[0004] 针对背景技术的问题,本发明提供一种基于云边协同的无人驾驶列车控制系统,同时还提供一种针对上述控制系统的控制方法,以解决现有技术中列车的自动驾驶受外部环境和故障干扰的影响大,自我愈合能力较差,不能有效利用专家知识数据的问题。
[0005] 为实现本发明的目的,本发明提供了一种基于云边协同的无人驾驶列车的控制系统,其创新点在于:所述控制系统包括中心云计算单元、列车控制调度中心、分布式数据采集单元、多个边缘云计算单元和多辆列车;
[0006] 所述中心云计算单元包括数据库模块、深度学习模块、评估模块和中心通信模块;
[0007] 所述数据库模块用于存储和补充专家知识数据,当专家知识数据的补充数量达到设定的阈值时,所述数据库模块还能将补充后的专家知识数据传输给深度学习模块;
[0008] 所述深度学习模块能从所述数据库模块获取专家知识数据,所述深度学习模块能通过深度学习算法构建深度学习模型,并利用获取的专家知识数据训练所述深度学习模型,深度学习模块还能将训练后的深度学习模型数据传输给所述评估模块;
[0009] 所述评估模块能对收到的深度学习模型数据进行评估,当评估结果不满足设定的误差要求时,评估模块控制深度学习模块继续对深度学习模型进行训练;当评估结果满足设定的误差要求时,评估模块即将得到的可用深度学习模型传输给中心通信模块;
[0010] 所述中心通信模块能将收到的可用深度学习模型下发给各个边缘云计算单元的边缘通信模块;
[0011] 设某运营线路上有多个站点,相邻两个站点之间的路段记为一个子线路;所述多个边缘云计算单元与多个子线路一一对应,单个边缘云计算单元设置在对应的子线路的起点站内,单个边缘云计算单元与对应子线路上运行的列车对应;所述边缘云计算单元包括驾驶模式控制模块、深度学习模型模块、智能算法模块和边缘通信模块;
[0012] 所述边缘通信模块能将从中心通信模块接收的可用深度学习模型数据传输给所述深度学习模型模块;所述边缘通信模块能将从数据采集单元接收的状态数据传输给驾驶模式控制模块和智能算法模块;边缘通信模块还能将从列车控制调度中心接收的线路和列车基础数据传输给深度学习模型模块和智能算法模块;边缘通信模块能将从深度学习模型模块接收的驾驶档位操纵序列数据发送给对应列车的车载控制系统;边缘通信模块能将从智能算法模块接收的智能驾驶曲线数据发送给对应列车的车载控制系统;
[0013] 所述驾驶模式控制模块能对收到的所述状态数据进行处理,并识别对应子线路的运行环境状态是否正常,然后根据识别结果触发深度学习模型模块工作或智能算法模块工作;
[0014] 所述深度学习模型模块能利用可用深度学习模型对收到的线路和列车基础数据进行处理得到驾驶档位操纵序列,并将驾驶档位操纵序列数据传输给边缘通信模块;
[0015] 所述智能算法模块能利用仿生智能算法对收到的线路和列车基础数据进行处理得到智能驾驶曲线数据,并将智能驾驶曲线数据传输给边缘通信模块。
[0016] 所述分布式数据采集单元部署在列车运行线路的轨道设备上,所述分布式数据采集单元能采集各类异构的状态数据并通过无线通信的方式传输给相应的边缘云计算单元的边缘通信模块;
[0017] 所述列车控制调度中心能将子线路的线路和列车基础数据发送给对应的边缘云计算单元的边缘通信模块;
[0018] 所述列车上设置有用于控制列车运行的车载控制系统,所述车载控制系统能根据从边缘通信模块接收的驾驶档位操纵序列数据或智能驾驶曲线数据控制列车自动驾驶。
[0019] 本发明还提供了一种根据上述基于云边协同的无人驾驶列车控制系统的控制方法,其创新点在于所述控制方法包括:
[0020] 所述中心云计算单元按方法一生成可用深度学习模型,中心云计算单元每次生成新的可用深度学习模型后,即将新生成的可用深度学习模型迁移到各个边缘云计算单元;
[0021] 各个所述边缘云计算单元均按方法二控制对应子线路上运行列车的运行;
[0022] 所述方法一包括:
[0023] 1)所述深度学习模块通过深度学习算法构建深度学习模型;
[0024] 2)操作人员定期对所述数据库模块内的专家知识数据进行补充,当数据库模块内的专家知识数据补充数量达到设定的阈值时,所述数据库模块即将补充后的专家知识数据传输给深度学习模块;
[0025] 3)所述深度学习模块利用收到的专家知识数据对深度学习模型进行训练,然后深度学习模块将训练后的深度学习模型传输给所述评估模块;
[0026] 4)所述评估模块利用损失函数对收到的深度学习模型进行评估,如果满足设定的误差要求,则将本次得到的深度学习模型记为可用深度学习模型,然后进入步骤5);否则,返回步骤3);
[0027] 5)所述评估模块将可用深度学习模型传输给所述中心通信模块,中心通信模块将收到的可用深度学习模型下发给各个所述边缘通信模块;返回步骤2);
[0028] 所述方法二包括:
[0029] 单个边缘通信模块将每次收到的可用深度学习模型传输给所述深度学习模型模块;所述深度学习模型模块始终将最近一次收到的可用深度学习模型用于后续操作;
[0030] 单个子线路所辖的分布式数据采集单元持续将采集的实时、异构的状态数据发送给所述子线路对应的边缘云计算单元的边缘通信模块;所述边缘通信模块将收到的所述状态数据传输给驾驶模式控制模块和智能算法模块;
[0031] A)所述驾驶模式控制模块对收到的状态数据进行处理并识别对应子线路的运行环境状态:当子线路的运行环境状态正常时,进入步骤B);当子线路的运行环境状态异常时,进入步骤C);
[0032] B)所述驾驶模式控制模块控制深度学习模型模块工作,同时驾驶模式控制模块控制智能算法模块暂停工作;所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路当前的线路和列车基础数据,然后边缘通信模块将接收的线路和列车基础数据传输给深度学习模型模块,深度学习模型模块利用所述可用深度学习模型对收到的所述线路和列车基础数据进行处理得到对应子线路上运行的列车的驾驶档位操纵序列,所述深度学习模型模块将得到的所述驾驶档位操纵序列数据传输给边缘通信模块,所述边缘通信模块再将所述驾驶档位操纵序列数据发送给对应列车的车载控制系统用于控制列车的运行;返回步骤A);
[0033] C)所述驾驶模式控制模块控制智能算法模块工作,同时驾驶模式控制模块控制深度学习模型模块暂停工作;所述边缘通信模块向列车控制调度中心发送请求并接收列车控制调度中心发送的对应子线路当前的线路和列车基础数据,然后边缘通信模块将接收的线路和列车基础数据以及所述状态数据传输给智能算法模块,智能算法模块采用仿生智能算法对收到的所述线路和列车基础数据以及状态数据进行处理得到对应子线路上运行的列车的智能驾驶曲线;如果所述智能驾驶曲线的生成时间大于设定时间,则返回步骤B);否则,进入步骤D);
[0034] D)智能算法模块将得到的列车的智能驾驶曲线数据传输给边缘通信模块,所述缘通信模块再将所述智能驾驶曲线数据发送给对应列车的车载控制系统用于控制列车的运行;返回步骤A)。
[0035] 本发明的原理如下:针对现有技术存在的问题,本发明基于云边协同的模式构建了无人驾驶列车的控制系统,中心云计算单元负责对专家知识等大数据的采集和存储,利用专家知识数据构建和训练可用深度学习模型,然后再将可用深度学习模型迁移到各个边缘云计算单元用于列车自动驾驶控制,中心云计算单元并不直接参与列车的自动驾驶控制数据的处理,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,改善了现有技术中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。
[0036] 为了同时兼顾列车自动驾驶控制的高效性、抗干扰能力和自愈能力,发明人更是创造性地为边缘云计算单元设计了深度学习模型模块和智能算法模块的双模工作方式。首先深度学习模型模块接收来自中心云计算单元下发的深度学习模型,即具备对线路和列车基本数据的实时处理能力,也能通过深度学习模型实时生成列车的驾驶档位操纵序列用于列车的自动驾驶,因此,当列车在无干扰的正常行驶状态下,采用深度学习模型模块来控制列车的自动驾驶具有实时、高效的特点;当列车遇到干扰处于非正常行驶状态下时,为了应对复杂的路况、设备及环境干扰,采用智能算法模块来针对干扰的具体数据进行处理得到智能驾驶曲线用于列车自动驾驶控制,从而能精准地应对干扰的具体情况,提高列车的抗干扰能力,使列车运行能快速自我修复,以满足整个线路的正常运营需要。另一方面,由于智能算法模块采用的仿生智能算法生成智能驾驶曲线需要一定的时间,遇到较复杂的干扰情况,数据处理量较大,在规定时间内,智能算法模块无法得到智能驾驶曲线的情况下,驾驶模式控制模块能重新将深度学习模型模块切换到工作状态,由于可用深度学习模型在中心云计算单元进行训练时,本身就采用了包含优秀驾驶员在异常事件发生时所进行的应急处理驾驶样本集,而且对可用深度学习模型所进行的训练,让模型本身也具备了一定的泛化能力,所以将深度学习模型模块作为在列车遇到干扰的异常行状况下的备选控制方案,是使列车运行能最低限度应对干扰、自我修复的有力保障。
[0037] 由此可见,本发明具有如下的有益效果:本发明通过中心云计算单元和边缘云计算单元的巧妙结合,充分利用了现有技术中闲置不用的专家知识数据,结合深度神经网络学习技术,生成可用深度学习模型,实时、快速、准确地获得列车驾驶档位操纵序列实现对列车无人驾驶控制;同时,在列车遇到干扰的异常行驶状态下利用智能算法模块重新优选列车的智能驾驶曲线用于列车自动驾驶,提高了列车运行的抗干扰能力和自我愈合能力,具有相当的灵活性、实时性和高效性。