道交通模型创建方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113867175B CN113867175B CN202111170768.XA CN202111170768A CN113867175B CN 113867175 B CN113867175 B CN 113867175B CN 202111170768 A CN202111170768 A CN 202111170768A CN 113867175 B CN113867175 B CN 113867175B
- Authority
- CN
- China
- Prior art keywords
- train
- simulation model
- rail transit
- attribute parameters
- attribute
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000004088 simulation Methods 0.000 claims abstract description 189
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 24
- 238000005265 energy consumption Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 238000012986 modification Methods 0.000 claims description 13
- 230000004048 modification Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000009877 rendering Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000001276 controlling effect Effects 0.000 description 13
- 230000000007 visual effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000009440 infrastructure construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229940098006 multigen Drugs 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Abstract
本申请涉及一种轨道交通模型创建方法、装置、计算机设备和存储介质，属于模型创建技术领域。方法包括：根据列车的属性参数、轨道交通线路的属性参数以及环境的属性参数创建轨道交通仿真模型；根据列车的历史运行数据以及在列车运行的过程中轨道交通线路的历史线路数据构建速度曲线规划模型；将获取到的列车的属性参数、轨道交通线路的属性参数以及环境的属性参数输入至速度曲线规划模型中，得到列车的预优化速度曲线；根据列车的预优化速度曲线控制轨道交通仿真模型中列车的仿真模型运动。采用本方法能够实现对列车真实运行过程的模拟，进而可以对列车在真实运行过程中的性能进行测试验证。
Description
技术领域
本申请涉及模型创建技术领域，特别是涉及一种轨道交通模型创建方法、装置、计算机设备和存储介质。
背景技术
轨道交通作为国家基础设施建设的重点发展对象，对我国经济蓬勃发展和大众化交通出行起到了重要的支撑作用。为了轨道交通运行的安全性与稳定性，需要对列车在真实运行过程中的性能进行理论研究，但是，由于列车真实运行下运行环境较为复杂，特别是极限工况的场景难以创建，现有技术难以通过大规模的跟车测试来对理论研究进行测试验证。
发明内容
基于此，有必要针对上述技术问题，提供一种轨道交通模型创建方法、装置、计算机设备和存储介质。
第一方面，提供了一种轨道交通模型创建方法，该方法包括：获取列车的属性参数、轨道交通线路的属性参数以及轨道交通线路周围预设范围内的环境的属性参数；根据列车的属性参数、轨道交通线路的属性参数以及环境的属性参数创建轨道交通仿真模型；根据列车的历史运行数据以及在列车运行的过程中轨道交通线路的历史线路数据构建速度曲线规划模型；将获取到的列车的属性参数、轨道交通线路的属性参数以及环境的属性参数输入至速度曲线规划模型中，得到列车的预优化速度曲线；根据列车的预优化速度曲线控制轨道交通仿真模型中列车的仿真模型运动。
在其中一个实施例中，根据列车的属性参数、轨道交通线路的属性参数以及环境的属性参数创建轨道交通仿真模型，包括：根据列车的属性参数构建列车的仿真模型；根据轨道交通线路的属性参数构建轨道交通线路的仿真模型；根据环境的属性参数构建环境的仿真模型；利用驱动引擎将列车的仿真模型、轨道交通线路的仿真模型以及环境的仿真模型进行装配以及渲染，得到轨道交通仿真模型。
在其中一个实施例中，列车的属性参数包括列车在各个视角的二维图像，根据列车的属性参数构建列车的仿真模型，包括：从二维图像中识别关键点；根据关键点生成二维特征线；根据二维特征线生成三维特征线；根据三维特征线构建列车的仿真模型。
在其中一个实施例中，在根据列车的属性参数、轨道交通线路的属性参数以及环境的属性参数创建轨道交通仿真模型之后，该方法还包括：接收属性更改参数，属性更改参数包括列车属性更改参数、轨道交通线路属性更改参数以及环境属性更改参数中的至少一种；根据属性更改参数调整轨道交通仿真模型。
在其中一个实施例中，根据列车的历史运行数据以及在列车运行的过程中轨道交通线路的历史线路数据构建速度曲线规划模型，包括：对历史运行数据以及历史线路数据进行预处理，得到原始数据集；获取影响列车能耗的列车运行参数，得到特征集；根据原始数据集和特征集，得到训练数据集；利用训练数据集结合超图算法学习，构建速度曲线规划模型。；
在其中一个实施例中，根据列车的预优化速度曲线控制轨道交通仿真模型中列车的仿真模型运动，包括：获取列车的仿真模型的实际速度；获取实际速度在列车的预优化速度曲线中对应的目标速度；利用模糊自适应PID控制器，调节实际速度与目标速度相等。
在其中一个实施例中，该方法还包括：根据创建的轨道交通模型生成虚拟现实图像，虚拟现实图像用于供虚拟现实显示设备进行显示。
第二方面，提供了一种轨道交通模型创建装置，该装置包括：
第一获取模块，用于获取列车的属性参数、轨道交通线路的属性参数以及轨道交通线路周围预设范围内的环境的属性参数；
创建模块，用于根据列车的属性参数、轨道交通线路的属性参数以及环境的属性参数创建轨道交通仿真模型；
构建模块，用于根据列车的历史运行数据以及在列车运行的过程中轨道交通线路的历史线路数据构建速度曲线规划模型；
第二获取模块，用于将获取到的列车的属性参数、轨道交通线路的属性参数以及环境的属性参数输入至速度曲线规划模型中，得到列车的预优化速度曲线；
控制模块，用于根据列车的预优化速度曲线控制轨道交通仿真模型中列车的仿真模型运动。
在其中一个实施例中，该创建模块，具体用于：根据列车的属性参数构建列车的仿真模型；根据轨道交通线路的属性参数构建轨道交通线路的仿真模型；根据环境的属性参数构建环境的仿真模型；利用驱动引擎将列车的仿真模型、轨道交通线路的仿真模型以及环境的仿真模型进行装配以及渲染，得到轨道交通仿真模型。
在其中一个实施例中，列车的属性参数包括列车在各个视角的二维图像，该创建模块，具体用于：从二维图像中识别关键点；根据关键点生成二维特征线；根据二维特征线生成三维特征线；根据三维特征线构建列车的仿真模型。
在其中一个实施例中，该轨道交通模型创建装置还包括：第三获取模块，用于接收属性更改参数，属性更改参数包括列车属性更改参数、轨道交通线路属性更改参数以及环境属性更改参数中的至少一种；调整模块，用于根据属性更改参数调整轨道交通仿真模型。
在其中一个实施例中，该构建模块，具体用于：对历史运行数据以及历史线路数据进行预处理，得到原始数据集；获取影响列车能耗的列车运行参数，得到特征集；根据原始数据集和特征集，得到训练数据集；利用训练数据集结合超图算法学习，构建速度曲线规划模型。
在其中一个实施例中，该控制模块，具体用于：获取列车的仿真模型的实际速度；获取实际速度在列车的预优化速度曲线中对应的目标速度；利用模糊自适应PID控制器，调节实际速度与目标速度相等。
在其中一个实施例中，轨道交通模型创建装置还包括：虚拟现实图像生成模块，用于根据创建的轨道交通模型生成虚拟现实图像，虚拟现实图像用于供虚拟现实显示设备进行显示。
第三方面，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该计算机程序被该处理器执行时实现如上述第一方面所述的轨道交通模型创建方法。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面所述的轨道交通模型创建方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
在本申请实施例中，首先，根据列车的属性参数、轨道交通线路的属性参数以及环境的属性参数创建了轨道交通仿真模型；其次，根据列车的历史运行数据以及轨道交通线路的历史线路数据构建了速度曲线规划模型；再次，将获取到的列车的属性参数、轨道交通线路的属性参数以及环境的属性参数输入至速度曲线规划模型中，得到了列车的预优化速度曲线；最后，根据列车的预优化速度曲线控制轨道交通仿真模型中列车的仿真模型运动。可见，通过上述轨道交通模型的创建方法，实现了对列车真实运行过程的模拟，进而可以对列车在真实运行过程中的性能进行测试验证。
附图说明
图1为本申请实施例提供的一种轨道交通模型创建方法的实施环境示意图；
图2为本申请实施例提供的第一种轨道交通模型创建方法的流程图；
图3为本申请实施例提供的一种创建轨道交通仿真模型的技术过程的流程图；
图4为本申请实施例提供的一种构建列车的仿真模型的技术过程的流程图；
图5为本申请实施例提供的第二种轨道交通模型创建方法的流程图；
图6为本申请实施例提供的一种构建速度曲线规划模型的技术过程的流程图；
图7为本申请实施例提供的一种控制列车的仿真模型运动的技术过程的流程图；
图8为本申请实施例提供的第三种轨道交通模型创建方法的流程图；
图9为本申请实施例提供的第一种轨道交通模型创建装置的框图；
图10为本申请实施例提供的第二种轨道交通模型创建装置的框图；
图11为本申请实施例提供的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
轨道交通作为国家基础设施建设的重点发展对象，对我国经济蓬勃发展和大众化交通出行起到了重要的支撑作用。为了轨道交通运行的安全性与稳定性，需要对列车在真实运行过程中的性能进行理论研究，但是，由于列车真实运行下运行环境较为复杂，特别是极限工况的场景难以创建，现有技术难以通过大规模的跟车测试来对理论研究进行测试验证。
有鉴于此，本申请提供了一种轨道交通模型创建方法、装置、计算机设备和存储介质，可以通过计算机建模和仿真技术对列车的真实运行过程进行模拟，进而对列车在真实运行过程中的性能进行测试验证。
请参见图1，其示出了本申请提供的一种轨道交通模型创建方法所涉及的实施环境示意图，如图1所示，该轨道交通模型创建方法的执行主体可以是一台计算机设备，也可以为由多台计算机设备组成的计算机设备集群。不同的计算机设备之间可以通过有线或无线方式的进行通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。
请参见图2，其示出了本申请实施例提供的一种轨道交通模型创建方法的流程图，该方法可以应用于上述的计算机设备中，如图2所示，该轨道交通模型创建方法可以包括以下步骤：
步骤201、计算机设备获取列车的属性参数、轨道交通线路的属性参数以及轨道交通线路周围预设范围内的环境的属性参数。
其中，列车的属性参数可以包括列车外形尺寸、车辆的编组数、关键零部件尺寸、驾驶室布置、车轮外形尺寸等。轨道交通线路的属性参数可以包括与轨道相关的参数，例如钢轨信息、道岔信息、轨道长度信息、坡度信息以及轨道曲率，还可以包括与隧道相关的参数，例如隧道框架参数、线缆数据以及照明设备信息。与现有技术相比，本申请实施例除了获取列车的属性参数以及轨道交通线路的属性参数之外，还获取了环境的属性参数，例如树木位置、公路位置以及湖泊位置等，这是为了使本申请实施例创建的轨道交通模型更加逼真，再者说，轨道交通线路周围预设范围内的环境对列车运行过程中的性能也有一定的影响，因此，本申请实施例通过获取环境的属性参数提高了对列车性能测试的准确性。
步骤202、计算机设备根据列车的属性参数、轨道交通线路的属性参数以及环境的属性参数创建轨道交通仿真模型。
本申请实施例中，创建轨道交通仿真模型的参数可以包括列车的属性参数、轨道交通线路的属性参数以及环境的属性参数，也即是，轨道交通仿真模型中可以包括列车的模型、线路的模型以及线路周围环境的模型，此外，轨道交通仿真模型可以通过计算机设备的建模技术创建。因为本申请实施例包括了列车的属性参数、轨道交通线路的属性参数以及环境的属性参数，所以本申请实施例可以通过计算机设备逼真的模拟列车以及列车的运行线路及环境。
步骤203、计算机设备根据列车的历史运行数据以及在列车运行的过程中轨道交通线路的历史线路数据构建速度曲线规划模型。
其中，列车的历史运行数据可以为经验丰富的司机驾驶下的列车历史运行数据，可选的，该列车的历史运行数据可以包括列车的运行公里标、列车的速度、列车的档位以及列车的行运时间等数据；轨道交通线路的历史线路数据可以为上述经验丰富的司机驾驶的列车行驶过的历史线路数据；速度曲线规划模型可以为基于一种算法学习后得到的模型，进一步说，该速度曲线规划模型可以通过学习经验丰富的司机的列车的历史运行数据以及相对应的历史线路数据之后得到。因为，速度曲线规划模型是在学习经验丰富的司机的列车的历史运行数据以及相对应的历史线路数据的基础上得到的，所以，该速度曲线规划模型可以反映列车的运行数据和线路数据对应的最佳列车运行速度。
在本申请的可选实施例中，列车的历史运行数据和历史线路数据可以从列车运行监控记录装置中获取，该列车运行监控记录装置是我国铁路研制的以保证列车运行安全为主要目的列车速度监控装置，该装置可以在实现列车速度安全控制的同时，采集记录与列车安全运行有关的各种机车运行状态信息。
步骤204、计算机设备将获取到的列车的属性参数、轨道交通线路的属性参数以及环境的属性参数输入至速度曲线规划模型中，得到列车的预优化速度曲线。
其中，预优化速度曲线是指轨道交通模型中列车的仿真模型对应的最佳运行速度曲线。
由上文可知，速度曲线规划模型反映了列车的运行数据及线路数据对应的列车最佳运行速度，而本申请实施中，预优化速度曲线是将获取到的列车的属性参数、轨道交通线路的属性参数以及环境的属性参数输入至该速度曲线规划模型中得到的，因此，该预优化速度曲线为上述列车的属性参数、轨道交通线路的属性参数以及环境的属性参数对应的最佳速度曲线，也即是，该预优化速度曲线为轨道交通模型中列车的最佳运行速度。
步骤205、计算机设备根据列车的预优化速度曲线控制轨道交通仿真模型中列车的仿真模型运动。
由上文可知，预优化速度曲线为轨道交通模型中列车的仿真模型的最佳速度曲线，其中，该速度曲线能顾满足列车运行的安全、准点、平稳及节能的要求。其中，列车运行安全就是保证列车在运行过程中不超限速以及不出现非正常停车；列车准点就是保证列车按照时刻表运行；列车平稳可以通过列车在运行过程中尽可能的少更换档位来实现；列车节能就是减少列车运行过程中的能耗。
在本申请实施例中，根据列车的预优化速度曲线控制列车的仿真模型按照最佳速度曲线运行，可以使该列车的仿真模型满足安全、准点、平稳及节能的要求。
在本申请的可选实施例中，轨道交通模型创建方法还可以包括：根据创建的轨道交通模型生成虚拟现实图像，该虚拟现实图像用于供虚拟现实显示设备进行显示。其中，虚拟现实图像有别于传统的二维平面图像，是二维平面图像向三维空间图像的变革与融合，旨在表达虚拟界面、全息影像以及虚拟人机交互等内容，是一种全新的视觉形式；虚拟现实显示设备能够对创建的轨道交通模型进行动态展示，通过虚拟现实显示设备，体验者可以获得视觉、听觉和触觉方面的沉浸式感受，其中，视觉体验方面可以为驾驶员视角也可以为列车运行视角，可以进行360度可视化视角转换，可选的，在驾驶员视角中能够模拟实际驾驶室中各种手柄、仪表盘、显示器、人机交互界面等，在列车运行视角中能够流畅且逼真的显示两侧树木及建筑物的移动以及光照的变化、天气的变化；在听觉体验方面，能够模拟各种类型火车的汽笛声以及列车行走在铁轨时所发出的隆隆声，让虚拟世界更加真实；在触觉体验方面，利用虚拟现实显示设备可以实现轨道交通车辆的远程控制，同时，该虚拟现实显示设备也可用于列车驾驶员的培训，能够模拟真实的驾驶体验。此外，在本申请的可选实施例中，还可以为虚拟现实显示设备配置手柄，该手柄与虚拟现实显示设备通信连接，通过该手柄可以对轨道交通模型进行控制。
在本申请实施例中，首先，根据列车的属性参数、轨道交通线路的属性参数以及环境的属性参数创建了轨道交通仿真模型；其次，根据列车的历史运行数据以及轨道交通线路的历史线路数据构建了速度曲线规划模型；再次，将获取到的列车的属性参数、轨道交通线路的属性参数以及环境的属性参数输入至速度曲线规划模型中，得到了列车的预优化速度曲线；最后，根据列车的预优化速度曲线控制轨道交通仿真模型中列车的仿真模型运动。可见，通过上述轨道交通模型的创建方法，实现了对列车真实运行过程的模拟，进而可以对列车在真实运行过程中的性能进行测试验证。
请参见图3，本申请实施例提供了一种创建轨道交通仿真模型的技术过程，如图3所示，该技术过程可以包括以下步骤：
步骤301、计算机设备根据列车的属性参数构建列车的仿真模型。
在本申请的可选实施中，可以由计算机设备利用车厢的外形尺寸、编组数、车轮、牵引电机的外形尺寸、门控装置的外观尺寸等相关的列车的属性参数构建列车的仿真模型。其中，该列车的仿真模型为3D模型，该模型能够逼真、直观的反映列车的内外全貌。此外，构建列车的仿真模型可以采用基于数据驱动的三维建模方法。
步骤302、计算机设备根据轨道交通线路的属性参数构建轨道交通线路的仿真模型。
在本申请的可选实施中，可以由计算机设备利用轨道交通线路的属性参数构建轨道交通线路的仿真模型，其中，该轨道交通线路的仿真模型为3D模型，该模型能够逼真、直观的反映列车运行的线路全貌。
可选的，可以利用微软模拟火车((Microsoft Train Simulator，简称MSTS)中的线路编辑器构建轨道交通线路的仿真模型，构建该模型的过程为：首先构建地形区域，接着铺设列车运行的线路。该MSTS线路编辑器中提供了大量的模型库，包括常见的轨道模型、信号机模型以及隧道、桥梁等建筑模型。
步骤303、计算机设备根据环境的属性参数构建环境的仿真模型。
在本申请的可选实施中，可以由计算机设备利用树木、公路、湖泊等环境的属性参数构建环境的仿真模型，其中，该环境的仿真模型为3D模型，能够使本申请实施例创建的轨道交通模型更加逼真。
可选的，可以利用MSTS线路编辑器构建环境的仿真模型，在上述构建的地形区域及线路的仿真模型基础上进行环境模型的构建。
此外，对于MSTS线路编辑器中没有的线路及环境模型，可以借助二维平面设计软件(如Photoshop，简称PS)和三维建模软件3d max、Multigen Creator、Maya等，进行所需模型的构建。
步骤304、计算机设备利用驱动引擎将列车的仿真模型、轨道交通线路的仿真模型以及环境的仿真模型进行装配以及渲染，得到轨道交通仿真模型。
其中，渲染是指对模型进行着色，该着色包括灯光和光线的效果、阴影的效果以及模型的颜色。
此外，上述所构建的列车的仿真模型、轨道交通线路的仿真模型以及环境的仿真模型为三维静态的模型，为了整合这三种静态的模型，需要通过驱动引擎对这三种静态的模型进行装配。在本申请实施例中，利用驱动引擎将列车的仿真模型、轨道交通线路的仿真模型以及环境的仿真模型进行装配以及渲染后，得到的动态模型为轨道交通仿真模型。可选的，计算机设备中该轨道交通仿真模型可以通过键盘输入控制信号来控制的列车的启动、停止、加速或者减速。
在本申请的可选实施例中，可以采用Unity 3d作为驱动引擎，实现线路的仿真模型、列车的仿真模型以及环境的仿真模型的装配和渲染，从而得到轨道交通仿真模型。Unity 3d可以在该轨道交通仿真模型的基础上，对列车的三维动态性能进行仿真测试。此外，Unity 3d还可以反映轨道交通模型中昼夜变化、天气变化、树木随列车视角的移动等。
请参见图4，本申请实施例提供了一种构建列车的仿真模型的技术过程，如图4所示，该技术过程可以包括以下步骤：
步骤401、计算机设备从二维图像中识别关键点。
在本申请的实施例中，根据列车的属性参数构建列车的仿真模型，其中，列车的属性参数包括列车在各个视角的二维图像。可选的，可以基于二值特征回归算法利用二维图像对列车的关键点进行识别，其中，该二值特征回归算法在识别精度和识别效率方面具有理想的效果。可选的，识别关键点的过程为：
第一，对二维图像进行预处理。可选的，对二维图像进行预处理后可以得到该二维图像对应的图像标注库及其二维特征训练库。
第二，自动识别特征点。可选的，可以利用二值特征回归算法利对列车的关键点进行自动识别，其中，该算法的主要流程是利用随机森林回归局部二值特征，学习特征映射函数，进而实现特征点定位，该算法的主要流程如下：
首先，通过迭代实现车身关键点回归，该回归指随机初始化的标记点回到自己实际位置中。可以通过以下公式实现关键点回归：
其中，ΔSt为逐步预测形状增量，Wt为线性回归矩阵，为特征映射函数，I为输入的二维图像，t为回归的阶段，St-1为上一阶段的列车形状。
其次，通过如下公式得到局部映射函数
其中，i为所有的图像标注库及其二维特征训练库，πl为运算符，为向真实形状回归增量，Ii为输入的车身侧视图图像，Wl t为局部线性回归矩阵，Wt为全局线性回归矩阵，为形状估计量。
再次，通过学习局部映射函数来为每个标记点生成局部二值特征，然后将这些局部二值特征串联起来，得到全局特征映射函数。也即是，可以通过如下公式得到全局特征映射函数
其中，第一项是回归目标；第二项是通过L2范数规范化对Wt的长度约束；λ为控制规范化的强度；Wt为全局线性回归矩阵；/>为向真实形状回归增量，为形状估计量，Ii为输入的车身侧视图图像。
最后，通过学习全局特征映射函数来实现特征点的定位。
步骤402、计算机设备根据关键点生成二维特征线。
在本申请的可选实施例中，可以在已得到关键点的基础上，采用数据驱动的可变体建模法生成二维特征线。
步骤403、计算机设备根据二维特征线生成三维特征线。
在本申请的可选实施例中，可以在已得到二维特征线的基础上，采用数据驱动的可变体建模法生成三维特征线。
步骤404、计算机设备根据三维特征线构建列车的仿真模型。
本申请实施例中，在利用二值特征回归算法对二维图像中列车的关键点进行识别之后，采用数据驱动的可变体建模法生成二维特征曲线，进而生成三维特征曲线，最终由三维特征线构建出列车的仿真模型。由于二值特征回归算法在识别精度和识别效率方面具有理想的效果，因此，本申请实施例可以精确的识别列车的关键点，进而使得构建的列车的仿真模型更加逼真。
请参见图5，本申请实施例提供的一种轨道交通模型创建方法，还包括以下步骤：
步骤501、计算机设备接收属性更改参数。
其中，属性更改参数包括列车属性更改参数、轨道交通线路属性更改参数以及环境属性更改参数中的至少一种。列车属性更改参数包括列车外形尺寸、车辆的编组数、关键零部件尺寸、驾驶室布置、车轮外形尺寸；轨道交通线路属性更改参数可以包括与轨道相关的参数，例如钢轨信息、道岔信息、轨道长度信息、坡度信息以及轨道曲率，还可以包括与隧道相关的参数，例如隧道框架参数、线缆数据以及照明设备信息；环境属性更改参数包括树木位置、公路位置以及湖泊位置等参数。
步骤502、计算机设备根据属性更改参数调整轨道交通仿真模型。
相关技术中，轨道交通模型通常仅对特定列车在特定线路及环境下的运行过程进行模拟，为了解决这一问题，本申请实施例通过属性更改参数来调整轨道交通仿真模型，如此，本申请实施例中的轨道交通模型可以对不同的列车在不同线路和环境下的运行过程进行模拟。此外，通过属性更改参数的方式来调整轨道交通仿真模型，可以省去因重新创建轨道交通仿真模型所带来的人工成本和时间成本。可选的，在调整线路及环境的仿真模型的情况下，可以将轨道交通线路属性更改参数以及环境属性更改参数输入到MSTS线路编辑器中，进而使得该属性更改参数匹配到对应的列车及环境模型，以得到调整后的列车及环境的仿真模型。
请参见图6，本申请实施例提供了一种构建速度曲线规划模型的技术过程，如图6所示，该技术过程可以包括以下步骤：
步骤601、计算机设备对历史运行数据以及历史线路数据进行预处理，得到原始数据集。
其中，对历史线路数据进行预处理主要对列车运行的线路坡段进行划分；对历史运行数据进行预处理是指通过超图算法得到列车历史运行的公里标，速度、档位以及运行时间等信息。在本申请实施例中，将预处理后的历史运行数据以及历史线路数据作为后续构建速度曲线规划模型的原始数据集。
步骤602、计算机设备获取影响列车能耗的列车运行参数，得到特征集。
在本申请实施例中，通过计算机设备获取影响列车能耗的列车运行参数，可选的，该列车运行参数可以包括影响列车能耗的列车参数、线路参数以及其他影响能耗的相关参数。将该列车运行参数进行分析后得到了上述的特征集。本申请实施例可以通过分析影响列车能耗的列车运行参数，得到不同能耗对应的列车运行参数，从而为减少列车运行过程中的能耗提供数据基础。
步骤603、计算机设备根据原始数据集和特征集，得到训练数据集。
其中，训练数据集是原始数据集和特征集的集合体，该训练数据集是后续利用计算机设备构建速度曲线规划模型的数据基础。
步骤604、计算机设备利用训练数据集结合超图算法学习，构建速度曲线规划模型。
在本申请的可选实施例中，速度曲线规划模型可以反映列车的运行数据和线路数据对应的最佳列车运行速度。构建速度曲线规划模型的流程为：首先，通过超图算法学习上述训练数据集，得到学习投影矩阵M；其次，通过超图算法学习该学习投影矩阵M，得到速度曲线规划模型。其中，学习投影矩阵M可由以下公式得到：
M＝λ(XΔXT+λXXT+μI)-1XY
其中，λ、μ是常数项，X为需要进行预测的数据，XT为X的转置，ΔXT为数据增量，Y为所有数据的标签构成的矩阵。
请参见图7，本申请实施例提供了一种控制列车的仿真模型运动的技术过程，如图7所示，该技术过程可以包括以下步骤：
步骤701、计算机设备获取列车的仿真模型的实际速度。
其中，列车的仿真模型的实际速度是指该列车的仿真模型在创建好的轨道建通模型中的实际运行速度。本申请实施例中列车的仿真模型的运行状态需要满足安全、准点、平稳及节能的要求，所以要控制列车的仿真模型的实际速度按满足安全、准点、平稳及节能的要求的速度运行。
步骤702、计算机设备获取实际速度在列车的预优化速度曲线中对应的目标速度。
其中，目标速度是指预优化速度曲线中一定的列车的属性参数、轨道交通线路的属性参数以及环境的属性参数对应的速度，该目标速度是该列车的属性参数、轨道交通线路的属性参数以及环境的属性参数对应的最佳列车运行速度，在列车按目标速度运行的情况下，可以满足安全、准点、平稳及节能的要求。本申请的可选实施例中，得到目标速度的过程为：首先，根据获取到的实际速度，得到轨道交通模型中列车的仿真模型在该实际速度运行下对应的列车的属性参数、轨道交通线路的属性参数以及环境的属性参数；其次，从预优化速度曲线中得到与该列车的属性参数、轨道交通线路的属性参数以及环境的属性参数对应的目标速度。
步骤703、计算机设备利用模糊自适应PID控制器，调节实际速度与目标速度相等。
在本申请实施例中，需要控制列车的仿真模型按照预优化速度曲线进行运动，也即是，要调节列车的仿真模型的实际运行速度，使实际运行速度与预优化速度曲线中对应的目标速度相等。此外，由于轨道交通模型具有高阶、非线性、复杂等特点，所以本申请实施例中的控制算法采用模糊自适应PID控制，该模糊自适应PID控制的控制算法应有一定的鲁棒性，能够抵抗轨道交通模型的不确定性。
在本申请的可选实施例中，采用模糊自适应PID控制器调节实际速度，使得实际速度与目标速度相等，其中，模糊自适应PID控制器的输入为u(t)，可由以下公式计算得到：
其中，e(t)为列车的实际速度与目标速度的误差，ec为列车的实际速度与目标速度的误差变化率，t为采样时间，Tt为控制器的积分项I，TD为控制器的微分项D，K为控制器的比例项。其中，e(t)和ec可由以下两个公式计算得到：
e(t)＝vr(t)-vo(t)
其中，vr(t)为列车实际速度，vo(t)为列车的目标速度。
在本申请的可选实施例中，在模糊自适应PID控制器中输入u(t)后，该模糊自适应PID控制器根据指定的模糊规则表进行模糊推理并进行实际速度的调整，与此同时，模糊自适应PID控制器还可以计算出△KP、△KI、△KD这三个修正量，将这三个修正量输入到模糊自适应PID控制器中对PID控制器中的三个参数进行调整，调整后的参数变为K+△KP、I+△KI、D+△KD，从而更好的对实际速度进行控制。
在本申请实施例中，通过调节列车的仿真模型的实际速度与预优化速度曲线中对应的目标速度相等，可以使该列车的仿真模型按照列车的最佳运行速度进行运行，进而满足了列车安全、准点、平稳及节能的运行要求。
请参见图8，其示出了本申请实施例提供的一种轨道交通模型创建方法的流程图，该方法可以应用于上述的计算机设备中，如图8所示，该轨道交通模型创建方法可以包括以下步骤：
步骤801、计算机设备获取列车的属性参数、轨道交通线路的属性参数以及轨道交通线路周围预设范围内的环境的属性参数。
步骤802、计算机设备根据列车的属性参数构建列车的仿真模型。
步骤803、计算机设备根据轨道交通线路的属性参数构建轨道交通线路的仿真模型。
步骤804、计算机设备根据轨道交通线路的属性参数构建轨道交通线路的仿真模型。
步骤805、计算机设备根据环境的属性参数构建环境的仿真模型。
步骤806、计算机设备利用驱动引擎将列车的仿真模型、轨道交通线路的仿真模型以及环境的仿真模型进行装配以及渲染，得到轨道交通仿真模型。
步骤807、计算机设备接收属性更改参数，属性更改参数包括列车属性更改参数、轨道交通线路属性更改参数以及环境属性更改参数中的至少一种。
步骤808、计算机设备根据属性更改参数调整轨道交通仿真模型。
步骤809、计算机设备根据列车的历史运行数据以及在列车运行的过程中轨道交通线路的历史线路数据构建速度曲线规划模型。
步骤810、计算机设备将获取到的列车的属性参数、轨道交通线路的属性参数以及环境的属性参数输入至速度曲线规划模型中，得到列车的预优化速度曲线。
步骤811、计算机设备根据列车的预优化速度曲线控制轨道交通仿真模型中列车的仿真模型运动。
步骤812、计算机设备根据创建的轨道交通模型生成虚拟现实图像，虚拟现实图像用于供虚拟现实显示设备进行显示。
在本申请的可选实施例中，为了轨道交通模型中列车的仿真模型的能耗最小，该列车的仿真模型的总能耗的优化目标为：
其中，JE为列车在整个运行过程中的总能耗，φ(f)为列车采用的运行档位，λ为调整系数，f(s)为列车在s处操纵档位施加给列车的牵引力或制动力，Sstart,Send分别表示列车运行的起始和终止位置。
在本申请的可选实施例中，对列车的仿真模型的控制的过程要满足：
其中，s为列车的位置，t为列车运行时间，f(s)为列车在s处操纵档位施加给列车的牵引力或或制动力，fb(max)为最大制动力，ft(max)为最大牵引力，vlimit(t)为线路的限速值，T为列车的实际运行时间，T为时刻表规定的标准时间，Tdeviation为列车的实际运行时间与时刻表规定的标准时间之间的时间偏差。
在本申请的可选实施例中，列车的仿真模型运行的边界条件应满足：
其中，s(0)为列车初始时刻位置，s(T)为列车达到位置，v(0)为列车初始时刻速度，v(T)为列车终止时刻速度。
在本申请的可选实施例中，轨道交通模型的牵引计算模型采用多质点动力学模型主要包括列车的纵向动力学模型，模型中的控制力应满足列车的牵引制动特性。
对列车的仿真模型进行受力分析，结合牛顿定律得：
其中，F为列车合力，s为列车所处的位置，m为列车质量，f(s)为位置s处所受的牵引力或制动力，Rj(v)为基本运行阻力，Rf(v)附加运行阻力，此外，上述公式中的v可通过以下公式计算得到：
同时，上述牵引力或制动力f(s)应满足列车的牵引制动特性：
-fb(max)＜f(s)＜ft(max)
其中，fb(max)为最大制动力，ft(max)为最大牵引力。
同时，基本运行阻力Rj(v)受列车的重量和运行速度的影响，可以通过以下公式计算得到：
Rj(v)＝m(α+βv+γv2)
其中，m为列车质量，v为列车的运行速度，α、β、γ分别为常数的阻力系数，不同车型具有不同的阻力系数。
同时，附加运行阻力Rf(v)可以通过以下公式计算得到：
Rf(v)＝fs(S)+fc(R)+f1(L,v)
其中，fs(S)为坡道阻力，S为所在坡段的坡度，fc(R)为曲线阻力，R为曲线半径，f1(L,v)为隧道阻力，L为隧道长度，v为列车速度。
应该理解的是，虽然流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参见图9，其示出了本申请实施例提供的一种轨道交通模型创建装置900的框图，该装置可以配置于上述的计算机设备中。如图9所示，该轨道交通模型创建装置900包括第一获取模块901、创建模块902、构建模块903、第二获取模块904以及控制模块905。
其中，第一获取模块901，用于获取列车的属性参数、轨道交通线路的属性参数以及轨道交通线路周围预设范围内的环境的属性参数。创建模块902，用于根据列车的属性参数、轨道交通线路的属性参数以及环境的属性参数创建轨道交通仿真模型。构建模块903，用于根据列车的历史运行数据以及在列车运行的过程中轨道交通线路的历史线路数据构建速度曲线规划模型。第二获取模块904，用于将获取到的列车的属性参数、轨道交通线路的属性参数以及环境的属性参数输入至速度曲线规划模型中，得到列车的预优化速度曲线。控制模块905，用于根据列车的预优化速度曲线控制轨道交通仿真模型中列车的仿真模型运动。
在本申请的可选实施例中，该创建模块902，具体用于：根据列车的属性参数构建列车的仿真模型；根据轨道交通线路的属性参数构建轨道交通线路的仿真模型；根据环境的属性参数构建环境的仿真模型；利用驱动引擎将列车的仿真模型、轨道交通线路的仿真模型以及环境的仿真模型进行装配以及渲染，得到轨道交通仿真模型。
在本申请的可选实施例中，列车的属性参数包括列车在各个视角的二维图像，该创建模块902，具体用于：从二维图像中识别关键点；根据关键点生成二维特征线；根据二维特征线生成三维特征线；根据三维特征线构建列车的仿真模型。
请参考图10，其示出了本申请实施例提供的另一种轨道交通模型创建装置1000的示意图，如图10所示，该轨道交通模型创建装置1000除了包括轨道交通模型创建装置900的各模块外，还包括第三获取模块906、调整模块907以及908中的至少一种。
其中，第三获取模块906，用于接收属性更改参数，属性更改参数包括列车属性更改参数、轨道交通线路属性更改参数以及环境属性更改参数中的至少一种。调整模块907，用于根据属性更改参数调整轨道交通仿真模型。虚拟现实图像生成模块908，用于根据创建的轨道交通模型生成虚拟现实图像，虚拟现实图像用于供虚拟现实显示设备进行显示。
在本申请的可选实施例中，该构建模块903，具体用于：对历史运行数据以及历史线路数据进行预处理，得到原始数据集；获取影响列车能耗的列车运行参数，得到特征集；根据原始数据集和特征集，得到训练数据集；利用训练数据集结合超图算法学习，构建速度曲线规划模型。
在本申请的可选实施例中，该控制模块905，具体用于：获取列车的仿真模型的实际速度；获取实际速度在列车的预优化速度曲线中对应的目标速度；利用模糊自适应PID控制器，调节实际速度与目标速度相等。
本申请实施例提供的轨道交通模型创建装置，可以实现上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于轨道交通模型创建装置的具体限定可以参见上文中对于轨道交通模型创建方法的限定，在此不再赘述。上述轨道交通模型创建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备的处理器中，也可以以软件形式存储于计算机设备的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与其他计算机设备进行有线方式或者无线方式的通信，该无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种轨道交通模型创建方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在本申请的一个实施例中，提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取列车的属性参数、轨道交通线路的属性参数以及轨道交通线路周围预设范围内的环境的属性参数；根据列车的属性参数、轨道交通线路的属性参数以及环境的属性参数创建轨道交通仿真模型；根据列车的历史运行数据以及在列车运行的过程中轨道交通线路的历史线路数据构建速度曲线规划模型；将获取到的列车的属性参数、轨道交通线路的属性参数以及环境的属性参数输入至速度曲线规划模型中，得到列车的预优化速度曲线；根据列车的预优化速度曲线控制轨道交通仿真模型中列车的仿真模型运动。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：根据列车的属性参数构建列车的仿真模型；根据轨道交通线路的属性参数构建轨道交通线路的仿真模型；根据环境的属性参数构建环境的仿真模型；利用驱动引擎将列车的仿真模型、轨道交通线路的仿真模型以及环境的仿真模型进行装配以及渲染，得到轨道交通仿真模型。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：从二维图像中识别关键点；根据关键点生成二维特征线；根据二维特征线生成三维特征线；根据三维特征线构建列车的仿真模型。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：接收属性更改参数，属性更改参数包括列车属性更改参数、轨道交通线路属性更改参数以及环境属性更改参数中的至少一种；根据属性更改参数调整轨道交通仿真模型。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：对历史运行数据以及历史线路数据进行预处理，得到原始数据集；获取影响列车能耗的列车运行参数，得到特征集；根据原始数据集和特征集，得到训练数据集；利用训练数据集结合超图算法学习，构建速度曲线规划模型。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：获取列车的仿真模型的实际速度；获取实际速度在列车的预优化速度曲线中对应的目标速度；利用模糊自适应PID控制器，调节实际速度与目标速度相等。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：根据创建的轨道交通模型生成虚拟现实图像，虚拟现实图像用于供虚拟现实显示设备进行显示。
本申请实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在本申请的一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取列车的属性参数、轨道交通线路的属性参数以及轨道交通线路周围预设范围内的环境的属性参数；
根据列车的属性参数、轨道交通线路的属性参数以及环境的属性参数创建轨道交通仿真模型；
根据列车的历史运行数据以及在列车运行的过程中轨道交通线路的历史线路数据构建速度曲线规划模型；
将获取到的列车的属性参数、轨道交通线路的属性参数以及环境的属性参数输入至速度曲线规划模型中，得到列车的预优化速度曲线；
根据列车的预优化速度曲线控制轨道交通仿真模型中列车的仿真模型运动。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据列车的属性参数构建列车的仿真模型；根据轨道交通线路的属性参数构建轨道交通线路的仿真模型；根据环境的属性参数构建环境的仿真模型；利用驱动引擎将列车的仿真模型、轨道交通线路的仿真模型以及环境的仿真模型进行装配以及渲染，得到轨道交通仿真模型。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：从二维图像中识别关键点；根据关键点生成二维特征线；根据二维特征线生成三维特征线；根据三维特征线构建列车的仿真模型。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：接收属性更改参数，属性更改参数包括列车属性更改参数、轨道交通线路属性更改参数以及环境属性更改参数中的至少一种；根据属性更改参数调整轨道交通仿真模型。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：对历史运行数据以及历史线路数据进行预处理，得到原始数据集；获取影响列车能耗的列车运行参数，得到特征集；根据原始数据集和特征集，得到训练数据集；利用训练数据集结合超图算法学习，构建速度曲线规划模型。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取列车的仿真模型的实际速度；获取实际速度在列车的预优化速度曲线中对应的目标速度；利用模糊自适应PID控制器，调节实际速度与目标速度相等。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据创建的轨道交通模型生成虚拟现实图像，虚拟现实图像用于供虚拟现实显示设备进行显示。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种轨道交通模型创建方法，其特征在于，所述方法包括：
获取列车的属性参数、轨道交通线路的属性参数以及所述轨道交通线路周围预设范围内的环境的属性参数；
根据所述列车的属性参数、所述轨道交通线路的属性参数以及所述环境的属性参数创建轨道交通仿真模型；
对列车的历史运行数据以及历史线路数据进行预处理，得到原始数据集；
获取影响列车能耗的列车运行参数，得到特征集；
根据所述原始数据集和所述特征集，得到训练数据集；
利用所述训练数据集结合超图算法学习，构建速度曲线规划模型；具体过程为：通过所述超图算法学习所述训练数据集，获得学习投影矩阵M；通过所述超图算法学习所述学习投影矩阵M，获得所述速度曲线规划模型；所述投影矩阵M为：
M＝λ(XΔXT+λXXT+μI)-1XY；
λ、μ为常数项，X为所述训练数据集，XT为X的转置，ΔXT为所述训练数据集中的数据增量的转置，Y为所述训练数据集中所有数据的标签构成的矩阵，I为输入的二维图像；
将获取到的所述列车的属性参数、所述轨道交通线路的属性参数以及所述环境的属性参数输入至所述速度曲线规划模型中，得到所述列车的预优化速度曲线；
根据所述列车的预优化速度曲线控制所述轨道交通仿真模型中所述列车的仿真模型运动。
2.根据权利要求1所述的方法，其特征在于，所述根据所述列车的属性参数、所述轨道交通线路的属性参数以及所述环境的属性参数创建轨道交通仿真模型，包括：
根据所述列车的属性参数构建所述列车的仿真模型；
根据所述轨道交通线路的属性参数构建所述轨道交通线路的仿真模型；
根据所述环境的属性参数构建所述环境的仿真模型；
利用驱动引擎将所述列车的仿真模型、所述轨道交通线路的仿真模型以及所述环境的仿真模型进行装配以及渲染，得到所述轨道交通仿真模型。
3.根据权利要求2所述的方法，其特征在于，所述列车的属性参数包括所述列车在各个视角的二维图像，所述根据所述列车的属性参数构建所述列车的仿真模型，包括：
从所述二维图像中识别关键点；
根据所述关键点生成二维特征线；
根据所述二维特征线生成三维特征线；
根据所述三维特征线构建所述列车的仿真模型。
4.根据权利要求1至3任一所述的方法，其特征在于，在所述根据所述列车的属性参数、所述轨道交通线路的属性参数以及所述环境的属性参数创建轨道交通仿真模型之后，所述方法还包括：
接收属性更改参数，所述属性更改参数包括列车属性更改参数、轨道交通线路属性更改参数以及环境属性更改参数中的至少一种；
根据所述属性更改参数调整所述轨道交通仿真模型。
5.根据权利要求4所述的方法，其特征在于，所述根据所述属性更改参数调整所述轨道交通仿真模型，包括：
将所述属性更改参数输入到MSTS线路编辑器中，进而使得所述属性更改参数匹配到对应的列车及环境模型，以得到调整后的列车及环境的仿真模型。
6.根据权利要求1或5所述的方法，其特征在于，所述根据所述列车的预优化速度曲线控制所述轨道交通仿真模型中所述列车的仿真模型运动，包括：
获取所述列车的仿真模型的实际速度；
获取所述实际速度在所述列车的预优化速度曲线中对应的目标速度；
利用模糊自适应PID控制器，调节所述实际速度与所述目标速度相等。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据创建的所述轨道交通模型生成虚拟现实图像，所述虚拟现实图像用于供虚拟现实显示设备进行显示。
8.一种轨道交通模型创建装置，其特征在于，所述装置包括：
属性参数获取模块，用于获取列车的属性参数、轨道交通线路的属性参数以及所述轨道交通线路周围预设范围内的环境的属性参数；
创建模块，用于根据所述列车的属性参数、所述轨道交通线路的属性参数以及所述环境的属性参数创建轨道交通仿真模型；
原始数据集获取模块，用于对列车的历史运行数据以及历史线路数据进行预处理，得到原始数据集；
特征集获取模块，用于获取影响列车能耗的列车运行参数，得到特征集；
训练数据集获取模块，用于根据所述原始数据集和所述特征集，得到训练数据集；
速度曲线规划模型构建模块，用于利用所述训练数据集结合超图算法学习，构建速度曲线规划模型；
预优化速度曲线获取模块，用于将获取到的所述列车的属性参数、所述轨道交通线路的属性参数以及所述环境的属性参数输入至所述速度曲线规划模型中，得到所述列车的预优化速度曲线，具体过程为：通过所述超图算法学习所述训练数据集，获得学习投影矩阵M；通过所述超图算法学习所述学习投影矩阵M，获得所述速度曲线规划模型；所述投影矩阵M为：
M＝λ(XΔXT+λXXT+μI)-1XY；
λ、μ为常数项，X为所述训练数据集，XT为X的转置，ΔXT为所述训练数据集中的数据增量的转置，Y为所述训练数据集中所有数据的标签构成的矩阵，I为输入的二维图像；
控制模块，用于根据所述列车的预优化速度曲线控制所述轨道交通仿真模型中所述列车的仿真模型运动。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111170768.XA CN113867175B (zh) | 2021-10-08 | 2021-10-08 | 轨道交通模型创建方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111170768.XA CN113867175B (zh) | 2021-10-08 | 2021-10-08 | 轨道交通模型创建方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113867175A CN113867175A (zh) | 2021-12-31 |
| CN113867175B true CN113867175B (zh) | 2023-10-24 |
Family
ID=79001902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111170768.XA Active CN113867175B (zh) | 2021-10-08 | 2021-10-08 | 轨道交通模型创建方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113867175B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115071791A (zh) * | 2022-05-26 | 2022-09-20 | 安徽光谷智能科技股份有限公司 | 一种轨道交通模型测试装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10247055A (ja) * | 1997-03-06 | 1998-09-14 | Toshiba Corp | 列車運行シミュレーション装置 |
| CN101916311A (zh) * | 2010-08-05 | 2010-12-15 | 北京交通大学 | 轨道交通自动驾驶系统模型开发与仿真测试系统与方法 |
| CN104590333A (zh) * | 2014-12-11 | 2015-05-06 | 中国北车集团大连机车研究所有限公司 | 一种铁路列车智能操纵优化控制系统 |
| CN107240327A (zh) * | 2017-07-19 | 2017-10-10 | 大连交通大学 | 一种基于虚拟现实的地铁车辆实时运行参数仿真方法 |
| CN108748138A (zh) * | 2018-04-17 | 2018-11-06 | 上海达野智能科技有限公司 | 速度规划方法、系统、控制系统、机器人、及存储介质 |
| CN112464453A (zh) * | 2020-11-19 | 2021-03-09 | 卡斯柯信号有限公司 | 一种考虑列车动态响应过程的运行速度曲线规划仿真方法 |
-
2021
- 2021-10-08 CN CN202111170768.XA patent/CN113867175B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10247055A (ja) * | 1997-03-06 | 1998-09-14 | Toshiba Corp | 列車運行シミュレーション装置 |
| CN101916311A (zh) * | 2010-08-05 | 2010-12-15 | 北京交通大学 | 轨道交通自动驾驶系统模型开发与仿真测试系统与方法 |
| CN104590333A (zh) * | 2014-12-11 | 2015-05-06 | 中国北车集团大连机车研究所有限公司 | 一种铁路列车智能操纵优化控制系统 |
| CN107240327A (zh) * | 2017-07-19 | 2017-10-10 | 大连交通大学 | 一种基于虚拟现实的地铁车辆实时运行参数仿真方法 |
| CN108748138A (zh) * | 2018-04-17 | 2018-11-06 | 上海达野智能科技有限公司 | 速度规划方法、系统、控制系统、机器人、及存储介质 |
| CN112464453A (zh) * | 2020-11-19 | 2021-03-09 | 卡斯柯信号有限公司 | 一种考虑列车动态响应过程的运行速度曲线规划仿真方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于改进BP神经网络的重载列车驾驶曲线算法研究;谭力天;黄友能;李玲玉;;铁路计算机应用;第25卷(第5期);第1-5页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113867175A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11755396B2 (en) | Generating autonomous vehicle simulation data from logged data | |
| CN108803607B (zh) | 一种用于自动驾驶的多功能仿真系统 | |
| CN107844635B (zh) | 实现bim信息与交通仿真信息集成系统及其集成方法 | |
| US8046204B2 (en) | Collecting and modeling object simulation data | |
| US20190278698A1 (en) | Autonomous Vehicle Simulation And Testing | |
| CN108921200A (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
| CN105354355A (zh) | 一种基于三维运动视景的仿真系统设计与实现方法 | |
| CN109726426A (zh) | 一种车辆自动驾驶虚拟环境构建方法 | |
| CN106373453A (zh) | 一种沉浸式高铁列车虚拟驾驶行为智能评判方法及仿真系统 | |
| Yang et al. | Unity 3D production and environmental perception vehicle simulation platform | |
| CN107590301A (zh) | 支持开发利于不同天气条件下铁路交叉道口的行驶的算法的虚拟传感器数据生成系统和方法 | |
| CN112508164B (zh) | 一种基于异步监督学习的端到端自动驾驶模型预训练方法 | |
| Li et al. | Pre-deployment testing of low speed, Urban Road Autonomous Driving in a Simulated Environment | |
| CN113867175B (zh) | 轨道交通模型创建方法、装置、计算机设备和存储介质 | |
| Fouladinejad et al. | Modeling virtual driving environment for a driving simulator | |
| Chen et al. | NADS at the University of IOWA: A tool for driving safety research | |
| Zhang et al. | A rule-based parametric modeling method of generating virtual environments for coupled systems in high-speed trains | |
| CN116620327A (zh) | 基于PPO和Lattice实现自动驾驶的高速场景的变道决策方法 | |
| Yang et al. | Design of urban landscape visual simulation system based on three-dimensional simulation technology | |
| Barz et al. | Advantages of using runtime procedural generation of virtual environments based on real world data for conducting empirical automotive research | |
| Luo et al. | UML-based design of intelligent vehicles virtual reality platform | |
| CN110942700A (zh) | 一种基于虚拟现实的动车模拟驾驶系统 | |
| Luo et al. | Intelligent vehicle simulation and debugging environment based on physics engine | |
| Kantale et al. | An Overview of Artificial Intelligence based Autonomous Vehicle Robotics Simulators | |
| CN116911145B (zh) | 一种多因素作用下沿海铁路行车安全集成模拟方法及系统 |
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 |