[发明专利]一种高速列车自主驾驶控制的实现方法

说明书

本发明属于列车控制技术领域，涉及一种高速列车自主驾驶控制的实现方法，包括：构建LNMAD模型，作为参考速度曲线生成器；利用训练数据集对参考速度曲线生成器训练；测量列车瞬时速度和位置；输入训练好的参考速度曲线生成器，获取参考速度曲线；速度跟踪控制器以参考速度曲线为跟踪目标，保证相邻列车距离稳定到允许范围内。本发明考虑多属性实际驾驶数据，提出结合LSTM网络和全连接网络处理时间和非时间相关特征，使得参考速度曲线生成器输出相对真实的参考速度曲线。本发明的速度跟踪控制器以参考速度曲线为跟踪目标，实现：高速列车跟踪参考速度曲线；两相邻列车之间的距离保持在适当范围内；相邻列车车头间距收敛到稳定值。

技术领域

本发明属于列车控制技术领域，涉及一种高速列车自主驾驶控制的实现方法。

背景技术

在人工智能(AI)和先进控制技术发展的推动下，自主驾驶系统的发展在过去几十年中受到越来越多的关注。如今，自主驾驶技术已广泛应用于各种交通工具，例如：无人驾驶汽车、移动机器人、船舶和矿山地下车辆等。与其他交通运输系统相比，高铁线路绵延数千公里，而且高铁的运行环境非常复杂。高速列车的自主驾驶控制系统还需要满足更高的安全水平，对突发交通需求的快速适应和更精确地调整到站时间等附加约束，这些都增加了设计高效高速列车自主驾驶系统的难度。

高速列车自主驾驶控制系统能够适应复杂的运行环境，并根据动态条件做出适当的决策。因此，决策能力是高速列车自主驾驶控制最重要和最具挑战性的部分之一，其核心任务包括：参考速度曲线动态生成和跟踪控制。传统上，在车载设备上会预先存储一系列参考速度曲线，这些参考速度曲线对应于不同的运行场景。运行过程中，驾驶员根据实际运行情况选择相应的速度曲线。而自主驾驶系统通过与外部环境交互，对自身的运行状态进行自主感知和分析，并且基于实时更新的状态信息计算参考速度曲线。基于此，列车控制器实现对下一步动作的快速决策，使得列车加速或制动，从而实现对于参考速度曲线的精确追踪。

本发明将深度学习技术与反步控制理论相结合，提出了一种高速列车自主驾驶控制的实现方法。该实现方法由参考速度曲线生成器和速度跟踪控制器两部分组成。参考速度曲线生成器根据列车的实时状态信息来动态计算参考速度曲线。本发明采用深度学习方法，利用实际行车数据对参考速度曲线生成器进行离线训练，训练完成后，该生成器可以根据列车实时运行状态计算列车速度参考曲线。在此基础上，基于障碍李雅普诺夫函数(BarrierLyapunovFunction,BLF)设计了速度跟踪控制器。速度跟踪控制器将参考速度曲线生成器计算的参考速度曲线作为跟踪目标，在满足安全约束和通信限制条件下，保证相邻列车之间的距离稳定到给定值的允许范围内，从而实现列车群的编队运行。

发明内容

本发明提出了一种新的高速列车自主驾驶控制的实现方法。所提出的方法由两部分组成，包括：参考速度曲线生成器和基于反步法的速度跟踪控制器。参考速度曲线生成器负责计算动态参考速度曲线。考虑到实际列车驾驶数据的多种属性，本发明提出了一种结合LSTM神经网络(Long Short Term Mermory network,LSTM)和全连接神经网络(FullyConnected,FC)的混合学习模型来处理时间相关序列和非时间相关序列，使得参考速度曲线生成器根据实时更新的驾驶情况输出参考速度曲线。基于反步控制技术，设计的基于BLF的速度跟踪控制器以参考速度曲线生成器生成的参考速度曲线作为跟踪目标，并保证相邻列车之间的距离稳定到给定值的允许范围内。本发明具体采用以下技术方案。

一种高速列车自主驾驶控制的实现方法，包括以下步骤：

S1、构建面向多属性数据的混合学习模型(LNMAD模型)，作为参考速度曲线生成器；

S2、从观测值中获得最近N个时间步长的输入状态序列，并获得训练数据集为：

其中，表示：具有列车历史运行状态的序列；M是样本总数；表示：列车i在t时刻的状态变量，表示：列车i在t时刻前，第p个采样点的状态变量；p＝1,2,…,N-1；N表示采样点个数；