CN115716492A - 一种基于云边架构人机混合驾驶列车的控制方法 - Google Patents

Abstract

本发明提供了一种基于云边架构人机混合驾驶列车的控制方法，其特征在于：涉及的硬件包括中心云计算模块、边缘云计算模块、列车控制调度中心和人机混合驾驶仿真系统；控制方法包括：人机混合驾驶仿真系统进行仿真试验获取N个训练数据集，中心云计算模块构建深度学习模型，并利用训练数据集进行训练得到N个仲裁深度学习模型集，再将N个仲裁深度学习模型集分别迁移到N个边缘云计算模块中，各个边缘云计算模块利用仲裁深度学习模型解决的人机操纵档位指令冲突问题。采用本发明所述的控制方法，能快速、准确、安全地解决多列车人机操纵档位指令冲突问题，充分保障了列车的安全、顺畅地行驶，提高了线路的运行效率。

Description

一种基于云边架构人机混合驾驶列车的控制方法

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架构人机混合驾驶列车的控制方法。

背景技术

随着智能机器与各类智能终端不断涌现，人与智能机器的交互、混合是未来社会的发展形态。然而，对于许多存在不确定性、脆弱性和开放性问题的情况下，任何智能的机器都无法完全取代人类。这将需要将人类的作用或人的认知模型引入到人工智能系统中，形成混合增强智能的形态。现有列车人机共驾的研究根据人机协同方法目前大体可分为两大类型：第一大类是通过人与机切换控制，在机器自动驾驶系统和人驾驶两者之间相互切换，采用接管方式控制列车；第二大类是人机共享控制，列车驾驶员和机器驾驶自动化系统同时对车辆运动进行控制。对于后者来说，列车人机混合智能共驾通过发挥人机各自优势，是提升智能列车稳定性、安全性和舒适性的可行技术手段。

然而，在人机混合增强列车智能驾驶中，人与机器的档位操纵决策易出现冲突，特别对于新驾驶员来说，虽然他们擅于打破一些经验性的列车操纵，在列车档位操纵中具有一定探索性决策，个别新的探索决策对列车驾驶来讲是有益的，但他们由于缺乏驾驶经验，在一些特殊情况，比如遇到大雨、大雾和大雪等恶劣天气情况下，轨道线路设置了临时限速，新驾驶员的视觉和心理难免将会受到影响，新的驾驶员不具备一定的临机处置能力。在人机混合增强智能驾驶中，人与机器的操纵档位决策冲突矛盾会非常明显和突出，为了保证安全，现有技术中，只能通过人工作保守性的档位选择，让列车降速行驶甚至停车处理。而且，对于运营线路上存在多辆列车同时运行的情况，如果多个列车同时出现人机操纵档位冲突，靠人工进行处理，处置效率非常低，甚至出现大面积瘫痪，处置不当还可能造成安全问题，不仅严重影响线路正常运营效率，还提高了运营成本。

发明内容

针对背景技术的问题，本发明提供一种基于云边架构人机混合驾驶列车的控制方法，以解决现有技术中运营线路上人机混合驾驶列车发生操纵档位决策冲突时，处置效率低、安全性低，处置成本高的问题。

为实现本发明的目的，本发明提供了一种基于云边架构人机混合驾驶列车的控制方法，其创造性在于：所涉及的硬件包括中心云计算模块、边缘云计算模块、列车控制调度中心和人机混合驾驶仿真系统；

设某运营线路上有N+1个站点，相邻两个站点之间的路段记为一个子线路，则所述运营线路上有N个子线路；所述边缘云计算模块有N个，N个边缘云计算模块与N个子线路一一对应，单个边缘云计算模块设置在对应子线路的起点站内；所述运营线路上行驶的列车采用人机混合驾驶的方式控制列车运行；

所述列车控制调度中心能实时获取各个子线路上运行列车的列车车型和列车编组类型信息，还能实时获取子线路上列车运行路段的天气类型信息；

所述人机混合驾驶仿真系统包括模拟驾驶主控模块、模拟机器操控模块、第一模拟人工操控模块、第二模拟人工操控模块、模拟冲突仲裁模块和数据收集模块；

所述控制方法包括：

一）所述人机混合驾驶仿真系统对所述运营线路上每个子线路均按方法一进行仿真实验获取对应的训练数据集，对N个子线路进行仿真实验得到N个训练数据集；然后人机混合驾驶仿真系统的数据收集模块将N个训练数据集数据发送给中心云计算模块；

二）中心云计算模块对收到的每个训练数据集均按方法二进行处理获取仲裁深度学习模型集，对N个训练数据集得到N个仲裁深度学习模型集，N个仲裁深度学习模型集与N个边缘云计算模块一一对应；然后中心云计算模块将N个仲裁深度学习模型集分别迁移到对应的N个边缘云计算模块中；

三）按方法三控制各个子线路上列车的运行；

所述方法一包括：

对单个子线路来说：将多个列车车型、多个列车编组类型和多个天气类型按仿真要求进行组合分组得到X个约束条件组，每个约束条件组均包括列车车型、列车编组类型和天气类型三个约束条件；针对每个约束条件组均按以下方式处理获取对应的数据组集：

人机混合驾驶仿真系统模拟列车按约束条件组对应的约束条件在子线路上行驶，

1）模拟机器操控模块向模拟冲突仲裁模块输出第一操纵档位指令，同时第一模拟驾驶员通过第一模拟人工操控模块向模拟冲突仲裁模块输出第二操纵档位指令；

2）模拟冲突仲裁模块对第一操纵档位指令和第二操纵档位指令进行比较，如果第一操纵档位指令和第二操纵档位指令相同，则进入步骤3a），否则进入步骤3b）；

3a）模拟冲突仲裁模块将其中任意一个操纵档位指令发送给模拟驾驶主控模块，模拟驾驶主控模块根据收到的操纵档位指令模拟控制列车运行；然后返回步骤1）；

3b）模拟冲突仲裁模块向第二模拟人工操控模块发出档位决策请求信息；

4）第二模拟人工操控模块收到档位决策请求信息后向第二模拟驾驶员发出操控提示，然后第二模拟驾驶员通过第二模拟人工操控模块向模拟冲突仲裁模块发送第三操纵档位指令；

5）模拟冲突仲裁模块将收到的第三操纵档位指令发送给模拟驾驶主控模块，模拟驾驶主控模块根据收到的第三操纵档位指令模拟控制列车运行；

同时模拟冲突仲裁模块将第一操纵档位指令、第二操纵档位指令和第三操纵档位指令三者的数据发送给数据收集模块，数据收集模块将收到的第一操纵档位指令、第二操纵档位指令和第三操纵档位指令三者的数据作为一个数据组进行保存；

6）对数据收集模块内的数据组个数进行判断，如果数据收集模块内的数据组个数达到设定值，程序结束；否则返回步骤1）；

将程序结束后数据收集模块内保存的多个数据组记为一个数据组集；

X个约束条件组对应X个数据组集，X个数据组集组成一个训练数据集；

所述方法二包括：

对单个训练数据集按以下方式处理：

a）中心云计算模块采用深度学习方法构建X个深度学习模型；

b）中心云计算模块利用X个数据组集分别对X个深度学习模型进行训练，得到X个仲裁深度学习模型；将X个仲裁深度学习模型的集合记为一个仲裁深度学习模型集，仲裁深度学习模型集所辖的X个仲裁深度学习模型与X个约束条件组一一对应；

采用数据组集对深度学习模型进行训练时，将所述第一操纵档位指令、第二操纵档位指令作为深度学习模型的输入量，将所述第三操纵档位指令作为深度学习模型的输出量；

所述方法三包括：

设某辆列车在所述运营线路的第i个子线路上行驶，将第i个子线对应的边缘云计算模块记为第i个边缘云计算模块，i为1至N的整数，所述列车上设置有车载机器操控模块、车载人工操控模块、车载判断模块和车载驾驶主控模块；

A）所述车载机器操控模块向车载判断模块发送第一操纵档位指令，同时列车上的驾驶员通过车载人工操控模块向车载判断模块发送第二操纵档位指令；

B）车载判断模块对收到的第一操纵档位指令和第二操纵档位指令进行比较：如果第一操纵档位指令和第二操纵档位指令相同，则进入步骤C1），否则进入步骤C2）；

C1）车载判断模块将其中任意一个操纵档位指令传输给车载驾驶主控模块，然后进入步骤E）；

C2）车载判断模块生成操纵档位决策请求信息并发送给第i个边缘云计算模块，同时车载判断模块将第一操纵档位指令和第二操纵档位指令发送给第i个边缘云计算模块；

D）第i个边缘云计算模块从列车控制调度中心获取列车当前的约束条件组，然后第i个边缘云计算模块根据收到的约束条件组从仲裁深度学习模型集中选择对应的仲裁深度学习模型，然后第i个边缘云计算模块将收到的第一操纵档位指令和第二操纵档位指令作为输入，从仲裁深度学习模型输出第三操纵档位指令，然后第i个边缘云计算模块将第三操纵档位指令发送给车载判断模块，然后车载判断模块将第三操纵档位指令传输给车载驾驶主控模块；

E）车载驾驶主控模块根据收到的操纵档位指令控制列车运行；返回步骤A）。

进一步地，所述第二模拟驾驶员较第一模拟驾驶员的驾龄更长和/或驾驶车次更多。

本发明的原理如下：

在列车人机混合增强智能驾驶中，人与机器的操纵档位决策容易出现冲突，特别是新上岗不久的驾驶员，在雨、雾和雪等恶劣天气情况下，这种列车人机操纵档位决策的冲突矛盾更为明显，现有技术中，遇到上述情况通常只能通过列车控制调度中心进行处理，采用保守性的档位选择措施，让列车降速运行甚至停车处理，严重影响列车的运行安全、效率和运营成本。另一方面，对于整个运营线路来说，存在多个子线路，每个子线路还可能同时运行多辆列车，如果整条运营线路的列车的操纵档位决策冲突都通过地面的列车控制调度中心来解决，不仅大大增加列车控制调度中心硬件设备的运算负担，还需要大量的人力保障，不仅效率低下，运营成本也大大提高。

本发明的总体构思在于对在线列控系统引入“二次介入”的方法来解决上述人机操纵档位决策冲突的问题，当在线驾驶员和车载机器操控模块出现操纵档位冲突时，通过地面的控制部分进行决策产生一个新的操纵档位指令来控制列车运行，为了提高控制速度和效率，本发明在地面控制部分中采用深度学习模型来输出这个新的操纵档位指令，由于深度学习模型本身具备学习能力强、端到端的输入输出速度快的特点，所以能提高解决冲突的反应速度；另一方面，本发明采用模拟仿真的方法来快速获取深度学习模型所需的训练数据集，其过程也采用了“二次介入”的思想，由于二次介入机制的存在，在仿真过程中第二模拟驾驶员可选用经验丰富的驾驶员来进行操纵档位指令数据输入，用这样的数据集训练出来的深度学习模型输出的操纵档位指令也更合理、更准确，能在保证安全的同时提高列车运行准点率和乘坐舒适度，降低运行能耗和运行成本。

而对于多子线路、多列车同时运行、控制效率低、运算负担重的问题，本发明创造性地构建了云边协同的控制架构来解决。具体来说：中心云计算模块只设置一个，可设置在地面列控中心，而边缘云计算模块设置多个，每个子线路的起点站均设置一个边缘云计算模块。中心云计算模块只负责对深度学习模型进行构建和训练，以获取多个仲裁深度学习模型集，然后将多个仲裁深度学习模型集分发到对应的各个边缘云计算模块中，而边缘云计算模块分布在各个子线路的起点站，只负责对对应子线路上运行列车的人机操纵档位冲突的二次介入，中心云计算单元并不直接参与列车人机操纵档位冲突的处理，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。相应地，人机混合驾驶仿真系统在进行仿真试验时，也是以子线路为单位分别进行，这样列车运行的线路静态数据（包括线路坡度、最大限速等参数）等是与实际列车运行的线路环境相同，能大大降低所获取训练数据与真实数据之间的误差，用这些训练数据集训练出来的仲裁深度学习模型，其输出精度也会大大提高。

由此可见，本发明具有如下的有益效果：采用本发明所述的控制方法，能在路网或者多子线路的线路中，快速、准确、安全地解决多列车人机操纵档位决策冲突问题，充分保障了人机混合驾驶列车的安全、顺畅地行驶，提高了列车运行准点率和乘坐舒适度，提高了整个运行线路的运行效率。

附图说明

本发明的附图说明如下。

附图1为本发明所涉及硬件的连接示意图；

附图2为人机混合驾驶仿真系统的硬件连接示意图；

附图3为列车车载硬件的连接示意图。

图中：1、中心云计算模块；2、边缘云计算模块；3、列车控制调度中心；4、人机混合驾驶仿真系统；5、列车；41、模拟驾驶主控模块；42、模拟机器操控模块；43、第一模拟人工操控模块；44、第二模拟人工操控模块；45、模拟冲突仲裁模块；46、数据收集模块；51、车载机器操控模块；52、车载人工操控模块；53、车载判断模块；54、车载驾驶主控模块。

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所示的本发明所涉及的硬件连接结构示意图，包括中心云计算模块1、边缘云计算模块2、列车控制调度中心3和人机混合驾驶仿真系统4；

设某运营线路上有N+1个站点，相邻两个站点之间的路段记为一个子线路，则所述运营线路上有N个子线路；所述边缘云计算模块有N个，N个边缘云计算模块与N个子线路一一对应，单个边缘云计算模块设置在对应子线路的起点站内；所述运营线路上行驶的列车采用人机混合驾驶的方式控制列车运行，本发明所述的人机混合驾驶是人机共享控制，指列车驾驶员和车载机器操控模块共同对列车进行控制的模式。

所述列车控制调度中心能实时获取各个子线路上运行列车的列车车型和列车编组类型信息，还能实时获取子线路上列车运行路段的天气类型（晴、雨、雪、风等）信息；

如附图2所示，所述人机混合驾驶仿真系统包括模拟驾驶主控模块41、模拟机器操控模块42、第一模拟人工操控模块43、第二模拟人工操控模块44、模拟冲突仲裁模块45和数据收集模块46；

所述控制方法包括：

一）所述人机混合驾驶仿真系统对所述运营线路上每个子线路均按方法一进行仿真实验获取对应的训练数据集，对N个子线路进行仿真实验得到N个训练数据集；然后人机混合驾驶仿真系统的数据收集模块将N个训练数据集数据发送给中心云计算模块；

二）中心云计算模块对收到的每个训练数据集均按方法二进行处理获取对应的仲裁深度学习模型集，对N个训练数据集得到N个仲裁深度学习模型集，N个仲裁深度学习模型集与N个边缘云计算模块一一对应；然后中心云计算模块将N个仲裁深度学习模型集分别迁移到对应的N个边缘云计算模块中；

三）按方法三控制各个子线路上列车的运行；

所述方法一包括：

对单个子线路来说：将多个列车车型、多个列车编组类型和多个天气类型按仿真要求进行组合分组得到X个约束条件组，每个约束条件组均包括列车车型、列车编组类型和天气类型三个约束条件；针对每个约束条件组均按以下方式处理获取对应的数据组集：

人机混合驾驶仿真系统模拟列车按约束条件组对应的约束条件在子线路上行驶，

1）模拟机器操控模块向模拟冲突仲裁模块输出第一操纵档位指令，同时第一模拟驾驶员通过第一模拟人工操控模块向模拟冲突仲裁模块输出第二操纵档位指令；

2）模拟冲突仲裁模块对第一操纵档位指令和第二操纵档位指令进行比较，如果第一操纵档位指令和第二操纵档位指令相同，则进入步骤3a），否则进入步骤3b）；

3a）模拟冲突仲裁模块将其中任意一个操纵档位指令发送给模拟驾驶主控模块，模拟驾驶主控模块根据收到的操纵档位指令模拟控制列车运行；然后返回步骤1）；

3b）模拟冲突仲裁模块向第二模拟人工操控模块发出档位决策请求信息；

4）第二模拟人工操控模块收到档位决策请求信息后向第二模拟驾驶员发出操控提示，然后第二模拟驾驶员通过第二模拟人工操控模块向模拟冲突仲裁模块发送第三操纵档位指令；所述第二模拟驾驶员较第一模拟驾驶员的驾龄更长和/或驾驶车次更多，即第二模拟驾驶员较第一模拟驾驶员驾驶经验更丰富，以提高第三操纵档位指令的合理性和准确性；

5）模拟冲突仲裁模块将收到的第三操纵档位指令发送给模拟驾驶主控模块，模拟驾驶主控模块根据收到的第三操纵档位指令模拟控制列车运行；

同时模拟冲突仲裁模块将第一操纵档位指令、第二操纵档位指令和第三操纵档位指令三者的数据发送给数据收集模块，数据收集模块将收到的第一操纵档位指令、第二操纵档位指令和第三操纵档位指令三者的数据作为一个数据组进行保存；

6）对数据收集模块内的数据组个数进行判断，如果数据收集模块内的数据组个数达到设定值，程序结束；否则返回步骤1）；

将程序结束后数据收集模块内保存的多个数据组记为一个数据组集；

X个约束条件组对应X个数据组集，X个数据组集组成一个训练数据集；

所述方法二包括：

对单个训练数据集按以下方式处理：

a）中心云计算模块采用深度学习方法构建X个深度学习模型；

b）中心云计算模块利用X个数据组集分别对X个深度学习模型进行训练，得到X个仲裁深度学习模型；将X个仲裁深度学习模型的集合记为一个仲裁深度学习模型集，仲裁深度学习模型集所辖的X个仲裁深度学习模型与X个约束条件组一一对应；

采用数据组集对深度学习模型进行训练时，将所述第一操纵档位指令、第二操纵档位指令作为深度学习模型的输入量，将所述第三操纵档位指令作为深度学习模型的输出量；

所述方法三包括：

设某辆列车在所述运营线路的第i个子线路上行驶，将第i个子线对应的边缘云计算模块记为第i个边缘云计算模块，i为1至N的整数，如附图3所示，所述列车上设置有车载机器操控模块51、车载人工操控模块52、车载判断模块53和车载驾驶主控模块54；

A）所述车载机器操控模块向车载判断模块发送第一操纵档位指令，同时列车上的驾驶员通过车载人工操控模块向车载判断模块发送第二操纵档位指令；

B）车载判断模块对收到的第一操纵档位指令和第二操纵档位指令进行比较：如果第一操纵档位指令和第二操纵档位指令相同，则进入步骤C1），否则进入步骤C2）；

C1）车载判断模块将其中任意一个操纵档位指令传输给车载驾驶主控模块，然后进入步骤E）；

C2）车载判断模块生成操纵档位决策请求信息并发送给第i个边缘云计算模块，同时车载判断模块将第一操纵档位指令和第二操纵档位指令发送给第i个边缘云计算模块；

D）第i个边缘云计算模块从列车控制调度中心获取列车当前的约束条件组，然后第i个边缘云计算模块根据收到的约束条件组从仲裁深度学习模型集中选择对应的仲裁深度学习模型，然后第i个边缘云计算模块将收到的第一操纵档位指令和第二操纵档位指令作为输入，从仲裁深度学习模型输出第三操纵档位指令，然后第i个边缘云计算模块将第三操纵档位指令发送给车载判断模块，然后车载判断模块将第三操纵档位指令传输给车载驾驶主控模块；

E）车载驾驶主控模块根据收到的操纵档位指令控制列车运行；返回步骤A）。

本发明中应用到的深度学习理论为现有技术中十分常见的处理手段或计算方法，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 (2)

1.一种基于云边架构人机混合驾驶列车的控制方法，其特征在于：所涉及的硬件包括中心云计算模块、边缘云计算模块、列车控制调度中心和人机混合驾驶仿真系统；

设某运营线路上有N+1个站点，相邻两个站点之间的路段记为一个子线路，则所述运营线路上有N个子线路；所述边缘云计算模块有N个，N个边缘云计算模块与N个子线路一一对应，单个边缘云计算模块设置在对应子线路的起点站内；所述运营线路上行驶的列车采用人机混合驾驶的方式控制列车运行；

所述列车控制调度中心能实时获取各个子线路上运行列车的列车车型和列车编组类型信息，还能实时获取子线路上列车运行路段的天气类型信息；

所述人机混合驾驶仿真系统包括模拟驾驶主控模块、模拟机器操控模块、第一模拟人工操控模块、第二模拟人工操控模块、模拟冲突仲裁模块和数据收集模块；

所述控制方法包括：

一）所述人机混合驾驶仿真系统对所述运营线路上每个子线路均按方法一进行仿真实验获取对应的训练数据集，对N个子线路进行仿真实验得到N个训练数据集；然后人机混合驾驶仿真系统的数据收集模块将N个训练数据集数据发送给中心云计算模块；

二）中心云计算模块对收到的每个训练数据集均按方法二进行处理获取仲裁深度学习模型集，对N个训练数据集得到N个仲裁深度学习模型集，N个仲裁深度学习模型集与N个边缘云计算模块一一对应；然后中心云计算模块将N个仲裁深度学习模型集分别迁移到对应的N个边缘云计算模块中；

三）按方法三控制各个子线路上列车的运行；

所述方法一包括：

对单个子线路来说：将多个列车车型、多个列车编组类型和多个天气类型按仿真要求进行组合分组得到X个约束条件组，每个约束条件组均包括列车车型、列车编组类型和天气类型三个约束条件；针对每个约束条件组均按以下方式处理获取对应的数据组集：

人机混合驾驶仿真系统模拟列车按约束条件组对应的约束条件在子线路上行驶，

1）模拟机器操控模块向模拟冲突仲裁模块输出第一操纵档位指令，同时第一模拟驾驶员通过第一模拟人工操控模块向模拟冲突仲裁模块输出第二操纵档位指令；

2）模拟冲突仲裁模块对第一操纵档位指令和第二操纵档位指令进行比较，如果第一操纵档位指令和第二操纵档位指令相同，则进入步骤3a），否则进入步骤3b）；

3a）模拟冲突仲裁模块将其中任意一个操纵档位指令发送给模拟驾驶主控模块，模拟驾驶主控模块根据收到的操纵档位指令模拟控制列车运行；然后返回步骤1）；

3b）模拟冲突仲裁模块向第二模拟人工操控模块发出档位决策请求信息；

4）第二模拟人工操控模块收到档位决策请求信息后向第二模拟驾驶员发出操控提示，然后第二模拟驾驶员通过第二模拟人工操控模块向模拟冲突仲裁模块发送第三操纵档位指令；

5）模拟冲突仲裁模块将收到的第三操纵档位指令发送给模拟驾驶主控模块，模拟驾驶主控模块根据收到的第三操纵档位指令模拟控制列车运行；

同时模拟冲突仲裁模块将第一操纵档位指令、第二操纵档位指令和第三操纵档位指令三者的数据发送给数据收集模块，数据收集模块将收到的第一操纵档位指令、第二操纵档位指令和第三操纵档位指令三者的数据作为一个数据组进行保存；

6）对数据收集模块内的数据组个数进行判断，如果数据收集模块内的数据组个数达到设定值，程序结束；否则返回步骤1）；

将程序结束后数据收集模块内保存的多个数据组记为一个数据组集；

X个约束条件组对应X个数据组集，X个数据组集组成一个训练数据集；

所述方法二包括：

对单个训练数据集按以下方式处理：

a）中心云计算模块采用深度学习方法构建X个深度学习模型；

b）中心云计算模块利用X个数据组集分别对X个深度学习模型进行训练，得到X个仲裁深度学习模型；将X个仲裁深度学习模型的集合记为一个仲裁深度学习模型集；仲裁深度学习模型集所辖的X个仲裁深度学习模型与X个约束条件组一一对应；

采用数据组集对深度学习模型进行训练时，将所述第一操纵档位指令、第二操纵档位指令作为深度学习模型的输入量，将所述第三操纵档位指令作为深度学习模型的输出量；

所述方法三包括：

设某辆列车在所述运营线路的第i个子线路上行驶，将第i个子线对应的边缘云计算模块记为第i个边缘云计算模块，i为1至N的整数，所述列车上设置有车载机器操控模块、车载人工操控模块、车载判断模块和车载驾驶主控模块；

A）所述车载机器操控模块向车载判断模块发送第一操纵档位指令，同时列车上的驾驶员通过车载人工操控模块向车载判断模块发送第二操纵档位指令；

B）车载判断模块对收到的第一操纵档位指令和第二操纵档位指令进行比较：如果第一操纵档位指令和第二操纵档位指令相同，则进入步骤C1），否则进入步骤C2）；

C1）车载判断模块将其中任意一个操纵档位指令传输给车载驾驶主控模块，然后进入步骤E）；

C2）车载判断模块生成操纵档位决策请求信息并发送给第i个边缘云计算模块，同时车载判断模块将第一操纵档位指令和第二操纵档位指令发送给第i个边缘云计算模块；

D）第i个边缘云计算模块从列车控制调度中心获取列车当前的约束条件组，然后第i个边缘云计算模块根据收到的约束条件组从仲裁深度学习模型集中选择对应的仲裁深度学习模型，然后第i个边缘云计算模块将收到的第一操纵档位指令和第二操纵档位指令作为输入，从仲裁深度学习模型输出第三操纵档位指令，然后第i个边缘云计算模块将第三操纵档位指令发送给车载判断模块，然后车载判断模块将第三操纵档位指令传输给车载驾驶主控模块；

E）车载驾驶主控模块根据收到的操纵档位指令控制列车运行；返回步骤A）。

2.如权利要求1所述的基于云边架构人机混合驾驶列车的控制方法，其特征在于：所述第二模拟驾驶员较第一模拟驾驶员的驾龄更长和/或驾驶车次更多。

Images