[發(fā)明專利]基于云邊協(xié)同的無人駕駛列車控制系統(tǒng)及其控制方法

有效

• 申請?zhí)枺?/td>: 202010958618.4
• 申請日: 2020-09-14
• 公開（公告）號: CN112084030B
• 公開（公告）日: 2022-04-01
• 發(fā)明（設計）人: 徐凱;涂永超;吳仕勛;黃大榮;張生軍
• 申請（專利權）人: 重慶交通大學
• 主分類號: G06F9/50
• 分類號: G06F9/50;G06N3/04;G06N3/08;B61L27/04;B61L23/08
• 代理公司: 重慶乾乙律師事務所 50235
• 代理人: 侯懋琪;李劍鋒

本發(fā)明提供了一種基于云邊協(xié)同的無人駕駛列車控制系統(tǒng)，其特征在于：所述控制系統(tǒng)包括中心云計算單元、列車控制調度中心、分布式數(shù)據(jù)采集單元、多個邊緣云計算單元和多輛列車；還提供了一中根據(jù)上述控制系統(tǒng)的控制方法，其特征在于：中心云計算單元構建可用深度學習模型并下發(fā)到各個邊緣云計算單元，邊緣云計算單元根據(jù)分布式數(shù)據(jù)采集單元獲取的狀態(tài)數(shù)據(jù)，采用“雙模工作方式”，控制深度學習模型模塊或智能算法模塊工作，以得到駕駛檔位操縱序列或智能駕駛曲線控制列車自動駕駛。采用本發(fā)明所述的控制系統(tǒng)和控制方法能有效利用專家知識數(shù)據(jù)，提高列車的抗干擾能力和自我愈合能力。

技術領域

本發(fā)明涉及交通運輸技術領域，特別是一種基于云邊協(xié)同的無人駕駛列車控制系統(tǒng)及其控制方法。

背景技術

隨著人工智能技術在軌道交通中的利用，列車無人駕駛技術已經(jīng)得到更廣泛的應用。現(xiàn)有的列車無人駕駛控制模式，大多采用仿生智能計算生成列車的自動駕駛曲線來控制列車運行的方式，上述方式在列車正常運行的過程中使用效果較好，但列車在運行過程中難免存在各種干擾，比如軌道設備、供電系統(tǒng)故障、雨、霧等惡劣天氣、突發(fā)地質災害等都會對列車的運行造成干擾，這些干擾因素是隨機發(fā)生的，沒有規(guī)律，會引起列車區(qū)間運行時分增加，或列車短時停留，或需要列車限速通過故障區(qū)間等，從而使列車的運行偏離原有的規(guī)劃，原有的自動駕駛曲線不再適用，此時，需要快速重新規(guī)劃新的自動駕駛曲線用于列車后續(xù)運行。現(xiàn)有技術中，也采用云計算的方式來生成列車的自動駕駛曲線，然而，過度依賴云計算會出現(xiàn)各種數(shù)據(jù)的處理都希望往云上面靠的現(xiàn)象，導致云上的數(shù)據(jù)越來越多，這樣不僅給網(wǎng)絡帶寬造成壓力，而且大量終端數(shù)據(jù)每次都要傳到遙遠的云端，云端花時間處理完后往回傳，使得云端的處理效率降低、時延增大。上述方式很難在列車遇到干擾情況下快速恢復列車的運行，提高列車運行的自我愈合能力，以滿足實際運行要求。現(xiàn)有技術中，還往往采用將自動駕駛方式轉換至人工操控方式來解決上述問題，但是人工操控的應急方式難以得到最優(yōu)的列車速度控制方案。

另一方面，列車在實際運行過程中，會記錄運行效果較佳的列車自動駕駛數(shù)據(jù)和優(yōu)秀駕駛員的操縱數(shù)據(jù)，這些實際運行過程中的優(yōu)秀數(shù)據(jù)，我們稱之為專家知識數(shù)據(jù)，目前這些專家知識數(shù)據(jù)處于只存不用的狀態(tài)，如何利用這些專家知識數(shù)據(jù)來控制列車正常或干擾情況下的運行，來降低系統(tǒng)的運算負擔，規(guī)避人工操作的缺陷，提高列車的運行操控質量，也是亟待解決的問題。

發(fā)明內容

針對背景技術的問題，本發(fā)明提供一種基于云邊協(xié)同的無人駕駛列車控制系統(tǒng)，同時還提供一種針對上述控制系統(tǒng)的控制方法，以解決現(xiàn)有技術中列車的自動駕駛受外部環(huán)境和故障干擾的影響大，自我愈合能力較差，不能有效利用專家知識數(shù)據(jù)的問題。

為實現(xiàn)本發(fā)明的目的，本發(fā)明提供了一種基于云邊協(xié)同的無人駕駛列車的控制系統(tǒng)，其創(chuàng)新點在于：所述控制系統(tǒng)包括中心云計算單元、列車控制調度中心、分布式數(shù)據(jù)采集單元、多個邊緣云計算單元和多輛列車；

所述中心云計算單元包括數(shù)據(jù)庫模塊、深度學習模塊、評估模塊和中心通信模塊；

所述數(shù)據(jù)庫模塊用于存儲和補充專家知識數(shù)據(jù)，當專家知識數(shù)據(jù)的補充數(shù)量達到設定的閾值時，所述數(shù)據(jù)庫模塊還能將補充后的專家知識數(shù)據(jù)傳輸給深度學習模塊；

所述深度學習模塊能從所述數(shù)據(jù)庫模塊獲取專家知識數(shù)據(jù)，所述深度學習模塊能通過深度學習算法構建深度學習模型，并利用獲取的專家知識數(shù)據(jù)訓練所述深度學習模型，深度學習模塊還能將訓練后的深度學習模型數(shù)據(jù)傳輸給所述評估模塊；

所述評估模塊能對收到的深度學習模型數(shù)據(jù)進行評估，當評估結果不滿足設定的誤差要求時，評估模塊控制深度學習模塊繼續(xù)對深度學習模型進行訓練；當評估結果滿足設定的誤差要求時，評估模塊即將得到的可用深度學習模型傳輸給中心通信模塊；

所述中心通信模塊能將收到的可用深度學習模型下發(fā)給各個邊緣云計算單元的邊緣通信模塊；