CN114954567B - 一种城市轨道在线列车的停车控制方法及系统 - Google Patents

Abstract

本发明公开了一种城市轨道在线列车的停车控制方法及系统，包括以下步骤：步骤S1、获取当前列车的行驶速度、限制速度、走行距离等驾驶信息作为列车行驶的基础数据，依据所述基础数据构建列车安全制动函数模型获取列车一段时间内的运行状况；步骤S2、依据所述安全制动函数模型提供列车行驶数据，采用基于灰色预测的神经网络PID控制模型分析数据并预测有限时域内列车制动曲线；步骤S3、对所述有限时域内列车制动曲线建立残差序列修正模型，并通过参数自适应预测调节预测误差的权值，以预测列车制动参量，能最大限度地减少最优理想曲线与实际运行曲线之间的误差，不受制动牵引切换次数的影响，使得控制结果更为准确，停车位置更加精确。

Description

一种城市轨道在线列车的停车控制方法及系统

技术领域

本发明涉及城市轨道交通控制技术领域，具体涉及一种城市轨道在线列车的停车控制方法及系统。

背景技术

城市轨道交通作为公共交通体系的重要组成部分，是立体城市建设的主体成分，是解决城市交通拥堵的有效措施，对城轨列车运行时分的精准控制保障了列车运行的安全性、准点性与高效性，有助于更好地执行行车调度计划，进而提高城轨交通服务水平，改善城轨交通网络的运行效率。

随着智能控制理论的发展，许多智能控制算法也被引入到列车自动驾驶系统中，多类智能停车算法被相继提出，国内外学者们纷纷尝试将智能技术用于停车控制中，城轨列车精确停车控制开始受到较大的关注。

目前精确停车控制方法由最开始的算法单一、针对性强，逐渐发展到现在的百花齐放，但主要存在以下几个问题：一是现有用于在线列车的停车控制方法根据列车运行的过程，将系统分为不同的工况，利用灰色控制与预测算法相结合的方法，来确定列车自动驾驶应采取的操纵策略，但由于ATO速度控制器的多变量与大滞后特性，灰色关联决策方法需要考虑的因素较多较复杂，在权重分配与因素选取上仍存在一定的主观影响；二是在求解列车制动模型微分动态的基础上，获得系统梯度，通过迭代学习的方法对初始值进行调节，进而求取满足收敛条件的学习参数，但由于停车方式不唯一，为尽可能减少制动牵引切换次数，该种方式仍需添加运行环境不稳定时的时变工程约束条件。

发明内容

本发明的目的在于提供一种城市轨道在线列车的停车控制方法及系统，以解决现有技术中由于ATO速度控制器的多变量与大滞后特性，导致在权重分配与因素选取上存在一定的影响，以及由于停车方式不唯一，为尽可能减少制动牵引切换次数，导致需添加运行环境不稳定时的时变工程约束条件的技术问题。

为解决上述技术问题，本发明具体提供下述技术方案：

一种城市轨道在线列车的停车控制方法，包括以下步骤：

步骤S1、获取当前列车的行驶速度、限制速度、走行距离等驾驶信息作为列车行驶的基础数据，依据所述基础数据构建列车安全制动函数模型获取列车一段时间内的运行状况；

步骤S2、依据所述安全制动函数模型提供列车行驶数据，采用基于灰色预测的神经网络PID控制模型分析数据并预测有限时域内列车制动曲线；

步骤S3、对所述有限时域内列车制动曲线建立残差序列修正模型，并通过参数自适应预测调节预测误差的权值，以预测列车制动参量。

作为本发明的一种优选方案，所述步骤S1中，所述列车安全制动函数模型主要依据列车行驶的速度与时间曲线追踪列车的当前行驶信息，其表达式为：

其中，v₁表示列车初始速度，a_b表示列车制动曲线的恒减速度，Δs表示列车行驶的速度与时间曲线在不同时刻的距离差，M_t表示列车静态质量，M_p表示列车惯性质量，g表示重力加速度，Δh表示目前列车所处方位和列车目标停止位置的高度差。

作为本发明的一种优选方案，依据所述列车安全制动函数模型获取列车行驶数据，并绘制列车行驶的速度与时间曲线，将所述速度与时间曲线作为目标曲线，根据列车当前行驶状态下制动器的追随数据绘制列车速度与停车距离的目标曲线。

作为本发明的一种优选方案，所述步骤S2中，依据所述制列车速度与停车距离的目标曲线建立传递函数分析列车制动器的时滞特性对列控系统的制动影响，所述传递函数G₁(s)表达式为：

其中，k表示列车时滞特性经验系数，τ表示时滞时间，σ表示响应时间常数，s表示指令延时时间；

所述列车在制动器作用下也具备制动运动趋势，控制力对列车速度改变趋势的传递函数为G₂(s)，其表达式为：

其中，M表示列车质量；

依据所述传递函数G₁(s)、G₂(s)控制器调节列车速度的时滞过程，所述时滞过程的传递函数G(s)表达式为：

G(s)＝G₁(s)·G₂(s)

作为本发明的一种优选方案，依据所述传递函数G(s)的时滞特性将列车运行作为BP神经网络的输入神经元，并将神经网络输出层神经元的输出对应PID控制器的三个可调参数K_p、K_l和K_d，具体为：

步骤S201、选定BP神经网络各层的神经元节点数，确定各层包含的神经元节点的权值设定学习速率η和惯性系数α；

步骤S202、采样计算神经元网络中初始输入r(t)与输出y(t)之间的误差e_k，其表达式为：

步骤S203、根据神经网络各层节点的输入、输出，更新PID控制器的三个K_p、K_l和K_d参数，通过学习速率η以及惯性系数α对神经网络进行学习与训练，在线调整权值以适应控制系统。

作为本发明的一种优选方案，对所述BP神经网络加入灰色预测模块构成由灰色微分方程组成的动态预测模型，以预测有限时域内列车制动曲线，所述灰色预测模块主要为：

首先，将所述BP神经网络输出值作为原始数据序列X⁽⁰⁾，所述X⁽⁰⁾表达式为：

X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))

将x⁽⁰⁾(n)取为时间轴的原点，称t<n为过去，t＝n为现在，t>n为未来；

其次，将X⁽⁰⁾进行累加获取新序列，其累加一次为：

X⁽¹⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(1)+x⁽⁰⁾(2),…,x⁽⁰⁾(n-1)+x⁽⁰⁾(n))＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

其中，通过累加方式获取数据变化关系；

最后，对序列X⁽¹⁾进行紧邻均值生成操作得到Z⁽¹⁾，所述Z⁽¹⁾表达式为：

Z⁽¹⁾＝(z⁽¹⁾(1),z⁽¹⁾(2),…,z⁽¹⁾(n))

通过紧邻均值Z⁽¹⁾获得时间响应式：

其中，a表示发展系数，b表示灰色作用量，反映数据变化的关系，e表示指数函数的底数。

作为本发明的一种优选方案，对所述时间响应式的输出数据获取残差序列，建立残差序列修正模型，具体为：

将设定为残差序列，对残差进行建模，其表达式为：

ε⁽⁰⁾＝(ε⁽⁰⁾(k₀),ε⁽⁰⁾(k₀+1),…,ε⁽⁰⁾(n))

其中，k₀取值范围为n-k₀≥4；

通过对残差序列进行累加，得到残差ε⁽¹⁾

ε⁽¹⁾＝(ε⁽¹⁾(k₀),ε⁽¹⁾(k₀+1),…,ε⁽¹⁾(n))

根据残差序列表达式得基于残差ε⁽¹⁾的时间序列响应其表达式为：

利用时间序列响应对/>进行修正，利用修正输出调整自适应参数。

作为本发明的一种优选方案，所述修正输出通过调整预测模型的自适应参数的预测误差在综合误差中的权值，以调整控制器的适应性，具体为：

将神经网络的输入r(k)和r(ε+k)引入自适应预测模块APM，通过所述灰色预测模块获取输出值y(k)和预测值其中实际误差与预测误差表达式为：

e(k)＝r(k)-y(k)

通过调整加权系数K_r、K_g，改变实际误差e(k)和预测误差在合成误差中所占比重，其表达式为：

作为本发明的一种优选方案，所述加权系数K_r和K_g之间需满足K_r+K_g＝1，通过平均相对误差判断K_r和K_g的取值。

一种根据权利要求1-9任一项所述的城市轨道在线列车的停车控制方法的系统，包括：数据操作模块、视觉感知模块、PID模糊控制模块、运行状态分析模块以及微观仿真模块；

所述数据操作模块，用于采集和预处理当前列车的行驶速度、限制速度、走行距离等驾驶信息；

所述视觉感知模块，用于感知当前驾驶所需的操作界面信息并向检索缓冲区中发出检索请求；

所述PID模糊控制模块，用于分析所述安全制动函数模型输出的列车行驶数据，预测有限时域内列车制动曲线；

所述运行状态分析模块，用于对所述列车制动曲线进行误差分析，综合利用当前和将来制动系统输出的信息来确定当前的控制调整量；

所述微观仿真模块，用于利用所述调整预测模型的输出数据仿真列车制动结果。

本发明与现有技术相比较具有如下有益效果：

本发明利用BP神经网络对列车运行数据进行学习，进而根据实时的参数变化进行PID控制的自适应调整，同时根据灰色预测控制原理准确地预测列车在未来一段时间内的运行状况，可以为列车控制器提供更为丰富的数据，解决了多变量与大滞后特性对列车运行控制的影响，对列车运行策略的确定具有良好的支撑与借鉴作用，能最大限度地减少最优理想曲线与实际运行曲线之间的误差，不受制动牵引切换次数的影响，使得控制结果更为准确，停车位置更加精确。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施例提供的城市轨道在线列车的停车控制方法流程图；

图2为本发明实施例提供的系统结构框图。

图中的标号分别表示如下：

1-数据操作模块；2-视觉感知模块；3-PID模糊控制模块；4-运行状态分析模块；5-微观仿真模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-2所示，本发明提供了一种城市轨道在线列车的停车控制方法，包括以下步骤：

步骤S1、获取当前列车的行驶速度、限制速度、走行距离等驾驶信息作为列车行驶的基础数据，依据所述基础数据构建列车安全制动函数模型获取列车一段时间内的运行状况；

步骤S2、依据所述安全制动函数模型提供列车行驶数据，采用基于灰色预测的神经网络PID控制模型分析数据并预测有限时域内列车制动曲线；

步骤S3、对所述有限时域内列车制动曲线建立残差序列修正模型，并通过参数自适应预测调节预测误差的权值，以预测列车制动参量。

所述步骤S1中，所述列车安全制动函数模型主要依据列车行驶的速度与时间曲线追踪列车的当前行驶信息，其表达式为：

其中，v₁表示列车初始速度，a_b表示列车制动曲线的恒减速度，Δs表示列车行驶的速度与时间曲线在不同时刻的距离差，M_t表示列车静态质量，M_p表示列车惯性质量，g表示重力加速度，Δh表示目前列车所处方位和列车目标停止位置的高度差。

本实施例中，根据列车安全制动曲线获取列车具有恒定减速度的性质，根据这一特点可以简化列车运行控制，同时对于列车停车精度的研究起着无比重要的作用，恒定的减速度使列车行驶过程中几乎没有颠簸，从而提高了乘客的乘车舒适度。

依据所述列车安全制动函数模型获取列车行驶数据，并绘制列车行驶的速度与时间曲线，将所述速度与时间曲线作为目标曲线，根据列车当前行驶状态下制动器的追随数据绘制列车速度与停车距离的目标曲线。

本实施例中，所述速度与时间曲线如果非常逼近理想曲线，则表示列车对目标曲线的追踪越准确，列车停车位置也越精确，反之，列车对目标曲线的追踪越差，最后列车的停车精度就越不精确。

所述步骤S2中，依据所述制列车速度与停车距离的目标曲线建立传递函数分析列车制动器的时滞特性对列控系统的制动影响，所述传递函数G₁(s)表达式为：

其中，k表示列车时滞特性经验系数，τ表示时滞时间，σ表示响应时间常数，s表示指令延时时间；

所述列车在制动器作用下也具备制动运动趋势，控制力对列车速度改变趋势的传递函数为G₂(s)，其表达式为：

其中，M表示列车质量；

依据所述传递函数G₁(s)、G₂(s)控制器调节列车速度的时滞过程，所述时滞过程的传递函数G(s)表达式为：

G(s)＝G₁(s)·G₂(s)

依据所述传递函数G(s)的时滞特性将列车运行作为BP神经网络的输入神经元，并将神经网络输出层神经元的输出对应PID控制器的三个可调参数K_p、K_l和K_d，具体为：

步骤S201、选定BP神经网络各层的神经元节点数，确定各层包含的神经元节点的权值设定学习速率η和惯性系数α；

步骤S202、采样计算神经元网络中初始输入r(t)与输出y(t)之间的误差e_k，其表达式为：

本实施例中，BP神经网络的输入层、隐含层、输出层的神经元个数分别选定为4个、5个、3个，输入信号分别为系统的输入信号、系统的输出信号、误差信号以及PID的输出信号，输出信号分别对应PID控制器的3个参数K_p、K_l和K_d，通过神经网络的自学习、权值调整使控制器的参数达到某种意义下的最优。

步骤S203、根据神经网络各层节点的输入、输出，更新PID控制器的三个K_p、K_l和K_d参数，通过学习速率η以及惯性系数α对神经网络进行学习与训练，在线调整权值以适应控制系统。

本实施例中，将所述神经网络输出层神经元的输出对应PID控制器的三个可调参数K_p、K_l和K_d，这三个参数之间既相互配合又相互制约，通过神经网络的自学习、加权系数调整，使三者位于一个最优平衡状态。

本实施例中，基于BP神经网络的PID参数整定法，摆脱了控制对对象模型的过分依赖，且实时性与精确性都很强，即使没有被控对象的精确模型，通过神经网络的学习与训练，就能够依据给定控制指标得到PID参数的最优数值，同时，网络学习是在线不断进行的，即使系统受到某种干扰，导致结构或参数发生变化，神经网络依然能及时对这种变化快速作出反应，进行新的学习与训练，及时计算出最佳PID参数来适应新的对象模型。

对所述BP神经网络加入灰色预测模块构成由灰色微分方程组成的动态预测模型，以预测有限时域内列车制动曲线，所述灰色预测模块主要为：

首先，将所述BP神经网络输出值作为原始数据序列X⁽⁰⁾，所述X⁽⁰⁾表达式为：

X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))

将x⁽⁰⁾(n)取为时间轴的原点，称t<n为过去，t＝n为现在，t>n为未来；

其次，将X⁽⁰⁾进行累加获取新序列，其累加一次为：

X⁽¹⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(1)+x⁽⁰⁾(2),…,x⁽⁰⁾(n-1)+x⁽⁰⁾(n))＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

其中，通过累加方式获取数据变化关系；

最后，对序列X⁽¹⁾进行紧邻均值生成操作得到Z⁽¹⁾，所述Z⁽¹⁾表达式为：

Z⁽¹⁾＝(z⁽¹⁾(1),z⁽¹⁾(2),…,z⁽¹⁾(n))

通过紧邻均值Z⁽¹⁾获得时间响应式：

其中，a表示发展系数，b表示灰色作用量，反映数据变化的关系，e表示指数函数的底数。

对所述时间响应式的输出数据获取残差序列，建立残差序列修正模型，具体为：

将设定为残差序列，对残差进行建模，其表达式为：

其中，k₀取值范围为n-k₀≥4；

通过对残差序列进行累加，得到残差ε⁽¹⁾

ε⁽¹⁾＝(ε⁽¹⁾(k₀),ε⁽¹⁾(k₀+1),…,ε⁽¹⁾(n))

根据残差序列表达式得基于残差ε⁽¹⁾的时间序列响应其表达式为：

利用时间序列响应对/>进行修正，利用修正输出调整自适应参数。

所述修正输出通过调整预测模型的自适应参数的预测误差在综合误差中的权值，以调整控制器的适应性，具体为：

将神经网络的输入r(k)和r(ε+k)引入自适应预测模块APM，通过所述灰色预测模块获取输出值y(k)和预测值其中实际误差与预测误差表达式为：

e(k)＝r(k)-y(k)

通过调整加权系数K_r、K_g，改变实际误差e(k)和预测误差在合成误差中所占比重，其表达式为：

本实施例中，通过调整预测模型的预测误差在综合误差中的权值，使控制器的适应性增强。

所述加权系数K_r和K_g之间需满足K_r+K_g＝1，通过平均相对误差判断K_r和K_g的取值。

一种根据权利要求1-9任一项所述的城市轨道在线列车的停车控制方法的系统，包括：数据操作模块1、视觉感知模块2、PID模糊控制模块3、运行状态分析模块4以及微观仿真模块5；

所述数据操作模块1，用于采集和预处理当前列车的行驶速度、限制速度、走行距离等驾驶信息；

所述视觉感知模块2，用于感知当前驾驶所需的操作界面信息并向检索缓冲区中发出检索请求；

所述PID模糊控制模块3，用于分析所述安全制动函数模型输出的列车行驶数据，预测有限时域内列车制动曲线；

所述运行状态分析模块4，用于对所述列车制动曲线进行误差分析，综合利用当前和将来制动系统输出的信息来确定当前的控制调整量；

所述微观仿真模块5，用于利用所述调整预测模型的输出数据仿真列车制动结果。

本发明利用BP神经网络对列车运行数据进行学习，进而根据实时的参数变化进行PID控制的自适应调整，同时根据灰色预测控制原理准确地预测列车在未来一段时间内的运行状况，可以为列车控制器提供更为丰富的数据，解决了多变量与大滞后特性对列车运行控制的影响，对列车运行策略的确定具有良好的支撑与借鉴作用，能最大限度地减少最优理想曲线与实际运行曲线之间的误差，不受制动牵引切换次数的影响，使得控制结果更为准确，停车位置更加精确。

以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (5)

1.一种城市轨道在线列车的停车控制方法，其特征在于，包括以下步骤：

步骤S1、获取当前列车的行驶速度、限制速度、走行距离驾驶信息作为列车行驶的基础数据，依据所述基础数据构建列车安全制动函数模型获取列车一段时间内的运行状况；

所述列车安全制动函数模型主要依据列车行驶的速度与时间曲线追踪列车的当前行驶信息，其表达式为：

其中，v₁表示列车初始速度，a_b表示列车制动曲线的恒减速度，Δs表示列车行驶的速度与时间曲线在不同时刻的距离差，M_t表示列车静态质量，M_p表示列车惯性质量，g表示重力加速度，Δh表示目前列车所处方位和列车目标停止位置的高度差；

依据所述列车安全制动函数模型获取列车行驶数据，并绘制列车行驶的速度与时间曲线，将所述速度与时间曲线作为目标曲线，根据列车当前行驶状态下制动器的追随数据绘制列车速度与停车距离的目标曲线；

步骤S2、依据所述安全制动函数模型提供列车行驶数据，采用基于灰色预测的神经网络PID控制模型分析数据并预测有限时域内列车制动曲线；

依据所述制列车速度与停车距离的目标曲线建立传递函数分析列车制动器的时滞特性对列控系统的制动影响，所述传递函数G₁(s)表达式为：

其中，k表示列车时滞特性经验系数，τ表示时滞时间，σ表示响应时间常数，s表示指令延时时间；

所述列车在制动器作用下也具备制动运动趋势，控制力对列车速度改变趋势的传递函数为G₂(s)，其表达式为：

其中，M表示列车质量；

依据所述传递函数G₁(s)、G₂(s)控制器调节列车速度的时滞过程，所述时滞过程的传递函数G(s)表达式为：

G(s)＝G₁(s)·G₂(s)；

依据所述传递函数G(s)的时滞特性将列车运行作为BP神经网络的输入神经元，并将神经网络输出层神经元的输出对应PID控制器的三个可调参数K_p、K_l和K_d，具体为：

步骤S201、选定BP神经网络各层的神经元节点数，确定各层包含的神经元节点的权值设定学习速率η和惯性系数α；

步骤S202、采样计算神经元网络中初始输入r(t)与输出y(t)之间的误差e_k，其表达式为：

步骤S203、根据神经网络各层节点的输入、输出，更新PID控制器的三个K_p、K_l和K_d参数，通过学习速率η以及惯性系数α对神经网络进行学习与训练，在线调整权值以适应控制系统；

步骤S3、对所述有限时域内列车制动曲线建立残差序列修正模型，并通过参数自适应预测调节预测误差的权值，以预测列车制动参量。

2.根据权利要求1所述的一种城市轨道在线列车的停车控制方法，其特征在于，对所述BP神经网络加入灰色预测模块构成由灰色微分方程组成的动态预测模型，以预测有限时域内列车制动曲线，所述灰色预测模块主要为：

首先，将所述BP神经网络输出值作为原始数据序列X⁽⁰⁾，所述X⁽⁰⁾表达式为：

X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))

将x⁽⁰⁾(n)取为时间轴的原点，称t<n为过去，t＝n为现在，t>n为未来；

其次，将X⁽⁰⁾进行累加获取新序列，其累加一次为：

X⁽¹⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(1)+x⁽⁰⁾(2),…,x⁽⁰⁾(n-1)+x⁽⁰⁾(n))

＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

其中，通过累加方式获取数据变化关系；

最后，对序列X⁽¹⁾进行紧邻均值生成操作得到Z⁽¹⁾，所述Z⁽¹⁾表达式为：

Z⁽¹⁾＝(z⁽¹⁾(1),z⁽¹⁾(2),…,z⁽¹⁾(n))

通过紧邻均值Z⁽¹⁾获得时间响应式：

其中，a表示发展系数，b表示灰色作用量，反映数据变化的关系，e表示指数函数的底数。

3.根据权利要求2所述的一种城市轨道在线列车的停车控制方法，其特征在于，对所述时间响应式的输出数据获取残差序列，建立残差序列修正模型，具体为：

将设定为残差序列，对残差进行建模，其表达式为：

ε⁽⁰⁾＝(ε⁽⁰⁾(k₀),ε⁽⁰⁾(k₀+1),…,ε⁽⁰⁾(n))

其中，k₀取值范围为n-k₀≥4；

通过对残差序列进行累加，得到残差ε⁽¹⁾

ε⁽¹⁾＝(ε⁽¹⁾(k₀),ε⁽¹⁾(k₀+1),…,ε⁽¹⁾(n))

根据残差序列表达式得基于残差ε⁽¹⁾的时间序列响应其表达式为：

利用时间序列响应对/>进行修正，利用修正输出调整自适应参数。

4.根据权利要求3所述的一种城市轨道在线列车的停车控制方法，其特征在于，所述修正输出通过调整预测模型的自适应参数的预测误差在综合误差中的权值，以调整控制器的适应性，具体为：

将神经网络的输入r(k)和r(ε+k)引入自适应预测模块APM，通过所述灰色预测模块获取输出值y(k)和预测值其中实际误差与预测误差表达式为：

e(k)＝r(k)-y(k)

通过调整加权系数K_r、K_g，改变实际误差e(k)和预测误差

在合成误差中所占比重，其表达式为：

5.根据权利要求4所述的一种城市轨道在线列车的停车控制方法，其特征在于，所述加权系数K_r和K_g之间需满足K_r+K_g＝1，通过平均相对误差判断K_r和K_g的取值。