基于类脑脉冲神经网络的列车协同控制方法及系统

1.本发明涉及列车运行控制技术领域，具体涉及一种基于类脑脉冲神经网络的列车协同控制方法及系统。


背景技术：

2.为进一步提高列车运行效率，以诸多自动控制算法为基础的多列车协同运行控制技术得到了广泛关注。在多车协同运行模式下，列车间耦合关系更为复杂，车车之间追踪距离更近，最终协同状态需要同速运行，这对于控制技术的性能提出了更高要求。在完成追踪、协同任务的过程中，环境干扰、线路限速等诸多限制因素不可忽略，列车间安全防护间距计算方法与现有运行模式相比也存在一定差异。针对这些新的要求与挑战，面向多列车协同运行的自动控制技术需要向智能化发展，并能够一体化处理协同过程中的各种安全约束、复杂扰动等，最终保证列车安全高效运行。
3.此外，列车运行过程中，对于自动控制算法的最终应用时的计算效率、功耗等存在一定要求。以深度学习、强化学习等为代表的智能控制方法在满足提高控制技术智能性的同时，也存在训练数据要求高、计算能力要求高等问题。事实上，以上人工智能方法与真正生物智能在结构上、信息处理方式上仍存在差异，生物可解释性较差，不利于充分发挥人类在处理复杂问题的灵活与低功耗等优势。因此，需要一种更符合人类智能机理的，未来应用时有利于发挥高计算能力、低功耗等优势的新型智能控制技术。
4.列车运行过程中，控制系统需要保证其实现设定目标速度跟踪，并防止列车超速运行影响运行安全；考虑多列车协同时，需在避免列车碰撞情况下控制列车以相同速度、稳定间隔运行。因此，综合考虑速度和追踪间距约束，在充分利用脉冲神经网络控制架构优势的前提下，如何建立新型控制防护一体化架构是一个待解决的问题。随着类脑计算、类脑芯片等技术发展，基于类脑架构的控制方法已成为研究重点。脉冲神经网络作为第三代神经网络，通过建立神经元细胞、突触模型等，通过脉冲信号实现信息传递，模拟生物机理。基于脉冲神经网络的类脑计算结构有利于进一步模拟生物对于任务等的理解及完成能力，同时利于整体架构在类脑计算平台的实现，最终建立高效、低能耗及快速的控制系统。
5.现有列车协同自动控制技术中，以自适应控制、模型预测控制等为代表的传统控制方法。传统控制方法主要通过建立列车动力学模型，以多列车实时状态与期望值误差为输入，最终实现多列车间协同运行控制，安全防护或通过与控制系统相独立的列车运行防护系统实现，或通过状态约束等形式体现。为进一步提高列车控制智能性，以引入深度学习、强化学习等的基于人工智能技术控制方法得到了广泛关注。以深度学习方法为例，利用大量运行数据对深度学习网络进行训练，从而输出控制信号或防护信号作用于列车，即基于数据的智能控制。
6.现有列车协同自动控制技术主要包括以自适应控制、模型预测控制等为代表的传统控制方法，以及引入深度学习、强化学习等的基于人工智能技术控制方法。传统控制方法通常在进行列车协同控制过程中对于安全防护考虑不充分，部分方法或不具备主动安全防
护功能；基于深度学习等人工智能方法的列车协同运行控制与防护方法通常对于前期数据、计算能力要求高，实际应用过程中功耗高，此外，深度学习等神经网络训练及使用时，神经元之间仍以连续信号传递信息，与真正生物神经元机理存在差异，生物可解释性差。


技术实现要素：

7.本发明的目的在于提供一种基于类脑脉冲神经网络的列车协同控制方法及系统，以解决上述背景技术中存在的至少一项技术问题。
8.为了实现上述目的，本发明采取了如下技术方案：
9.一方面，本发明提供一种基于类脑脉冲神经网络的列车协同控制方法，包括：
10.获取被控列车运行过程中期望目标信息、实时状态信息及本车安全防护信息、前车安全防护信息，并完成数据预处理及编码，得到编码后的脉冲信号；
11.利用预先训练好的类脑控制模型对编码后的脉冲信号进行处理；所述预先训练好的类脑控制模型包括：仿前额叶计算模块对隐藏层权重进行在线调整，并根据目标信息及速度防护信息计算控制信号传输至防护与控制驱动模块；在协同运行模式下，仿小脑计算模块根据预设协同目标计算控制信号传输至协同控制驱动模块，动态调整列车速度及前后车间距直至被控列车与前车协同运行；防护与控制驱动模块及协同控制驱动模块对脉冲输出进行解编，并计算最终控制输出，进一步控制列车运行。
12.优选的，被控列车实时状态信息包括列车当前位置及速度；安全防护信息包括限制最高速度或本车与前车间安全防护距离；
13.两车协同追踪过程中采用相对制动距离防护规则，按照如下规则计算安全防护距离dw(t)：
[0014][0015]
其中δl为预留的安全边界，v(t)为被控车(后车)速度，v
l
(t)为前车速度，au被控车最大常用制动率，a
l,max
为前车最大紧急制动率；
[0016]
在线路限速v
lim
(t)和安全防护距离dw(t)下，定义安全防护误差e(t)：其中，
òv与
òs为人为设定的速度、位置安全裕量，δp(t)为前后车实时距离。
[0017]
优选的，对于给定参考速度信号v
ref
(t)，定义速度追踪误差ev(t)＝v
ref
(t)-v(t)；考虑到各状态信息尺度差距，对各信息进行预处理，处理规则为其中x为处理前信号，为处理后信号，p
x
为根据不同信号定义的归一化参数，η为放缩系数；利用泊松编码方式，将各状态信息转化为满足泊松分布的、不同频率的脉冲信号，激发频率为各预处理后的信号。
[0018]
优选的，所述仿前额叶计算模块包括感知层、中间层以及驱动层；感知层包含3组神经元，接收外部刺激并产生输入脉冲；中间层包含5个神经元，与感知层全连接，中间层中四个神经元间全连接，连接权重根据r-stdp规则进行调整；感知层将经预处理及泊松编码
后的参考速度v
ref
(t)、实时速度v(t)、追踪误差ev(t)及与安全防护信息e(t)以脉冲形式输入，经中间层后对驱动层神经元起到激励与抑制作用，利用r-stdp规则权重调整主要由采集多巴胺信号及权重更新两部分组成；在一个采样周期内，定义da(t)＝ωev(t)，其中da(t)为多巴胺信号，其中ω为给定的放缩系数；利用泊松编码将da转化为脉冲信号；多巴胺信号作用于中间神经元间突触，进一步调整各权重值，经反复计算更新后进入下一个采样周期。
[0019]
优选的，预先训练好的类脑控制模型基于生物机理在线对于权重进行调整，预训练包括：实时获取不同控制信号下的速度、位置信息，利用多巴胺信号刺激权重调整；
[0020][0021][0022]
其中，m为列车质量，r(v)＝c0+cvvi+cav2为列车运行过程中空气阻力；c0,cv与ca为戴维斯系数，可由历史数据及经验推断得出；d(t)为外界环境引入的不确定干扰；p(t)，v(t)为位置和速度信息，为可计算的牵引/制动力，为单位质量对应的控制信号。
[0023]
优选的，当列车运行在协同模式时，仿小脑计算模块激活，苔藓纤维接收前后车实时运行状态以及协同目标，计算相应控制信号，计算过程依赖训练好的粒细胞、柏金氏细胞、深部小脑核及下橄榄核细胞完成；橄榄核细胞实现了利用输入矫正信号调整粒细胞与柏金氏细胞间连接突触的权重，其中矫正信号通过弹簧阻尼系统训练获得，目标信号为期望追踪距离d
des
，输入信号为被控列车与前车实时间距δp(t)及其微分与积分信息，输出信号为列车单位质量牵引/制动力；粒细胞与柏金氏细胞间突触权重受矫正信号激励后，依据stdp规则进行调整，具体为当矫正信号与粒细胞激励到达时间相似时，对应突触权重增加，反之降低；深部小脑核接收来自苔藓纤维的兴奋性输入与柏金氏细胞的抑制性输入，并生成输出信号输入协同控制驱动模块；最终实际控制信号为防护与控制模块及协同控制驱动模块融合信号。
[0024]
优选的，采用主动肌-拮抗肌模型将输出脉冲信号解码成控制信号：
[0025][0026][0027]
其中为仿前额叶计算模块输出，与分别为仿前额叶计算模块中驱动层激励与抑制输出脉冲数；sigmoid为变量映射函数，用于将输出信号映射到[0,1]范围内；u
max
为根据实际情况给定的控制信号最大范围；为仿小脑计算模块输出，与分别为仿小脑计算模块深部小脑核激励与抑制输出脉冲数；α与β为放缩系数；为变化后的控制信号，即所提方法总输出，对应列车动力学模型中的控制输入；w为取值范围为[0,1]的权重值，h为选择系数，当列车运行在协同状态时取值为1，反之则取值为0。
[0028]
第二方面，本发明提供一种基于类脑脉冲神经网络的列车协同控制系统，包括：
[0029]
获取模块，用于获取被控列车运行过程中期望目标信息、实时状态信息及本车安全防护信息、前车安全防护信息，并完成数据预处理及编码，得到编码后的脉冲信号；
[0030]
控制模块，用于利用预先训练好的类脑控制模型对编码后的脉冲信号进行处理；所述预先训练好的类脑控制模型包括：仿前额叶计算模块对隐藏层权重进行在线调整，并根据目标信息及速度防护信息计算控制信号传输至防护与控制驱动模块；在协同运行模式下，仿小脑计算模块根据预设协同目标计算控制信号传输至协同控制驱动模块，动态调整列车速度及前后车间距直至被控列车与前车协同运行；防护与控制驱动模块及协同控制驱动模块对脉冲输出进行解编，并计算最终控制输出，进一步控制列车运行。
[0031]
第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于类脑脉冲神经网络的列车协同控制方法。
[0032]
第四方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于类脑脉冲神经网络的列车协同控制方法。
[0033]
第五方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于类脑脉冲神经网络的列车协同控制方法的指令。
[0034]
本发明有益效果：实现列车满足自身速度及列车间防护距离的安全约束条件下对于给定目标速度或协同运行目标状态的自动跟踪运行，进一步提高了运行效率和可靠性；同时，本发明由人类脑部结构启发，网络中脉冲神经元通过脉冲形式传递信息，神经元间突触权重由仿生形式进行调整，生物可解释性强，并且有利于未来基于类脑芯片等的高性能、低功耗平台应用。
[0035]
本发明附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本发明的实践了解到。
附图说明
[0036]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]
图1为本发明实施例所述的基于类脑脉冲神经网络的列车协同控制系统整体框架示意图。
[0038]
图2为本发明实施例所述的仿前额叶计算模块内部结构示意图。
[0039]
图3为本发明实施例所述的仿小脑计算模块内部结构示意图。
具体实施方式
[0040]
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附
图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0041]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
[0042]
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0043]
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
[0044]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0045]
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
[0046]
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
[0047]
实施例1
[0048]
本实施例1中，首先提供了一种基于类脑脉冲神经网络的列车协同控制系统，包括：
[0049]
获取模块，用于获取被控列车运行过程中期望目标信息、实时状态信息及本车安全防护信息、前车安全防护信息，并完成数据预处理及编码，得到编码后的脉冲信号；
[0050]
控制模块，用于利用预先训练好的类脑控制模型对编码后的脉冲信号进行处理；所述预先训练好的类脑控制模型包括：仿前额叶计算模块对隐藏层权重进行在线调整，并根据目标信息及速度防护信息计算控制信号传输至防护与控制驱动模块；在协同运行模式下，仿小脑计算模块根据预设协同目标计算控制信号传输至协同控制驱动模块，动态调整列车速度及前后车间距直至被控列车与前车协同运行；防护与控制驱动模块及协同控制驱动模块对脉冲输出进行解编，并计算最终控制输出，进一步控制列车运行。
[0051]
本实施例1中，利用上述的系统实现了基于类脑脉冲神经网络的列车协同控制方法，包括：
[0052]
获取被控列车运行过程中期望目标信息、实时状态信息及本车安全防护信息、前车安全防护信息，并完成数据预处理及编码，得到编码后的脉冲信号；
[0053]
利用预先训练好的类脑控制模型对编码后的脉冲信号进行处理；所述预先训练好的类脑控制模型包括：仿前额叶计算模块对隐藏层权重进行在线调整，并根据目标信息及速度防护信息计算控制信号传输至防护与控制驱动模块；在协同运行模式下，仿小脑计算模块根据预设协同目标计算控制信号传输至协同控制驱动模块，动态调整列车速度及前后
车间距直至被控列车与前车协同运行；防护与控制驱动模块及协同控制驱动模块对脉冲输出进行解编，并计算最终控制输出，进一步控制列车运行。
[0054]
其中，被控列车实时状态信息包括列车当前位置及速度；安全防护信息包括限制最高速度或本车与前车间安全防护距离；
[0055]
两车协同追踪过程中采用相对制动距离防护规则，按照如下规则计算安全防护距离dw(t)：
[0056][0057]
其中δl为预留的安全边界，v(t)为被控车(后车)速度，v
l
(t)为前车速度，au被控车最大常用制动率，a
l,max
为前车最大紧急制动率；
[0058]
在线路限速v
lim
(t)和安全防护距离dw(t)下，定义安全防护误差e(t)：其中，
òv与
òs为人为设定的速度、位置安全裕量，δp(t)为前后车实时距离。
[0059]
对于给定参考速度信号v
ref
(t)，定义速度追踪误差ev(t)＝v
ref
(t)-v(t)；考虑到各状态信息尺度差距，对各信息进行预处理，处理规则为其中x为处理前信号，为处理后信号，p
x
为根据不同信号定义的归一化参数，η为放缩系数；利用泊松编码方式，将各状态信息转化为满足泊松分布的、不同频率的脉冲信号，激发频率为各预处理后的信号。
[0060]
所述仿前额叶计算模块包括感知层、中间层以及驱动层；感知层包含3组神经元，接收外部刺激并产生输入脉冲；中间层包含5个神经元，与感知层全连接，中间层中四个神经元间全连接，连接权重根据r-stdp规则进行调整；感知层将经预处理及泊松编码后的参考速度v
ref
(t)、实时速度v(t)、追踪误差ev(t)及与安全防护信息e(t)以脉冲形式输入，经中间层后对驱动层神经元起到激励与抑制作用，利用r-stdp规则权重调整主要由采集多巴胺信号及权重更新两部分组成；在一个采样周期内，定义da(t)＝ωev(t)，其中da(t)为多巴胺信号，其中ω为给定的放缩系数；利用泊松编码将da转化为脉冲信号；多巴胺信号作用于中间神经元间突触，进一步调整各权重值，经反复计算更新后进入下一个采样周期。
[0061]
其中，预先训练好的类脑控制模型基于生物机理在线对于权重进行调整，预训练包括：实时获取不同控制信号下的速度、位置信息，利用多巴胺信号刺激权重调整；
[0062][0063][0064]
其中，m为列车质量，r(v)＝c0+cvvi+cav2为列车运行过程中空气阻力；c0,cv与ca为戴维斯系数，可由历史数据及经验推断得出；d(t)为外界环境引入的不确定干扰；p(t)，v(t)为位置和速度信息，为可计算的牵引/制动力，为单位质量对应的控制信号。
[0065]
当列车运行在协同模式时，仿小脑计算模块激活，苔藓纤维接收前后车实时运行状态以及协同目标，计算相应控制信号，计算过程主要依赖训练好的粒细胞、柏金氏细胞、深部小脑核及下橄榄核细胞完成；橄榄核细胞实现了利用输入矫正信号调整粒细胞与柏金氏细胞间连接突触的权重，其中矫正信号通过弹簧阻尼系统训练获得，目标信号为期望追踪距离d
des
，输入信号为被控列车与前车实时间距δp(t)及其微分与积分信息，输出信号为列车单位质量牵引/制动力；粒细胞与柏金氏细胞间突触权重受矫正信号激励后，依据stdp规则进行调整，具体为当矫正信号与粒细胞激励到达时间相似时，对应突触权重增加，反之降低；深部小脑核接收来自苔藓纤维的兴奋性输入与柏金氏细胞的抑制性输入，并生成输出信号输入协同控制驱动模块；最终实际控制信号为防护与控制模块及协同控制驱动模块融合信号。
[0066]
采用主动肌-拮抗肌模型将输出脉冲信号解码成控制信号：
[0067][0068][0069]
其中为仿前额叶计算模块输出，与分别为仿前额叶计算模块中驱动层激励与抑制输出脉冲数；sigmoid为变量映射函数，用于将输出信号映射到[0,1]范围内；u
max
为根据实际情况给定的控制信号最大范围；为仿小脑计算模块输出，与分别为仿小脑计算模块深部小脑核激励与抑制输出脉冲数；α与β为放缩系数；为变化后的控制信号，即所提方法总输出，对应列车动力学模型中的控制输入；w为取值范围为[0,1]的权重值，h为选择系数，当列车运行在协同状态时取值为1，反之则取值为0。
[0070]
实施例2
[0071]
如图1至图3所示，本实施例2中提供一种基于类脑脉冲神经网络的列车协同控制方法类脑脉冲神经网络的列车运行控制及安全防护主要通过图1所示的主要功能模块实现。其中状态感知模块与运行中列车直接连接，主要实现实时状态信息采集；防护与控制驱动计算模块完成安全风险评估和控制信号计算，并由驱动模块转化后保证列车实现对于目标状态跟踪运行；小脑计算模块完成多车协同控制信号计算，驱动模块进一步生成适合的控制力，直至列车到达协同状态，即被控列车与前车以相同速度、稳定间距运行。本发明主要实现步骤如下：
[0072]
(1)状态感知模块采集被控列车运行过程中期望目标信息、实时状态信息及本、前车安全防护信息等，并完成数据预处理及编码。
[0073]
(2)编码后的脉冲信号输入预训练好的类脑控制架构，仿前额叶计算模块对隐藏层权重进行在线调整，并根据目标信息及速度防护信息计算控制信号传输至防护与控制驱动模块。
[0074]
(3)在协同运行模式下，仿小脑计算模块根据预设协同目标计算控制信号传输至协同控制驱动模块，动态调整列车速度及前后车间距直至被控列车(后车)与前车协同运行。
[0075]
(4)防护与控制驱动模块及协同控制驱动模块对脉冲输出进行解编，并计算最终
控制输出，进一步控制列车运行。
[0076]
步骤(1)中，被控列车实时状态信息包括：列车当前位置及速度等；安全防护信息包括：限制最高速度或本车与前车间安全防护距离。两车协同追踪过程中采用相对制动距离防护规则，按照如下规则计算安全防护距离dw(t)：
[0077][0078]
其中δl为预留的安全边界，v(t)为被控车(后车)速度，v
l
(t)为前车速度，au被控车最大常用制动率，a
l,max
为前车最大紧急制动率。在线路限速v
lim
(t)和安全防护距离dw(t)下，定义安全防护误差e(t):
[0079][0080]
其中，
òv与
òs为人为设定的速度、位置安全裕量，δp(t)为前后车实时距离。考虑两车追踪运行，假设前车以350km/h速度运行，后车以348km/h运行，前车紧急制动减速度-1.0m/s2,后车制动减速度-0.8m/s2。不考虑前车骤停情况下，与移动闭塞下防护规则相比，本发明在保证安全运行情况下控制列车协同运行，并将运行间隔缩小40％以上，对应行车效率可提升2倍以上。
[0081]
对于给定参考速度信号v
ref
(t)(协同状态下参考速度信号为v
ref
(t)＝v
l
(t))，可定义速度追踪误差ev(t)＝v
ref
(t)-v(t)。考虑到各状态信息尺度差距，首先对各信息进行预处理，处理规则为其中x为处理前信号，为处理后信号，p
x
为根据不同信号定义的归一化参数，η为放缩系数。此外，由于脉冲神经网络架构信号均以脉冲形式传播，归一化的信息需要进行编码操作。利用泊松编码方式，将各状态信息转化为满足泊松分布的、不同频率的脉冲信号，激发频率为各预处理后的信号，激发后的脉冲信号输入后续类脑控制系统中。
[0082]
步骤(2)中，脉冲神经网络采用lif模型，所述的驱动计算模型主要包括感知层、中间层以及驱动层。感知层包含3组神经元，接收外部刺激并产生输入脉冲，中间层包含5个神经元，与感知层全连接，中间层中四个神经元间全连接，连接权重根据r-stdp规则进行调整。驱动层为2个神经元，由感知层、中间层刺激，连接外部驱动单元，进一步作用于列车。感知层将经预处理及泊松编码后的参考速度v
ref
(t)、实时速度v(t)、追踪误差ev(t)及与安全防护信息e(t)以脉冲形式输入，经中间层后对驱动层神经元起到激励与抑制作用。利用r-stdp规则权重调整主要由采集多巴胺信号及权重更新两部分组成。首先，在一个采样周期内，定义da(t)＝ωev(t)，其中da(t)为多巴胺信号，其中ω为给定的放缩系数，同样的，利用泊松编码将da转化为脉冲信号。之后，多巴胺信号作用于中间神经元间突触，进一步调整各权重值，经反复计算更新后进入下一个采样周期。
[0083]
此外，步骤(2)中所提网络基于生物机理在线对于权重进行调整，为了提升初始性能，利用以下列车模型仿真数据，对网络进行预训练。具体方法为将驱动计算部分与列车仿真模型相连，实时反馈不同控制信号下的速度、位置信息，利用多巴胺信号刺激权重调整。
[0084][0085][0086]
其中，m为列车质量，r(v)＝c0+cvvi+cav2为列车运行过程中空气阻力；c0,cv与ca为戴维斯系数，可由历史数据及经验推断得出；d(t)为外界环境引入的不确定干扰；p(t)，v(t)为位置和速度信息，为可计算的牵引/制动力，为单位质量对应的控制信号。
[0087]
步骤(3)中，仿小脑计算模型完成协同控制功能，主要由苔藓纤维、粒细胞与深度小脑核等组成。当列车运行在协同模式时，仿小脑计算模块激活，苔藓纤维接收前后车实时运行状态以及协同目标，计算相应控制信号，计算过程主要依赖训练好的粒细胞、柏金氏细胞、深部小脑核及下橄榄核细胞完成。模型中下橄榄核细胞实现了利用输入矫正信号调整粒细胞与柏金氏细胞间连接突触的权重，其中矫正信号通过弹簧阻尼系统训练获得，目标信号为期望追踪距离d
des
，输入信号为被控列车与前车实时间距δp(t)及其微分与积分信息，输出信号为列车单位质量牵引/制动力(矫正信号)。粒细胞与柏金氏细胞间突触权重受矫正信号激励后，依据stdp规则进行调整，具体为当矫正信号与粒细胞激励到达时间相似时，对应突触权重增加，反之降低。深部小脑核接收来自苔藓纤维的兴奋性输入与柏金氏细胞的抑制性输入，并生成输出信号输入协同控制驱动模块。最终列车收到实际控制信号为防护与控制模块及协同控制驱动模块融合信号。
[0088]
步骤(4)中，驱动计算模块和安全防护模块输出均为脉冲信号，需要进行进一步解码。
[0089]
本发明中采用主动肌-拮抗肌模型将输出脉冲信号解码成控制信号，具体变化公式为：
[0090][0091][0092]
其中为仿前额叶计算模块输出，与分别为仿前额叶计算模块中驱动层激励(主动肌)与抑制(拮抗肌)输出脉冲数；sigmoid为常见的变量映射函数，用于将输出信号映射到[0,1]范围内；u
max
为根据实际情况给定的控制信号最大范围；为仿小脑计算模块输出，与分别为仿小脑计算模块深部小脑核激励(主动肌)与抑制(拮抗肌)输出脉冲数；α与β为放缩系数；为变化后的控制信号，即所提方法总输出，对应列车动力学模型中的控制输入；w为取值范围为[0,1]的权重值，h为选择系数，当列车运行在协同状态时取值为1，反之则取值为0。
[0093]
综上，本实施例中，主要控制信号计算部分由仿前额叶计算模块与仿小脑计算模块构成，并通过设计的多个模块配合，最终实现列车期望状态追踪和协同运行控制，能够保证在协同运行过程中限速与间隔距离约束下的主动安全防护，在假定仿真条件下，与移动闭塞下防护规则相比，可在保证安全运行情况下控制列车协同运行，并将运行间隔缩小
40％以上，对应行车效率可提升2倍以上；神经元间通过脉冲形式传递信号，并通过设计的编码与解编方式完成测量状态、控制信号与神经网络间信息转换与交互，同时神经元间通过仿生方式调整突触权重从而保证整体性能，方法生物解释性强，利于在仿生类脑芯片的进一步应用，计算功耗低。
[0094]
实施例3
[0095]
本实施例3提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于类脑脉冲神经网络的列车协同控制方法，该方法包括：
[0096]
获取被控列车运行过程中期望目标信息、实时状态信息及本车安全防护信息、前车安全防护信息，并完成数据预处理及编码，得到编码后的脉冲信号；
[0097]
利用预先训练好的类脑控制模型对编码后的脉冲信号进行处理；所述预先训练好的类脑控制模型包括：仿前额叶计算模块对隐藏层权重进行在线调整，并根据目标信息及速度防护信息计算控制信号传输至防护与控制驱动模块；在协同运行模式下，仿小脑计算模块根据预设协同目标计算控制信号传输至协同控制驱动模块，动态调整列车速度及前后车间距直至被控列车与前车协同运行；防护与控制驱动模块及协同控制驱动模块对脉冲输出进行解编，并计算最终控制输出，进一步控制列车运行。
[0098]
实施例4
[0099]
本实施例4提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于类脑脉冲神经网络的列车协同控制方法，该方法包括：
[0100]
获取被控列车运行过程中期望目标信息、实时状态信息及本车安全防护信息、前车安全防护信息，并完成数据预处理及编码，得到编码后的脉冲信号；
[0101]
利用预先训练好的类脑控制模型对编码后的脉冲信号进行处理；所述预先训练好的类脑控制模型包括：仿前额叶计算模块对隐藏层权重进行在线调整，并根据目标信息及速度防护信息计算控制信号传输至防护与控制驱动模块；在协同运行模式下，仿小脑计算模块根据预设协同目标计算控制信号传输至协同控制驱动模块，动态调整列车速度及前后车间距直至被控列车与前车协同运行；防护与控制驱动模块及协同控制驱动模块对脉冲输出进行解编，并计算最终控制输出，进一步控制列车运行。
[0102]
实施例5
[0103]
本实施例5提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于类脑脉冲神经网络的列车协同控制方法的指令，该方法包括：
[0104]
获取被控列车运行过程中期望目标信息、实时状态信息及本车安全防护信息、前车安全防护信息，并完成数据预处理及编码，得到编码后的脉冲信号；
[0105]
利用预先训练好的类脑控制模型对编码后的脉冲信号进行处理；所述预先训练好的类脑控制模型包括：仿前额叶计算模块对隐藏层权重进行在线调整，并根据目标信息及速度防护信息计算控制信号传输至防护与控制驱动模块；在协同运行模式下，仿小脑计算模块根据预设协同目标计算控制信号传输至协同控制驱动模块，动态调整列车速度及前后
车间距直至被控列车与前车协同运行；防护与控制驱动模块及协同控制驱动模块对脉冲输出进行解编，并计算最终控制输出，进一步控制列车运行。
[0106]
综上所述，本发明实施例所述的基于类脑脉冲神经网络的列车协同控制方法及系统，通过建立基于脉冲神经网络的列车自动运行控制架构，实现了列车在外界环境干扰等限制因素下对于给定目标速度的自动跟踪及多列车协同运行实现了列车安全主动防护，同时实现了保证列车不超速运行及协同状态下安全距离约束，满足多种场景下运行过程中的安全要求。在假定仿真条件下，与移动闭塞下防护规则相比，可在保证安全运行情况下控制列车协同运行，并将运行间隔缩小40％以上，对应行车效率可提升2倍以上。以脉冲神经元为基本单元，基于类脑结构及仿生原理，通过动态调整突触权重提升整体控制效果，方法智能性水平高。此外，提高了控制架构的生物可解释性和仿生性，有利于在类脑计算平台的迁移及计算效率的提升。
[0107]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0108]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0109]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0110]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0111]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于类脑脉冲神经网络的列车协同控制方法，其特征在于，包括：获取被控列车运行过程中期望目标信息、实时状态信息及本车安全防护信息、前车安全防护信息，并完成数据预处理及编码，得到编码后的脉冲信号；利用预先训练好的类脑控制模型对编码后的脉冲信号进行处理；所述预先训练好的类脑控制模型包括：仿前额叶计算模块对隐藏层权重进行在线调整，并根据目标信息及速度防护信息计算控制信号传输至防护与控制驱动模块；在协同运行模式下，仿小脑计算模块根据预设协同目标计算控制信号传输至协同控制驱动模块，动态调整列车速度及前后车间距直至被控列车与前车协同运行；防护与控制驱动模块及协同控制驱动模块对脉冲输出进行解编，并计算最终控制输出，进一步控制列车运行。2.根据权利要求1所述的基于类脑脉冲神经网络的列车协同控制方法，其特征在于，被控列车实时状态信息包括列车当前位置及速度；安全防护信息包括限制最高速度或本车与前车间安全防护距离；两车协同追踪过程中采用相对制动距离防护规则，按照如下规则计算安全防护距离d
w
(t)：其中δl为预留的安全边界，v(t)为被控车(后车)速度，v
l
(t)为前车速度，a
u
被控车最大常用制动率，a
l,max
为前车最大紧急制动率；在线路限速v
lim
(t)和安全防护距离d
w
(t)下，定义安全防护误差e(t)：其中，
ò
v与
ò
s
为人为设定的速度、位置安全裕量，δp(t)为前后车实时距离。3.根据权利要求2所述的基于类脑脉冲神经网络的列车协同控制方法，其特征在于，对于给定参考速度信号v
ref
(t)，定义速度追踪误差e
v
(t)＝v
ref
(t)-v(t)；考虑到各状态信息尺度差距，对各信息进行预处理，处理规则为其中x为处理前信号，为处理后信号，p
x
为根据不同信号定义的归一化参数，η为放缩系数；利用泊松编码方式，将各状态信息转化为满足泊松分布的、不同频率的脉冲信号，激发频率为各预处理后的信号。4.根据权利要求3所述的基于类脑脉冲神经网络的列车协同控制方法，其特征在于，所述仿前额叶计算模块包括感知层、中间层以及驱动层；感知层包含3组神经元，接收外部刺激并产生输入脉冲；中间层包含5个神经元，与感知层全连接，中间层中四个神经元间全连接，连接权重根据r-stdp规则进行调整；感知层将经预处理及泊松编码后的参考速度v
ref
(t)、实时速度v(t)、追踪误差e
v
(t)及与安全防护信息e(t)以脉冲形式输入，经中间层后对驱动层神经元起到激励与抑制作用，利用r-stdp规则权重调整主要由采集多巴胺信号及权重更新两部分组成；在一个采样周期内，定义da(t)＝ωe
v
(t)，其中da(t)为多巴胺信号，其中ω为给定的放缩系数；利用泊松编码将da转化为脉冲信号；多巴胺信号作用于中间神经
元间突触，进一步调整各权重值，经反复计算更新后进入下一个采样周期。5.根据权利要求4所述的基于类脑脉冲神经网络的列车协同控制方法，其特征在于，预先训练好的类脑控制模型基于生物机理在线对于权重进行调整，预训练包括：实时获取不同控制信号下的速度、位置信息，利用多巴胺信号刺激权重调整；同控制信号下的速度、位置信息，利用多巴胺信号刺激权重调整；其中，m为列车质量，r(v)＝c0+c
v
v
i
+c
a
v2为列车运行过程中空气阻力；c0,c
v
与c
a
为戴维斯系数，可由历史数据及经验推断得出；d(t)为外界环境引入的不确定干扰；p(t)，v(t)为位置和速度信息，为可计算的牵引/制动力，为单位质量对应的控制信号。6.根据权利要求5所述的基于类脑脉冲神经网络的列车协同控制方法，其特征在于，当列车运行在协同模式时，仿小脑计算模块激活，苔藓纤维接收前后车实时运行状态以及协同目标，计算相应控制信号，计算过程主要依赖训练好的粒细胞、柏金氏细胞、深部小脑核及下橄榄核细胞完成；橄榄核细胞实现了利用输入矫正信号调整粒细胞与柏金氏细胞间连接突触的权重，其中矫正信号通过弹簧阻尼系统训练获得，目标信号为期望追踪距离d
des
，输入信号为被控列车与前车实时间距δp(t)及其微分与积分信息，输出信号为列车单位质量牵引/制动力；粒细胞与柏金氏细胞间突触权重受矫正信号激励后，依据stdp规则进行调整，具体为当矫正信号与粒细胞激励到达时间相似时，对应突触权重增加，反之降低；深部小脑核接收来自苔藓纤维的兴奋性输入与柏金氏细胞的抑制性输入，并生成输出信号输入协同控制驱动模块；最终实际控制信号为防护与控制模块及协同控制驱动模块融合信号。7.根据权利要求1所述的基于类脑脉冲神经网络的列车协同控制方法，其特征在于，采用主动肌-拮抗肌模型将输出脉冲信号解码成控制信号：拮抗肌模型将输出脉冲信号解码成控制信号：其中为仿前额叶计算模块输出，与分别为仿前额叶计算模块中驱动层激励与抑制输出脉冲数；sigmoid为变量映射函数，用于将输出信号映射到[0,1]范围内；u
max
为根据实际情况给定的控制信号最大范围；为仿小脑计算模块输出，与分别为仿小脑计算模块深部小脑核激励与抑制输出脉冲数；α与β为放缩系数；为变化后的控制信号，即所提方法总输出，对应列车动力学模型中的控制输入；w为取值范围为[0,1]的权重值，h为选择系数，当列车运行在协同状态时取值为1，反之则取值为0。8.一种基于类脑脉冲神经网络的列车协同控制系统，其特征在于，包括：获取模块，用于获取被控列车运行过程中期望目标信息、实时状态信息及本车安全防护信息、前车安全防护信息，并完成数据预处理及编码，得到编码后的脉冲信号；控制模块，用于利用预先训练好的类脑控制模型对编码后的脉冲信号进行处理；所述预先训练好的类脑控制模型包括：仿前额叶计算模块对隐藏层权重进行在线调整，并根据
目标信息及速度防护信息计算控制信号传输至防护与控制驱动模块；在协同运行模式下，仿小脑计算模块根据预设协同目标计算控制信号传输至协同控制驱动模块，动态调整列车速度及前后车间距直至被控列车与前车协同运行；防护与控制驱动模块及协同控制驱动模块对脉冲输出进行解编，并计算最终控制输出，进一步控制列车运行。9.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如权利要求1-7任一项所述的基于类脑脉冲神经网络的列车协同控制方法。10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-7任一项所述的基于类脑脉冲神经网络的列车协同控制方法的指令。

技术总结
本发明提供一种基于类脑脉冲神经网络的列车协同控制方法及系统，属于列车运行控制技术领域。本发明通过建立基于脉冲神经网络的列车自动运行控制架构，实现了列车在外界环境干扰等限制因素下对于给定目标速度的自动跟踪及多列车协同运行实现了列车安全主动防护，保证列车不超速运行及协同状态下安全距离约束，满足多种场景下运行过程中的安全要求，可在保证安全运行情况下控制列车协同运行，并将运行间隔缩小40％以上，对应行车效率可提升2倍以上；以脉冲神经元为基本单元，基于类脑结构及仿生原理，通过动态调整突触权重提升整体控制效果，提高了控制架构的生物可解释性和仿生性，有利于在类脑计算平台的迁移及计算效率的提升。提升。提升。


技术研发人员：董海荣 宋海锋 张子轩 王洪伟 马建军
受保护的技术使用者：北京交通大学
技术研发日：2023.01.06
技术公布日：2023/6/3