一种无人驾驶列车的多场景停车控制方法

1.本发明涉及交通运输技术领域，特别是一种无人驾驶列车的多场景停车控制方法。


背景技术：

2.随着数据驱动和机器学习方法发展，机器学习成为列车操控的常用手段。该方法可利用专家经验知识，挖掘人工驾驶数据，实现列车停车操控，深度学习作为一种最典型的机器学习方式，已应用于列车停车控制的数据挖掘中。
3.对于列车的停车控制来说，按照列车时刻表停车通常分为两大类：正常停车和临时停车，现有技术中，正常停车是通过列车驾驶员的操纵，使高速行驶的列车平稳、准确地在车站内规定处停下来，而临时停车则是列车在运行过程中，由于各种突发情况或故障所导致的停车，比如列车突发机械故障、铁轨断裂或者信号显示异常、路基塌陷、泥石流或者暴雨等对铁路线路的破坏、接触网大面积断、电务调度繁忙、列车在站外临时停车等候进站信号等诸多因素造成。对基于数据驱动的列车停车数据而言，正常停车和临时停车在获取的数据量大小上存在着较大差异：对某一成熟轨道交通运行线路来说，列车正常进站停车是常规性的，其累积的数据量较大；而异常情况下，列车临时停车是随机性的，并不经常出现，因此停车数据量严重匮乏，带标签的数据量较少。
4.现有技术中，通常将一段时间内积累的停车数据上传至处理能力较强的中心云进行存储和分析。对于正常停车数据来说，由于数据量较大，比较容易训练出用于列车停车的深度学习模型，而且采用这种方法所得到的列车停车精度较高，但大量数据的上传非常容易造成流量压力激增，加重云端数据存储及计算负担，每个环节都存在高延迟的风险，这对需要快速响应的列车停车任务是致命的。而对于临时停车数据而言，虽然不存在数据传输拥堵的问题，但是由于其数据量小，采用根据这些数据训练得到的深度学习模型来控制列车停车，其停车精度不高。


技术实现要素：

5.针对背景技术的问题，本发明提供一种无人驾驶列车的多场景停车控制方法，以解决现有技术中无人驾驶列车的多场景停车控制存在控制精度低以及数据传输瓶颈的问题。
6.为实现本发明的目的，本发明提供了一种无人驾驶列车的多场景停车控制方法，其创新点在于：涉及的硬件包括列车控制调度中心、中心云计算模块和多个边缘云计算模块；所述中心云计算模块包括正常停车训练模块、知识蒸馏模块、临停全局模型模块和中心通信模块；所述边缘云计算模块包括停车数据收集处理模块、停车模式控制模块、正常停车模型模块、临时停车模型模块、临停局部模型模块和边缘通信模块；所述正常停车训练模块内设置有第一cnn网络模型；所述临停全局模型模块内设置有第二cnn网络模型；所
述临停局部模型模块内设置有第三cnn网络模型；用于所述cnn网络模型训练的输入特征为列车运行信息，所述cnn网络模型的输出特征为列车的停车控制序列；所述列车运行信息包括列车速度、列车所在坡度、列车定位位置、列车停车时间、线路限速值和列车属性；所述停车控制序列为多个停车操纵档位的时序组合，以及各个停车操纵档位的控制时长；列车控制调度中心能实时获取列车的运行信息； 设列车运行的某条线路上包括多个站点，将每两个相邻站点之间的线路记为一个子线路， 每个子线路的终点站内设置一个边缘云计算模块，设共有n个子线路和n个边缘云计算模块，且n个边缘云计算模块与n个子线路一一对应；所述停车数据收集处理模块能采集所属边缘云计算模块对应子线路上列车的正常停车数据和临时停车数据；每个边缘云计算模块均通过对应的边缘通信模块与中心云计算模块的中心通信模块无线通信连接，每个边缘云计算模块均通过对应的边缘通信模块与列车控制调度中心无线通信连接；所述控制方法包括：按方法一为各个边缘云计算模块的正常停车模型模块和临时停车模型模块分别装载正常停车深度学习模型和临时停车深度学习模型；将列车当前所在的子线路记为子线路k，k为1到n的整数，当列车将在子线路k上停车时：一）列车向列车控制调度中心发送正常停车请求或临时停车请求；如果列车发送正常停车请求，则进入步骤二）；如果列车发送临时停车请求，则进入步骤四）；二）列车控制调度中心向子线路k对应的边缘云计算模块的边缘通信模块发送正常停车指令，同时，列车控制调度中心将列车当前的运行信息发送给子线路k对应的边缘云计算模块的边缘通信模块；三）边缘通信模块将收到的正常停车指令和列车当前的运行信息均传输给停车模式控制模块；停车模式控制模块收到正常停车指令后，将列车当前的运行信息传输给正常停车模型模块，然后正常停车模型模块通过正常停车深度学习模型对列车当前的运行信息进行处理得到正常停车的档位操纵序列，然后正常停车模型模块将得到的正常停车的档位操纵序列传输给停车模式控制模块，然后停车模式控制模块通过边缘通信模块将正常停车的档位操纵序列发送给列车；然后进入步骤六）；四）列车控制调度中心向子线路k对应的边缘云计算模块的边缘通信模块发送临时停车指令，同时，列车控制调度中心将列车当前的运行信息发送给子线路k对应的边缘云计算模块的边缘通信模块；五）边缘通信模块将收到的临时停车指令和列车当前的运行信息均传输给停车模式控制模块；停车模式控制模块收到临时停车指令后，将列车当前的运行信息传输给临时停车模型模块，然后临时停车模型模块通过临时停车深度学习模型对列车当前的运行信息进行处理得到临时停车的档位操纵序列，然后临时停车模型模块将得到的临时停车的档位操纵序列传输给停车模式控制模块，然后停车模式控制模块通过边缘通信模块将临时停车的档位操纵序列发送给列车；然后进入步骤六）；六）列车根据收到的正常停车的档位操纵序列或临时停车的档位操纵序列进行停车；
所述方法一包括：1）各个停车数据收集处理模块采集各自所属边缘云计算模块对应子线路上列车的正常停车数据和临时停车数据，然后各个停车数据收集处理模块均按方法二对采集的正常停车数据和临时停车数据进行处理得到各自对应的可用正常停车数据和可用临时停车数据；然后各个停车数据收集处理模块均将得到的可用正常停车数据通过边缘通信模块发送给中心通信模块，各个停车数据收集处理模块均将得到的可用临停车数据传输给对应的临停局部模型模块；2）中心云计算模块按方法三获取正常停车深度学习模型；中心云计算模块按方法四获取临时停车深度学习模型；3）中心云计算模块将正常停车深度学习模型和临时停车深度学习模型通过中心通信模块发送给各个边缘云计算模块的边缘通信模块；4）各个边缘云计算模块的通信模块将收到的正常停车深度学习模型和临时停车深度学习模型传输给各自对应的停车模式控制模块；5）各个停车模式控制模块均将收到的正常停车深度学习模型装载到对应的正常停车模型模块，将临时停车深度学习模型装载到临时停车模型模块；正常停车模型模块首次装载正常停车深度学习模型后，后续每次装载新的正常停车深度学习模型即将前次的正常停车深度学习模型删除；临时停车模型模块首次装载临时停车深度学习模型后，后续每次装载新的临时停车深度学习模型即将前次的临时停车深度学习模型删除；然后返回步骤1）；所述方法二包括：当正常停车数据的数量达到设定的阈值，选取停车位置误差在10cm以内的正常停车数据作为有效正常停车数据，然后对有效停车数据进行数据预处理得到可用正常停车数据；当临时停车数据的数量达到设定的阈值，对临时停车数据进行数据预处理得到可用临时停车数据；所述数据预处理包括特征选择、数据不均衡处理和数据样本归一化处理；所述方法三包括：a）中心通信模块将收到的可用正常停车数据传输给正常停车训练模块；b）正常停车训练模块收到全部n个停车数据收集处理模块发送的可用正常停车数据后，利用收到的多个可用正常停车数据对第一cnn网络模型进行训练得到教师深度学习模型；然后正常停车训练模块将教师深度学习模型传输给知识蒸馏模块；c）知识蒸馏模块采用知识蒸馏的方法对教师深度学习模型进行处理，得到学生深度学习模型，将学生深度学习模型作为正常停车深度学习模型；所述方法四包括：a）各个边缘云计算模块的临停局部模型模块均利用收到的可用临停车数据对各自的第三cnn网络模型进行训练得到对应的局部临停模型；b）各个临停局部模型模块均将各自的局部临停模型通过对应的边缘通信模块发送给中心通信模块；c）中心通信模块将收到的局部临停模型传输给临停全局模型模块；d）临停全局模型模块收到全部n个临停局部模型模块发送的局部临停模型后，临
停全局模型模块对n个局部临停模型的参数进行聚合，然后利用聚合后的模型参数调整第二cnn网络模型的参数，以对第二cnn网络模型进行更新；e）临停全局模型模块进行以下判断：如果更新后的第二cnn网络模型的损失度函数收敛，则进入步骤g），否则进入步骤f）；f）临停全局模型模块将第二cnn网络模型通过中心通信模块分发给n个边缘云计算模块的边缘通信模块，各个边缘通信模块均将收到的第二cnn网络模型传输给对应的临停局部模型模块，各个临停局部模型模块均利用收到的第二cnn网络模型的参数调整对应的局部临停模型，以对各自的局部临停模型进行更新；然后返回步骤b）；g）临停全局模型模块将更新后的第二cnn网络模型作为临时停车深度学习模型。
7.作为优化，所述步骤c）中所述知识蒸馏方法中，采用强化学习的方法来学习压缩策略，以得到学生深度学习模型。
8.作为优化，所述步骤d）中，采用对n个局部临停模型的参数进行加权平均的方法进行聚合。
9.作为优化，所述第一cnn网络模型为二维cnn网络模型，其中，将列车运行信息中的多个特征作为列，每间隔1米对各个所述特征采样得到采样值，将多个所述采样值作为行，多个所述列和行组成一个二维矩阵。本发明的原理如下：列车在实际运行过程中，存在进站正常停车和临时停车两种不同的场景，现有技术采用机器学习的方法建立深度学习模型，利用深度学习模型实现无人驾驶列车的自动停车，但现有技术在数据处理时，不管哪种场景均放到中心云进行。虽然中心云计算能力大，处理数据能力强，但是对于正常停车场景来说，由于用于训练的数据量大，不仅停车数据上行通道传输容易拥堵，而且在模型训练好后的使用过程中，也很容易形成数据传输瓶颈，造成信息延迟，另一方面，为了保证控制精度，用于正常停车控制的模型结构通常也较复杂，对输入数据的处理速度较慢，也会严重影响列车的实际停车控制。而对于临时停车场景来说，由于数据量少，虽然数据传输不易出现上述拥堵，但是训练得到的控制模型精度不高，很难满足列车实际停车控制的要求。
10.本发明创造性地利用云边协同的架构，采用“知识蒸馏”与“模型聚合”相结合的方法，较好地解决了上述列车在多场景下停车控制的精度保证和时效控制的问题。具体来说：首先，在本发明中，设置一个中心云计算模块和多个边缘云计算模块共同组成的架构，将边缘云计算模块设置在各个子线路上，使其靠近终端列车，由于其物理传输距离短，可以实时、快速地对源头数据进行采集、分析和处理，也阔以实现小模型的训练；而各个边缘云计算模块均与中心云计算模块连接，以将终端采集的数据上传到中心云计算模块，利用中心云计算模块强大的储存和算力来训练用于列车停车控制的深度学习模型，而最终，中心云计算模块将训练好的深度学习模型下发到各个边缘云计算模块，以将列车停车控制的任务交给各边缘云计算模块，分担了控制模型实际使用过程中，中心云计算模块的数据处理和交换量。
11.其次，在控制模型的生成过程中，针对正常停车和临时停车的不同特点，采用不同的模型生成方案：对于数据量较大的正常停车来说，模型生成过程的主要矛盾在于数据传输瓶颈以及模型结构复杂的问题。从数据的上行通道来看，对于长期运行的列车，它的进站
正常停车积累了大量的数据，数据量充足，对于城市轨道交通而言，车站屏蔽门系统要求列车必须实现精确停车，一般要求停车位置的误差应在30cm范围内，以保证乘车安全和运行效率。由于这类停车数据量充足，本发明中，对这些数据进行筛选，只取停车位置误差在10cm范围内的数据，以对数据进行提炼，提高质量的同时降低了数据的数量，然后再对这些高精度停车数据进行预处理，经过特征选择、数据不均衡处理和数据样本归一化等操作后，为下一步卷积神经网络深度学习模块训练作准备。上述数据筛选过程在停车数据收集处理模块完成，大大减轻了这些停车数据传至边缘云计算单元和中心云计算单元的通信压力。
12.另一方面，虽然边缘计算具有能耗低、响应快的特点，但边缘计算最大的缺点之一是它具有相对较低的数据处理能力，这使得那些具有低计算能力的边缘设备在满足实时处理的要求时面临挑战，越来越复杂的机器学习模型使挑战更为严峻。同时，大多数边缘设备没有足够的存储空间来处理和训练大量的从采集单元获取的数据，而且由于具有处理能力的任何设备都可以成为边缘，因此边缘端提供的服务质量无法得到保障。此外，常规边缘存储的容量不足以存储大数据，并且边缘只能访问和处理特定区域中附近设备的数据。边缘计算有限的计算和存储资源使其在应用时需要与中心云计算相互配合。然而，中心云计算模块虽然能较容易地利用大量的数据对控制模型进行训练，但为保证精度，训练出来的模型复杂且庞大，如果将这样的模型下发到边缘云计算模块用于对列车停车进行控制，是非常困难的。因此，从数据的下行通道来看，需要对模型进行轻量化处理，而本发明采用知识蒸馏的方法来实现。
13.知识蒸馏通过将一个繁琐复杂的模型压缩成对应的小模型来实现模型的简化。先采用知识蒸馏的方法将模型转换成一个列车停车输出操纵准确率较高，与原模型相近的小模型，然后将该小模型下载至列车，在保证模型较高停车精度的同时，尽可能地压缩模型的尺寸，将其轻量化。知识蒸馏方法的实质是以较小的精度损失为代价，大大地降低计算量和参数量。在实现中可选取学生网络达到教师网络的95%以上的停车控制精度即可。由于所选取的训练数据停车位置误差均在10cm范围内，离停车位置的误差应在30cm范围内的要求甚远，所蒸馏出来的学生网络达完全能达到停车规范的要求。
14.因此，对于正常停车控制来说，不管将数据从边缘云计算模块上传到中心云计算模块，还是从中心云计算模块下发轻量化模型给各个边缘云计算模块，均在保证模型精度的同时，大大减轻了对通信的压力。
15.而对于数据量较小的临时停车来说，模型生成过程的主要矛盾在于模型的控制精度和泛化能力的问题。本发明在各个边缘云计算模块的临停局部模型模块内设置结构简单的局部深度学习模型，对各个子线路的数据独立进行处理，这样各个边缘云计算模块处理的数据量小，以适应边缘设备较小的储存空间和较低的处理能力，然后将各个边缘云计算模块的局部深度学习模型上传到中心云及计算模块，在临停全局模型模块中进行模型聚合，以搭建性能和精度都更高的聚合模型，进而用于列车临停控制。
16.因此，对于临时停车控制来说，本发明采用模型聚合的思想来实现各个子线路数据的共享和扩充，从而提高了控制模型的精度和泛化能力。
17.由此可见，本发明具有如下的有益效果：通过列车控制调度中心与停车模式控制模块、正常停车模型模块和临时停车模型模块的联动控制，采用通过知识蒸馏与模型聚合相结合的技术手段获取到的停车控制模型，不仅实现了在同一个技术架构内即能实现列车
多场景停车控制的目的，还有效减少了通信瓶颈的发生，大大缓解了数据传输的压力，提高了不同场景下的列车的停车精度。
附图说明
18.本发明的附图说明如下。
19.附图1为本发明所涉及硬件的连接结构示意图；附图2为中心云计算模块的结构示意图；附图3为边缘云计算模块的结构示意图。
实施方式
20.下面结合实施例对本发明作进一步说明。
21.如附图1所示的本发明所涉及的硬件列车控制调度中心、中心云计算模块和多个边缘云计算模块；如附图2所示的中心云计算模块包括正常停车训练模块、知识蒸馏模块、临停全局模型模块和中心通信模块；如附图3所示的边缘云计算模块包括停车数据收集处理模块、停车模式控制模块、正常停车模型模块、临时停车模型模块、临停局部模型模块和边缘通信模块；所述正常停车训练模块内设置有第一cnn（卷积神经网络convolutional neural networks）网络模型；所述临停全局模型模块内设置有第二cnn网络模型；所述临停局部模型模块内设置有第三cnn网络模型；用于所述cnn网络模型训练的输入特征为列车运行信息，所述cnn网络模型的输出特征为列车的停车控制序列；所述列车运行信息包括列车速度、列车所在坡度、列车定位位置、列车停车时间、线路限速值和列车属性（包括列车编组和列车重量）；所述停车控制序列为多个停车操纵档位的时序组合，以及各个停车操纵档位的控制时长；列车控制调度中心能实时获取列车的运行信息； 设列车运行的某条线路上包括多个站点，将每两个相邻站点之间的线路记为一个子线路， 每个子线路的终点站内设置一个边缘云计算模块，设共有n个子线路和n个边缘云计算模块，且n个边缘云计算模块与n个子线路一一对应；所述停车数据收集处理模块能采集所属边缘云计算模块对应子线路上列车的正常停车数据和临时停车数据（这些数据包括专家知识数据和优秀驾驶员停车数据等，上述数据可人工采集输入，也可通过从列车行车日志、列车运行监控装置lkj和列车控制与管理系统tcms上采集）；每个边缘云计算模块均通过对应的边缘通信模块与中心云计算模块的中心通信模块无线通信连接，每个边缘云计算模块均通过对应的边缘通信模块与列车控制调度中心无线通信连接；所述控制方法包括：按方法一为各个边缘云计算模块的正常停车模型模块和临时停车模型模块分别装载正常停车深度学习模型和临时停车深度学习模型；将列车当前所在的子线路记为子线路k，k为1到n的整数，当列车将在子线路k上停车时：一）列车根据运行情况（包括列车自身和运行环境）向列车控制调度中心发送正常停车请求或临时停车请求；如果列车发送正常停车请求，则进入步骤二）；如果列车发送临
时停车请求，则进入步骤四）；二）列车控制调度中心向子线路k对应的边缘云计算模块的边缘通信模块发送正常停车指令，同时，列车控制调度中心将列车当前的运行信息发送给子线路k对应的边缘云计算模块的边缘通信模块；三）边缘通信模块将收到的正常停车指令和列车当前的运行信息均传输给停车模式控制模块；停车模式控制模块收到正常停车指令后，将列车当前的运行信息传输给正常停车模型模块，然后正常停车模型模块通过正常停车深度学习模型对列车当前的运行信息进行处理得到正常停车的档位操纵序列，然后正常停车模型模块将得到的正常停车的档位操纵序列传输给停车模式控制模块，然后停车模式控制模块通过边缘通信模块将正常停车的档位操纵序列发送给列车；然后进入步骤六）；四）列车控制调度中心向子线路k对应的边缘云计算模块的边缘通信模块发送临时停车指令，同时，列车控制调度中心将列车当前的运行信息发送给子线路k对应的边缘云计算模块的边缘通信模块；五）边缘通信模块将收到的临时停车指令和列车当前的运行信息均传输给停车模式控制模块；停车模式控制模块收到临时停车指令后，将列车当前的运行信息传输给临时停车模型模块，然后临时停车模型模块通过临时停车深度学习模型对列车当前的运行信息进行处理得到临时停车的档位操纵序列，然后临时停车模型模块将得到的临时停车的档位操纵序列传输给停车模式控制模块，然后停车模式控制模块通过边缘通信模块将临时停车的档位操纵序列发送给列车；然后进入步骤六）；六）列车根据收到的正常停车的档位操纵序列或临时停车的档位操纵序列进行停车；所述方法一包括：1）各个停车数据收集处理模块采集各自所属边缘云计算模块对应子线路上列车的正常停车数据和临时停车数据，然后各个停车数据收集处理模块均按方法二对采集的正常停车数据和临时停车数据进行处理得到各自对应的可用正常停车数据和可用临时停车数据；然后各个停车数据收集处理模块均将得到的可用正常停车数据通过边缘通信模块发送给中心通信模块，各个停车数据收集处理模块均将得到的可用临停车数据传输给对应的临停局部模型模块；2）中心云计算模块按方法三获取正常停车深度学习模型；中心云计算模块按方法四获取临时停车深度学习模型；3）中心云计算模块将正常停车深度学习模型和临时停车深度学习模型通过中心通信模块发送给各个边缘云计算模块的边缘通信模块；4）各个边缘云计算模块的通信模块将收到的正常停车深度学习模型和临时停车深度学习模型传输给各自对应的停车模式控制模块；5）各个停车模式控制模块均将收到的正常停车深度学习模型装载到对应的正常停车模型模块，将临时停车深度学习模型装载到临时停车模型模块；正常停车模型模块首次装载正常停车深度学习模型后，后续每次装载新的正常停车深度学习模型即将前次的正常停车深度学习模型删除；临时停车模型模块首次装载临时停车深度学习模型后，后续每
次装载新的临时停车深度学习模型即将前次的临时停车深度学习模型删除；然后返回步骤1）；所述方法二包括：当正常停车数据的数量达到设定的阈值，选取停车位置误差在10cm以内的正常停车数据作为有效正常停车数据，然后对有效停车数据进行数据预处理得到可用正常停车数据；当临时停车数据的数量达到设定的阈值，对临时停车数据进行数据预处理得到可用临时停车数据；所述数据预处理包括特征选择、数据不均衡处理和数据样本归一化处理；所述方法三包括：a）中心通信模块将收到的可用正常停车数据传输给正常停车训练模块；b）正常停车训练模块收到全部n个停车数据收集处理模块发送的可用正常停车数据后，利用收到的多个可用正常停车数据对第一cnn网络模型进行训练得到教师深度学习模型；然后正常停车训练模块将教师深度学习模型传输给知识蒸馏模块；c）知识蒸馏模块采用知识蒸馏的方法对教师深度学习模型进行处理，得到学生深度学习模型，将学生深度学习模型作为正常停车深度学习模型；在知识蒸馏中，有一个复杂的、已经训练好且在运行的过程中准确率比较高的模型，这个模型被称为“教师”模型，通过对该模型进行长时间的训练，提取出“教师”模型在列车正常停车过程中的关键信息，这些信息被称为“知识”，然后利用这些已知的知识，训练更小的“学生”模型，实现模型轻量化。在整个知识蒸馏的过程中，主要分为三个部分。第一部分是教师模型，首先对教师模型进行预训练，参数初始化之后，通过多次的网络训练，将网络的结构以及网络连接中的各个参数固定化；第二部分是学生模型，该模型也是需要通过多次的训练达到稳定的结构。但是与教师模型相比，学生模型中用于训练的每一个网络块都要比教师模型中的网络块小，同时会从教师模型中获得损失函数，这个损失函数主要是通过均方误差的。第三部分是教师模型利用均方误差损失函数来指导学生模型训练，调整相关的参数，使得学生模型能够学习到教师模型的关键知识，同时模型更加轻型、简化。
22.知识蒸馏方法以较小的精度损失为代价，当学生网络达到教师网络的95%以上的停车控制精度时即可，该过程大大地降低了计算量和参数数量。
23.作为优化，为避免传统知识蒸馏方法手工设计网络的繁琐过程，以及最优网络的不确定性问题，所述步骤c）中所述知识蒸馏方法中，采用强化学习的方法来学习压缩策略，以得到学生深度学习模型。这里使用强化学习来学习最佳的压缩策略，自动地从较大的高性能教师模型中提取知识，并以此为基础压缩得到学生模型。在强化学习中，主要是使用两个阶段来简化网络。在第一阶段，策略选择一系列动作，以确定是保留还是删除教师体系结构网络块中的每一层，即卷积层的删除阶段；在第二阶段中，不同的策略会选择一系列离散操作，这些序列对应于减弱每个剩余层的配置变量的幅度，即卷积核的压缩阶段。通过不断调整 cnn 的结构，并获得每一种结构下的最大回报，即最大压缩率和最高停车精度，这样我们就能有效地探索状态空间，以找到最佳的学生网络。
24.为了进一步提高教师网络的精度，进而提高学生网络的精度，本实施例中，所述第一cnn网络模型采用结构更复杂的二维cnn网络模型，其中，将列车运行信息中的多个特征作为列，每间隔1米对各个所述特征采样得到采样值，将多个所述采样值作为行，多个所述列和行组成一个二维矩阵。
所述方法四包括：a）各个边缘云计算模块的临停局部模型模块均利用收到的可用临停车数据对各自的第三cnn网络模型进行训练得到对应的局部临停模型；b）各个临停局部模型模块均将各自的局部临停模型通过对应的边缘通信模块发送给中心通信模块；c）中心通信模块将收到的局部临停模型传输给临停全局模型模块；d）临停全局模型模块收到全部n个临停局部模型模块发送的局部临停模型后，临停全局模型模块对n个局部临停模型的参数按加权平均进行聚合，然后利用聚合后的模型参数调整第二cnn网络模型的参数，以对第二cnn网络模型进行更新；e）临停全局模型模块进行以下判断：如果更新后的第二cnn网络模型的损失度函数收敛，则进入步骤g），否则进入步骤f）；f）临停全局模型模块将第二cnn网络模型通过中心通信模块分发给n个边缘云计算模块的边缘通信模块，各个边缘通信模块均将收到的第二cnn网络模型传输给对应的临停局部模型模块，各个临停局部模型模块均利用收到的第二cnn网络模型的参数调整对应的局部临停模型，以对各自的局部临停模型进行更新；然后返回步骤b）；g）临停全局模型模块将更新后的第二cnn网络模型作为临时停车深度学习模型。本发明中应用到的知识蒸馏、模型聚合、强化学习、深度学习、cnn网络等相关理论均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。

技术特征：
1.一种无人驾驶列车的多场景停车控制方法，其特征在于：涉及的硬件包括列车控制调度中心、中心云计算模块和多个边缘云计算模块；所述中心云计算模块包括正常停车训练模块、知识蒸馏模块、临停全局模型模块和中心通信模块；所述边缘云计算模块包括停车数据收集处理模块、停车模式控制模块、正常停车模型模块、临时停车模型模块、临停局部模型模块和边缘通信模块；所述正常停车训练模块内设置有第一cnn网络模型；所述临停全局模型模块内设置有第二cnn网络模型；所述临停局部模型模块内设置有第三cnn网络模型；用于所述cnn网络模型训练的输入特征为列车运行信息，所述cnn网络模型的输出特征为列车的停车控制序列；所述列车运行信息包括列车速度、列车所在坡度、列车定位位置、列车停车时间、线路限速值和列车属性；所述停车控制序列为多个停车操纵档位的时序组合，以及各个停车操纵档位的控制时长；列车控制调度中心能实时获取列车的运行信息； 设列车运行的某条线路上包括多个站点，将每两个相邻站点之间的线路记为一个子线路， 每个子线路的终点站内设置一个边缘云计算模块，设共有n个子线路和n个边缘云计算模块，且n个边缘云计算模块与n个子线路一一对应；所述停车数据收集处理模块能采集所属边缘云计算模块对应子线路上列车的正常停车数据和临时停车数据；每个边缘云计算模块均通过对应的边缘通信模块与中心云计算模块的中心通信模块无线通信连接，每个边缘云计算模块均通过对应的边缘通信模块与列车控制调度中心无线通信连接；所述控制方法包括：按方法一为各个边缘云计算模块的正常停车模型模块和临时停车模型模块分别装载正常停车深度学习模型和临时停车深度学习模型；将列车当前所在的子线路记为子线路k，k为1到n的整数，当列车将在子线路k上停车时：一）列车向列车控制调度中心发送正常停车请求或临时停车请求；如果列车发送正常停车请求，则进入步骤二）；如果列车发送临时停车请求，则进入步骤四）；二）列车控制调度中心向子线路k对应的边缘云计算模块的边缘通信模块发送正常停车指令，同时，列车控制调度中心将列车当前的运行信息发送给子线路k对应的边缘云计算模块的边缘通信模块；三）边缘通信模块将收到的正常停车指令和列车当前的运行信息均传输给停车模式控制模块；停车模式控制模块收到正常停车指令后，将列车当前的运行信息传输给正常停车模型模块，然后正常停车模型模块通过正常停车深度学习模型对列车当前的运行信息进行处理得到正常停车的档位操纵序列，然后正常停车模型模块将得到的正常停车的档位操纵序列传输给停车模式控制模块，然后停车模式控制模块通过边缘通信模块将正常停车的档位操纵序列发送给列车；然后进入步骤六）；四）列车控制调度中心向子线路k对应的边缘云计算模块的边缘通信模块发送临时停车指令，同时，列车控制调度中心将列车当前的运行信息发送给子线路k对应的边缘云计算模块的边缘通信模块；五）边缘通信模块将收到的临时停车指令和列车当前的运行信息均传输给停车模式控制模块；停车模式控制模块收到临时停车指令后，将列车当前的运行信息传输给临时停车
模型模块，然后临时停车模型模块通过临时停车深度学习模型对列车当前的运行信息进行处理得到临时停车的档位操纵序列，然后临时停车模型模块将得到的临时停车的档位操纵序列传输给停车模式控制模块，然后停车模式控制模块通过边缘通信模块将临时停车的档位操纵序列发送给列车；然后进入步骤六）；六）列车根据收到的正常停车的档位操纵序列或临时停车的档位操纵序列进行停车；所述方法一包括：1）各个停车数据收集处理模块采集各自所属边缘云计算模块对应子线路上列车的正常停车数据和临时停车数据，然后各个停车数据收集处理模块均按方法二对采集的正常停车数据和临时停车数据进行处理得到各自对应的可用正常停车数据和可用临时停车数据；然后各个停车数据收集处理模块均将得到的可用正常停车数据通过边缘通信模块发送给中心通信模块，各个停车数据收集处理模块均将得到的可用临停车数据传输给对应的临停局部模型模块；2）中心云计算模块按方法三获取正常停车深度学习模型；中心云计算模块按方法四获取临时停车深度学习模型；3）中心云计算模块将正常停车深度学习模型和临时停车深度学习模型通过中心通信模块发送给各个边缘云计算模块的边缘通信模块；4）各个边缘云计算模块的通信模块将收到的正常停车深度学习模型和临时停车深度学习模型传输给各自对应的停车模式控制模块；5）各个停车模式控制模块均将收到的正常停车深度学习模型装载到对应的正常停车模型模块，将临时停车深度学习模型装载到临时停车模型模块；正常停车模型模块首次装载正常停车深度学习模型后，后续每次装载新的正常停车深度学习模型即将前次的正常停车深度学习模型删除；临时停车模型模块首次装载临时停车深度学习模型后，后续每次装载新的临时停车深度学习模型即将前次的临时停车深度学习模型删除；然后返回步骤1）；所述方法二包括：当正常停车数据的数量达到设定的阈值，选取停车位置误差在10cm以内的正常停车数据作为有效正常停车数据，然后对有效停车数据进行数据预处理得到可用正常停车数据；当临时停车数据的数量达到设定的阈值，对临时停车数据进行数据预处理得到可用临时停车数据；所述数据预处理包括特征选择、数据不均衡处理和数据样本归一化处理；所述方法三包括：a）中心通信模块将收到的可用正常停车数据传输给正常停车训练模块；b）正常停车训练模块收到全部n个停车数据收集处理模块发送的可用正常停车数据后，利用收到的多个可用正常停车数据对第一cnn网络模型进行训练得到教师深度学习模型；然后正常停车训练模块将教师深度学习模型传输给知识蒸馏模块；c）知识蒸馏模块采用知识蒸馏的方法对教师深度学习模型进行处理，得到学生深度学习模型，将学生深度学习模型作为正常停车深度学习模型；所述方法四包括：a）各个边缘云计算模块的临停局部模型模块均利用收到的可用临停车数据对各自的第三cnn网络模型进行训练得到对应的局部临停模型；b）各个临停局部模型模块均将各自的局部临停模型通过对应的边缘通信模块发送给
中心通信模块；c）中心通信模块将收到的局部临停模型传输给临停全局模型模块；d）临停全局模型模块收到全部n个临停局部模型模块发送的局部临停模型后，临停全局模型模块对n个局部临停模型的参数进行聚合，然后利用聚合后的模型参数调整第二cnn网络模型的参数，以对第二cnn网络模型进行更新；e）临停全局模型模块进行以下判断：如果更新后的第二cnn网络模型的损失度函数收敛，则进入步骤g），否则进入步骤f）；f）临停全局模型模块将第二cnn网络模型通过中心通信模块分发给n个边缘云计算模块的边缘通信模块，各个边缘通信模块均将收到的第二cnn网络模型传输给对应的临停局部模型模块，各个临停局部模型模块均利用收到的第二cnn网络模型的参数调整对应的局部临停模型，以对各自的局部临停模型进行更新；然后返回步骤b）；g）临停全局模型模块将更新后的第二cnn网络模型作为临时停车深度学习模型。2.如权利要求1所述的无人驾驶列车的多场景停车控制方法，其特征在于：所述步骤c）所述的知识蒸馏方法中，采用强化学习的方法来学习压缩策略，以得到学生深度学习模型。3.如权利要求1或2所述的无人驾驶列车的多场景停车控制方法，其特征在于：所述步骤d）中，采用对n个局部临停模型的参数进行加权平均的方法进行聚合。4.如权利要求1或2所述的无人驾驶列车的多场景停车控制方法，其特征在于：所述第一cnn网络模型为二维cnn网络模型，其中，将列车运行信息中的多个特征作为列，每间隔1米对各个所述特征采样得到采样值，将多个所述采样值作为行，多个所述列和行组成一个二维矩阵。

技术总结
本发明提供了一种无人驾驶列车的多场景停车控制方法，其特征在于：涉及的硬件包括列车控制调度中心、中心云计算模块和多个边缘云计算模块；所述控制方法包括：边缘云计算模块采集训练数据，中心云计算模块采用知识蒸馏的方法训练并轻量化正常停车深度学习模型，边缘云计算模块与中心云计算模块相结合采用模型聚合的方法训练临时停车深度学习模型，各个边缘云计算模块利用正常停车深度学习模型和临时停车深度学习模型分别控制对应子线路上运行列车的正常停车和临时停车。采用本发明所述的控制方法，能实现对无人驾驶列车的多场景停车控制，还能提高停车精度、减小通信压力。减小通信压力。减小通信压力。


技术研发人员：徐凯 李柯静 黄德青 贺德强 吴仕勋 蓝章礼 杨建喜 王乙羽 杨童睿
受保护的技术使用者：重庆交通大学
技术研发日：2023.05.24
技术公布日：2023/8/14