一种用于人机共驾控制权切换方法与流程

本发明属于自动驾驶技术领域，更具体地说，是涉及一种用于人机共驾的控制权切换方法。

背景技术：

目前，自动驾驶车辆已在各领域得到广泛应用农业生产、交通运输和军事侦查等领域中已有很多成功案例。在农业上，自动驾驶车辆能够在许多恶劣天气下帮助农业生产，以减少人员投入，提高生产效率。特别是在交通运输方面的应用，自动驾驶给交通智能化带来了全新的变化。自动驾驶可以实现自主导航等功能，还可以根据驾驶习惯进行个性化设置，使驾驶人从复杂而枯燥的驾驶任务中解放出来。

然而，目前在交通伦理和法规等问题上对自动驾驶有很多限制，归根结底是技术还得不到广泛认可，要实现真正意义上的自动驾驶还有很长的路要走，目前自动化程度最高的车辆还处于自动与手动驾驶协作的人机共驾阶段。可见车辆的自动驾驶系统必须考虑人工驾驶和自动驾驶2种工作模式的切换。现有的自动驾驶控制权切换技术，仅仅考虑了基本阻力对车辆的影响，考虑的因素并不全面，适用范围很小，在进行控制权切换时存在很大的安全风险。

技术实现要素：

本发明的目的在于提供一种用于人机共驾控制权切换方法，旨在解决现有自动驾驶控制权切换技术，考虑阻力对车辆的影响因素并不全面，适用范围小，在进行控制权切换时存在很大安全风险的问题。

为实现上述目的，本发明采用的技术方案是：一种用于人机共驾控制权切换方法，包括：

步骤1：根据火车运动过程建立火车驱动模型；所述火车驱动模型包括火车最大牵引力模型、火车阻力模型和火车制动力模型；

所述火车阻力模型包括：火车基本阻力模型；所述火车基本阻力模型包括机车基本阻力、车辆基本阻力和修正空气阻力；

所述机车基本阻力公式为：

w0＝a0 b0v c0v²

其中，w0表示机车基本阻力，a0表示机车基本阻力第一系数，b0表示机车基本阻力第二系数，c0表示机车基本阻力第三系数；

所述车辆基本阻力公式为：

w1＝a1 b1v c1v²

其中，w1表示车辆基本阻力，a1表示车辆基本阻力第一系数，b1表示车辆基本阻力第二系数，c1表示车辆基本阻力第三系数；

所述修正空气阻力公式为：

w2＝tρcdaf(v vwind)²

其中，w2表示修正空气阻力，t表示修正空气阻力系数，ρ表示空气密度，cd表示空气阻力系数，af表示迎风面积，vwind表示风速；

步骤2：获取火车的行驶状态和火车当前状态；所述火车的行驶状态包括发动机未运转状态和发动机运转状态；

步骤3：当所述火车的行驶状态为发动机未运转状态，则火车任意进行控制权切换；

步骤4：当所述火车的行驶状态为发动机运转状态，则判断火车当前状态是否为制动工况，生成第一判断结果；

步骤5：若所述第一判断结果为所述火车当前状态为制动工况，则不进行控制权切换；

步骤6：若所述第一判断结果为所述火车当前状态不为制动工况，则判断火车切换过程加速度是否大于安全阈值加速度，生成第二判断结果；

步骤7：若所述第二判断结果为所述切换过程加速度大于安全阈值加速度，则火车不进行控制权切换；

步骤8：若所述第二判断结果为所述切换过程加速度小于安全阈值加速度，则根据所述火车当前状态、所述火车的行驶状态和所述火车驱动模型得到火车控制权切换状态阈值，根据所述火车控制权切换状态阈值进行控制权切换。

优选的，所述火车最大牵引力模型为：

其中，fmax表示火车最大牵引力，f1表示第一牵引力，f2表示第二牵引力，v表示火车速度。

优选的，所述火车阻力模型还包括：火车附加阻力模型；所述火车附加阻力模型包括坡道阻力；

所述坡道阻力公式为：

wi＝i×10

其中，wi表示坡道阻力，i表示坡度。

优选的，所述火车附加阻力模型还包括曲线阻力；

所述曲线阻力公式为：

当火车长度小于或者等于曲线长度时：wr＝600/r；

当火车长度大于曲线长度时：wr＝600×s/(r×l)；

其中，wr表示曲线阻力，r表示为曲线半径，s表示曲线长度，l为火车的长度。

优选的，所述火车制动力模型包括最大电制动力；

所述最大电制动力公式为：

其中，bmax表示最大电制动力，b1表示第一制动力，b2表示第二制动力，b3表示第三制动力。

优选的，所述火车制动力模型还包括制动单位制动力；

所述制动单位制动力公式为：

bc＝1000φhθhβc

其中，bc表示制动单位制动力，φh表示换算摩擦因数，θh表示换算制动率，βc表示制动系数。

优选的，所述根据所述火车控制权切换状态阈值进行控制权切换，包括：

所述火车控制权切换状态阈值包括平坡状态切换阈值、下坡状态切换阈值和上坡状态切换阈值；

当发动机运转状态为平坡运行状态时，火车根据所述平坡状态切换阈值进行控制权切换；所述平坡状态切换阈值为：

其中，finit表示火车牵引力切换值，fcurr表示火车当前速度下的火车牵引力，binit表示火车电制动力切换值，bcurr表示火车当前速度下的电制动力，binit表示制动单位制动力切换值，bcurr表示火车当前速度下的制动单位制动力；

当发动机运转状态为下坡运行状态时，火车根据所述下坡状态切换阈值进行控制权切换；

所述下坡状态切换阈值为：

其中，b0表示火车理想的电制动力，max(b0,bcurr)表示取b0和bcurr之间的最大值；

b0＝fcurr-fw-m0×a，

其中，fw为火车单位阻力，fw＝w0 w1 w2 wi wr，m0表示火车质量系数，a表示火车加速度；

当发动机运转状态为上坡运行状态时，火车根据所述上坡状态切换阈值进行控制权切换；

所述上坡状态切换阈值为：

其中，f0表示火车理想的牵引力f0＝fw m0×a，min(f0,fcurr)表示取f0和fcurr之间的最小值。

优选的，所述切换过程加速度为：

alim＝(vlki-v)/tkz

其中，alim表示切换过程加速度，vlkj为火车防护曲线速度，tkz表示空走时间。

本发明提供的一种用于人机共驾控制权切换方法的有益效果在于：与现有技术相比，本发明一种用于人机共驾控制权切换方法，综合考虑了火车最大牵引力、火车阻力和火车制动力的影响，并且由此建立了火车驱动模型，同时根据火车驱动模型、火车的行驶状态以及火车当前状态得到火车控制权切换状态阈值，根据火车控制权切换状态阈值切换火车的控制权，本发明考虑了多方面因素对火车运转情况的影响，使火车的控制权在切换过程形成了多重保障，确保人工的介入操作得到及时响应，也可以防止误触发等突发情况带来的不良后果，保证制动优先，兼顾火车在动态运行中切换的平稳性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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。

图1为本发明实施例提供的一种用于人机共驾控制权切换方法流程图；

图2为本发明实施例提供的一种用于人机共驾控制权切换方法原理图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请一并参阅图1-2，现对本发明提供的一种用于人机共驾控制权切换方法进行说明。一种用于人机共驾控制权切换方法，包括：

s1：根据火车运动过程建立火车驱动模型；火车驱动模型包括火车最大牵引力模型、火车阻力模型和火车制动力模型；

火车牵引力是驱动火车前行的动力，由其机车本身的特性决定牵引力能够发挥的最大值。牵引力的输出不仅和火车上司控器的调控有关，还受速度的影响。当火车速度提高时，机车牵引力反而减小,其火车最大牵引力模型如下：

火车最大牵引力模型为：

其中，fmax表示火车最大牵引力，f1表示第一牵引力，f2表示第二牵引力，v表示火车速度，其单位为km/h。火车的最大牵引力主要由火车发动机的功率决定，其火车在低速运行时，第一牵引力f1＝760kn为火车发动机以最大功率运行时火车的最大牵引力大小，当火车速度提高时，其火车的最大牵引力会变小，其火车最大牵引力模型是通过采集火车在0-120km/h时，火车在相应速度的牵引力大小，利用卷积神经网络进行训练得到运算规律的。在本发明实施例中，f1＝760kn，f2＝34560kn。

具体的，首先采集各个火车车型行驶速度在0-120km/h时，火车在相应速度下的最大牵引力的大小构成样本集，然后将样本集按照9:1的比例分为训练集和测试集，采用训练集训练深度学习模型，其中深度学习模型是通过采集各个火车车型行驶速度在0-120km/h时的火车运动视频图像为输入，以第一牵引力和第二牵引力的输出大小为输出进行训练的；最后通过测试集对深度学习模型的损失函数进行调节，即可得到各个车型在不同速度下第一牵引力和第二牵引力的大小。其中深度学习模型采用的是深度卷积神经网络，其网络的连接顺序依次为输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第一全连接层、第二全连接层、输出层。

将火车运动视频图像作为输入层，其输入图像的大小为227x227，通道数是3，图像数据的大小为227x227×3。对于输入层采用卷积核大小为3×3，过滤器数为20，卷积步长为1，卷积填充为1进行卷积操作，得到第一卷积层，并输出卷积后的尺寸是96x55x55的特征向量；第一卷积层经过激活函数relu处理之后，作为第一最大池化层的输入，采用池化核的大小为2×2，滤波器数为20，池化步长为2进行降采样处理，得到第一最大池化层，其输出为13x13x256的特征向量。接下来第二次卷积层采用卷积核大小为5×5，过滤器数为20，卷积步长为2，卷积填充为1进行卷积操作，输出为13x13x384的特征向量、采用池化核的大小为2×2，滤波器数为10，池化步长为2进行降采样处理，输出为6x6x256的特征向量，第三次的卷积与池化操作按照第一次卷积与池化的操作步骤，得到第三卷积层，其输出为12x12x384的特征向量；第三最大池化层其输出为6x6x256的特征向量。总共经过三次卷积和池化操作之后，依次连接第一全连接层、relu层、dropout层和第二全连接层。第一全连接层的输入为6x6x256特征向量，输出为4096个训练结果数据；relu层和dropout层的输入输出保持不变为4096特征向量，第二全连接层的输入为4096特征向量，输出为256个训练结果数据。最后，经过softmax层进行数据归一化之后，输出第一牵引力和第二牵引力的大小。

火车受到包括机车重力、车辆重力、车辆的长度尺寸、轴承类型和轮轨所处的状态等影响时，其作用在轨道上的阻力会处于实时变化状态。

火车阻力模型包括：火车基本阻力模型和火车附加阻力模型；火车基本阻力模型包括机车基本阻力、车辆基本阻力和修正空气阻力；

机车基本阻力公式为：

w0＝a0 b0v c0v²

其中，w0表示机车基本阻力，a0表示机车基本阻力第一系数，b0表示机车基本阻力第二系数，c0表示机车基本阻力第三系数；其中，机车基本阻力第一系数、机车基本阻力第二系数以及机车基本阻力第三系数是根据车在运行时，车轴颈与轴承之间的摩擦、车轮与轨面间的滚动摩擦、车辆与刚轨间的滑动摩擦、车运行时冲击和振动以及空气阻力决定的。

车辆基本阻力公式为：

w1＝a1 b1v c1v²

其中，w1表示车辆基本阻力，a1表示车辆基本阻力第一系数，b1表示车辆基本阻力第二系数，c1表示车辆基本阻力第三系数；其中，车辆基本阻力第一系数、车辆基本阻力第二系数以及车辆基本阻力第三系数，也是根据车在运行时，车轴颈与轴承之间的摩擦、车轮与轨面间的滚动摩擦、车辆与刚轨间的滑动摩擦、车运行时冲击和振动以及空气阻力决定的，其阻力系数的值通常可以在《列车牵引力计算规程》中进行查阅得到。

修正空气阻力公式为：

w2＝tρcdaf(v vwind)²

其中，w2表示修正空气阻力，t表示修正空气阻力系数，ρ表示空气密度，cd表示空气阻力系数，af表示迎风面积，vwind表示风速，虽然机车基本阻力和车辆基本阻力中包含了空气阻力对火车的影响，但是并未考虑风速对火车的影响，本发明通过利用空气阻力公式来引入风速对火车的影响，可以提高火车在高风速行驶时，进行控制权切换的安全性能。

火车附加阻力模型包括坡道阻力和曲线阻力；

坡道阻力公式为：

wi＝i×10

其中，wi表示坡道阻力，单位为n/kn，i表示坡度，其中，坡度的阻力公式为i＝h/s*100％，h为高程差，s为路程；

曲线阻力公式为：

当火车长度小于或者等于曲线长度时：wr＝600/r；

当火车长度大于曲线长度时：wr＝600×s/(r×l)；

其中，wr表示曲线阻力，单位为n/kn，r表示为曲线半径，单位为m，s表示曲线长度，l为火车的长度。

如果有n个曲线均在火车长度内，则应把n个曲线的曲线阻力分别相加得到：

wr＝600/l(s1/r1 s2/r2 λ sn/rn)。

列车制动力主要有电制动和空气制动2种，电制动主要用于微速调整，空气制动主要用于列车减速控速和停车。

火车制动力模型包括最大电制动力和制动单位制动力；

火车的电制动主要用于微速调整，其最大电制动力公式为：

其中，bmax表示最大电制动力，b1表示第一制动力，b2表示第二制动力，b3表示第三制动力；在本发明中b1的值为230kn，b2的值为461kn，b3的值为34560kn。火车的电制动一般为电磁轨道制动，电磁轨道制动是装在转向架的制动电磁铁，通电励磁后，吸在钢轨上，通过磨耗板与轨面摩擦产生摩擦制动力，其电制动的大小主要由火车发动机提供的功率以及磨耗板与轨面摩擦产生的摩擦力决定的。

在实际应用中，首先采集各个火车车型行驶速度在0-120km/h时，火车在相应速度下的最大电制动力的大小构成样本集，然后将样本集按照9:1的比例分为训练集和测试集，采用训练集训练深度学习模型，其中深度学习模型是以各个火车车型行驶速度在0-120km/h时，火车运动视频图像为输入的。以第一制动力、第二制动力和第三制动力的输出大小为输出进行训练的；最后通过测试集对深度学习模型的损失函数进行调节，即可得到各个车型在不同速度下第一制动力、第二制动力和第三制动力的大小。其中深度学习模型采用的是深度卷积神经网络，其网络的连接顺序依次为输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一全连接层、第二全连接层、输出层。

将火车运动视频图像作为输入层，其输入图像的大小为220×220，通道数是3，图像数据的大小为220×220×3。经过第一卷积层进行操作后得到95x50x50的特征向量，其中第一卷积层采用的卷积核大小为5×5，卷积步长为2。经过第一最大池化层进行操作后得到12x12x256的特征向量，其中第一最大池化层的池化核的大小为3×3，池化步长为2，经过第二卷积层进行操作后得到13x13x256的特征向量，其中第二卷积层采用的卷积核大小为3×3，卷积步长为1。经过第二最大池化层进行操作后得到8x8x256的特征向量，其中第二最大池化层的池化核的大小为3×3，池化步长为1，第一全连接层的输入为8x8x256特征向量，输出为8192个训练结果数据；relu层和dropout层的输入输出保持不变为8192特征向量，第二全连接层的输入为8192特征向量，输出为2048个训练结果数据。最后，经过softmax层进行数据归一化之后，输出第一制动力、第二制动力和第三制动力的大小。

制动单位制动力公式为：

bc＝1000φhθhβc

其中，bc表示制动单位制动力，φh表示换算摩擦因数，θh表示换算制动率，βc表示制动系数。在同一辆火车上，车辆上可能采用不同材料的闸瓦或闸片，它们具有不同的换算摩擦因数，各种车辆闸瓦压力不同，摩擦因数随闸瓦压力、材质和行车速度而变，为简化计算，通常用换算闸瓦压力和换算摩擦系数来计算，全火车换算闸瓦总压力即为火车车辆上每个闸瓦换算压力值的总和。

s2：获取火车的行驶状态和火车当前状态；火车的行驶状态包括发动机未运转状态和发动机运转状态；在实际应用中，通过火车自带的火车运行监控装置直接可以获取火车的行驶状态和当前状态，例如火车的当前速度、火车的当前牵引力的大小以及火车发动机运转情况等信息。

s3：当火车的行驶状态为发动机未运转状态，则火车任意进行控制权切换；

s4：当火车的行驶状态为发动机运转状态，则判断火车当前状态是否为制动工况，生成第一判断结果；

s5：若第一判断结果为火车当前状态为制动工况，则不进行控制权切换；

s6：若第一判断结果为火车当前状态不为制动工况，则判断火车切换过程加速度是否大于安全阈值加速度，生成第二判断结果；切换过程加速度公式为：

alim＝(vlki-v)/tkz

其中，alim表示切换过程加速度，vlkj为火车防护曲线速度，tkz表示空走时间。本发明通过判断切换过程加速度是否大于安全阈值加速度可以使火车在进行控制权切换时不碰撞火车防护曲线，使乘客更加平稳的乘坐火车。

s7：若第二判断结果为切换过程加速度大于安全阈值加速度，则火车不进行控制权切换；

s8：若第二判断结果为切换过程加速度小于安全阈值加速度，则根据火车当前状态、火车的行驶状态和火车驱动模型得到火车控制权切换状态阈值，根据火车控制权切换状态阈值进行控制权切换。

具体的，根据火车控制权切换状态阈值进行控制权切换，包括：

火车控制权切换状态阈值包括平坡状态切换阈值、下坡状态切换阈值和上坡状态切换阈值；

当发动机运转状态为平坡运行状态时，火车根据平坡状态切换阈值进行控制权切换；平坡状态切换阈值为：

其中，finit表示火车牵引力切换值，fcurr表示火车当前速度下的火车牵引力，0≤fcurr<fmax，binit表示火车电制动力切换值，bcurr表示火车当前速度下的电制动力，0≤bcurr<bmax，binit表示制动单位制动力切换值，bcurr表示火车当前速度下的制动单位制动力；火车在平坡运行时，由于火车速度平稳可控，因此可直接进行控制权切换。

当发动机运转状态为下坡运行状态时，火车根据下坡状态切换阈值进行控制权切换；

下坡状态切换阈值为：

其中，b0表示火车理想的电制动力，max(b0,bcurr)表示取b0和bcurr之间的最大值；

b0＝fcurr-fw-m0×a，

其中，fw为火车单位阻力，fw＝w0 w1 w2 wi wr，m0表示火车质量系数，a表示火车加速度；

火车电制动的切换阈值为火车当前速度下的电制动力和火车理想的电制动力得到二者中最大值，这样既能保证切换过后不碰撞火车防护曲线，同时又能以最小的火车状态改变量切换，减少切换过程中火车的冲动。

当发动机运转状态为上坡运行状态时，火车根据上坡状态切换阈值进行控制权切换；

上坡状态切换阈值为：

其中，f0表示火车理想的牵引力f0＝fw m0×a，min(f0,fcurr)表示取f0和fcurr之间的最小值。

其中，牵引力切换阈值取f0和fcurr之间的最小值，可以使火车以最小的火车状态改变量切换，减少切换过程中火车的摇晃。

本发明提供的一种用于人机共驾控制权切换方法，综合考虑了火车最大牵引力、火车阻力和火车制动力的影响，并且由此建立了火车驱动模型，同时根据火车驱动模型、火车的行驶状态以及火车当前状态得到火车控制权切换状态阈值，根据火车控制权切换状态阈值切换火车的控制权，本发明考虑了多方面因素对火车运转情况的影响，使火车的控制权在切换过程形成了多重保障，确保人工的介入操作得到及时响应，也可以防止误触发等突发情况带来的不良后果，保证制动优先，兼顾火车在动态运行中切换的平稳性。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。