虚拟耦合列车运行的实时运动规划:一种基于学习的组合优化方法

《Engineering Applications of Artificial Intelligence》:Real-time motion planning for virtual coupling train operations: A learning-based combinatorial optimization method

【字体: 大 中 小 】 时间:2026年07月08日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

  陈海丽|李书凯|张一文|杨立兴中国北京交通大学系统科学学院,北京100044 摘要 随着对灵活列车编组需求的增加,虚拟耦合概念被认为是一项具有前景的技术。虚拟耦合运动规划问题既涉及特定运行状态下的轨迹优化,也涉及多状态转换决策。为描述由多个运行状态构成的整个虚拟耦合过程,我们提

  陈海丽|李书凯|张一文|杨立兴中国北京交通大学系统科学学院,北京100044

摘要
随着对灵活列车编组需求的增加,虚拟耦合概念被认为是一项具有前景的技术。虚拟耦合运动规划问题既涉及特定运行状态下的轨迹优化,也涉及多状态转换决策。为描述由多个运行状态构成的整个虚拟耦合过程,我们提出了一种混合整数非线性规划模型,以实现不同运行状态之间的转换。为加快优化速度,从而实时生成虚拟耦合列车的运行轨迹,我们设计了一种基于学习的组合优化方法,该方法结合了离线深度学习与在线优化流程。我们创新地将运行机制与神经网络预测相结合,以确定0-1变量的值,显著提高了这些值的可靠性。随后,我们利用序列二次规划算法求解带有固定0-1变量的非线性规划问题。在模型预测控制框架下,我们的方法通过滚动时域优化策略动态生成最优轨迹。此外,我们还提出了一个新的优化问题,以解决因0-1变量预测错误而产生的不可行性问题,确保虚拟耦合列车在保持安全运行的同时实现高效耦合与解耦。通过数值实验,我们评估了所提运动规划方法的有效性与鲁棒性。实验结果表明,该方法能够实现快速、平稳的耦合与解耦过程,同时保障运行安全。

引言
铁路被视为一种绿色交通系统,在缓解许多大都市地区的乘客拥堵问题中发挥着重要作用。然而,早晚高峰期间乘客需求的增加,促使人们需要开发更先进的灵活列车编组技术。基于车对车通信和先进控制技术,虚拟耦合概念被提出,旨在提升线路容量及列车编组的灵活性。同一编组中的虚拟耦合列车通过车对车通信相互连接,同时仍保持类似机械耦合的较短距离间隔。在实际运营中,列车的耦合与解耦操作涉及复杂的动力学特性,相邻列车间的短距离间隔会带来显著的安全隐患。

作为固定闭塞系统的一种改进,移动闭塞系统被广泛应用于大多数列车控制系统中。Aoun等人(2020)通过评估其对铁路容量的影响,研究了虚拟耦合技术的发展潜力。与此同时,虚拟耦合技术也面临着诸多挑战。Wu等人(2023)指出了在开发虚拟耦合系统过程中可能出现的 Technical difficulties。在一个虚拟耦合编组中,列车被分为领头列车和多辆跟随列车。领头列车是指编组中的第一辆列车,而其余列车则视为跟随列车。根据相对制动原理,编组内的跟随列车会根据车对车通信获取的状态信息,与前方列车保持一定的安全距离。考虑到两辆相邻列车的制动性能,相对制动距离被定义为使跟随列车达到与前方列车相同速度所需的距离(Goikoetxea,2016)。轨道上会有多个编组同时运行,每个编组的领头列车只需与其前一个编组的最后一辆列车保持安全距离即可。为确保运行安全,领头列车会采用绝对制动距离进行制动。绝对制动距离是指列车从当前速度完全停止所需的距离。基于这两种制动模式,Quaglietta等人(2020)明确了虚拟耦合列车在不同运行状态下的驾驶策略。具体的运行状态被正式定义为五种状态:“ETCS三级运行”、“耦合”、“耦合运行”、“非故意解耦”以及“故意解耦”,并且明确了这些状态之间的转换过程。鉴于虚拟耦合列车运行中耦合与解耦过程的复杂性以及相邻列车间的短距离间隔,St?nder等人(2006)提出了一种针对虚拟耦合列车运行的安全分析方法。由于存在重大的安全考量,尤其是在虚拟耦合操作过程中的碰撞风险,人们开发了多种建模方法,以在保证严格安全要求的同时优化运行效率(Felez等人,2019;Quaglietta等人,2022;Zhang等人,2023;Zhang等人,2024)。在轨道交通系统中对虚拟耦合列车运行的日益研究,反映了这一新兴技术的巨大潜力。不过,大多数研究都集中在特定运行状态下的列车操作,对于状态转换期间的效率优化则关注较少。

随着虚拟耦合技术的发展,人们在虚拟耦合列车系统的运行控制与运动规划领域开展了大量研究。Felez等人(2019)通过为虚拟耦合编组中的领头列车和跟随列车构建非线性规划问题,提出了一种分层框架。为实现对所有虚拟耦合列车的实时控制,他们开发了一种分散式模型预测控制方法,即每个本地控制器分别对所构建的非线性规划问题进行数值求解。考虑到执行器故障和安全约束带来的挑战,Liu和Hou(2020)为地铁列车设计了一种分布式学习控制方案,该方案结合了神经网络近似与基于能量函数的稳定性证明。关于虚拟耦合列车编组的合并与分离问题,Park等人(2020)提出了一种间隙参考生成方案,并进一步设计了基于滑模控制的稳健间隙控制器。针对具有保护约束的自动列车跟踪问题,Gao等人(2020)提出了一种模糊自适应控制方法,该方法通过坐标变换将约束条件转化为预定性能问题,并建立了严格的均匀最终有界稳定性,从而在安全限制条件下有效提升了跟踪精度。Liu等人(2021)首次构建了一个状态空间模型来描述虚拟耦合列车的动力学特性,并建立了最优控制问题。随后,他们又基于庞特里亚金最大值原理设计了一种解析解框架,用于解决该控制问题。针对虚拟耦合列车复杂的运行过程,Su等人(2022)将协作控制模型构建为马尔可夫决策过程,并创新性地提出了基于深度Q网络算法的避碰控制方法,该方法在确保列车安全的同时提升了运行效率。考虑到相对制动原理所带来的不确定阻力和非线性安全约束,Luo等人(2023)提出了一种稳健的模型预测控制方法,用于优化虚拟耦合列车运行。为实现列车车队的弹性虚拟耦合,Ge等人(2023)提出了一种分布式间距控制方法,该方法能够在网络攻击导致的车对车通信间歇性中断情况下保持系统稳定性,同时兼顾交通效率与安全需求。针对列车速度轨迹的复杂优化问题,Havaei和Sandidzadeh(2023)引入了一种新的“意识搜索”算法。其两阶段搜索结构能有效平衡全局搜索与局部搜索,仿真结果表明,该算法的性能远远优于其他先进算法。为实现实时耦合控制,Luo等人(2024)通过一个计算效率较高的二次规划问题对虚拟耦合列车运行进行了建模,然后采用分布式模型预测控制方法对该问题进行求解。Basile等人(2024)基于深度确定性策略梯度控制策略设计了一种控制器,该控制器能够自主适应不同的列车运行情况。为提升列车运行的安全性与密度,Lin等人(2024)引入了一种用于区间控制的稳健强化学习框架,仿真结果显示,该框架在安全性与效率方面表现优异。为克服列车控制中线性近似方法的局限性,Ye等人(2024)引入了一种迭代学习框架,该框架利用数字孪生技术与模型预测,实现了虚拟耦合列车的自适应控制策略优化。Ji等人(2025)提出了一种创新的列车控制框架,该框架引入了动态安全裕度,以确保在虚拟耦合系统中实现稳健的避碰功能,能够在紧急情况下弥补不同列车及轨道条件带来的性能差异,同时保障运行安全。Tian等人(2025)通过整合虚拟耦合控制策略、运行模式与相关要求,开发了四种针对不同列车运行需求的专业化编组控制模式。目前,关于虚拟耦合列车控制方法与运动规划的大多数研究都集中在运行安全、效率及实时性能方面,而对于耦合与解耦过程中的优化与控制问题则关注不足。因此,虚拟耦合系统面临的主要挑战在于,在确保运行安全与实现无缝编组状态转换的同时,进一步提升多编组运行时的操作灵活性。

实时列车控制与运动规划问题带来了巨大的计算挑战,尤其是当需要考虑较长的预测时间范围时。此外,耦合与解耦过程的问题可以表述为混合整数规划问题,由于其中涉及0-1变量,这类问题的求解难度较大。近年来,机器学习技术已被广泛应用于各个领域的复杂预测、分类与决策任务中(Hamid等人,2025;Hussin等人,2025;Aripov等人,2025)。模糊数学建模也被用于语言分析领域(Yogeesh等人,2025),而深度迁移学习与集成学习方法则被应用于各种复杂任务中(Abd El-Hady等人,2022)。这些研究充分体现了数据驱动方法在建模复杂非线性关系以及提升计算决策性能方面的强大能力。为提高实时决策的计算效率,许多研究有效地将离线机器学习技术与在线优化方法相结合。Xi等人(2020)提出了一种基于学习的方法,该方法将用于生成最优轨迹的混合整数二次规划与用于快速决策车道变化的层次化深度学习相结合。虽然传统的基于采样的方法缺乏最优性保证,而基于优化的方法则存在较高的计算复杂度,但所提出的框架通过使用由混合整数二次规划生成的轨迹作为训练数据,借助层次化学习模型实现了高效且最优的车道变化规划。基于数据驱动方法,Cauligi等人(2021)提出了一种称为“组合离线、凸形在线”(CoCo)的两阶段方法。该框架通过结合离线神经网络训练与基于预测的候选离散解的在线优化,加快了混合整数凸规划问题的求解速度,从而能够快速得出高质量解决方案。Srinivasan等人(2021)则利用机器学习与混合整数规划技术,通过训练神经网络来预测轨迹并确定大部分整数变量,从而显著降低了混合整数规划的复杂度。考虑到离线深度学习与在线预测策略,Russo等人(2023)提出了一种深度学习框架,用于解决多参数混合整数线性规划问题。Reiter等人(2024)通过构建混合整数二次规划问题来描述车辆的决策与运动规划过程,并设计了CoCo框架的改进版本,利用深度学习加速混合整数二次规划问题的求解。Soman等人(2025)通过在模拟的真实交通数据上训练分类器,开发了一种基于学习的随机模型预测控制方法,用于解决无信号控制交叉口的问题。为克服列车控制与运动规划问题中的计算难题,近期的一些研究逐渐采用了混合方法,即将数据驱动的机器学习方法与传统优化技术相结合。

总之,虚拟耦合列车的实时运动规划问题涉及复杂的耦合与解耦过程,因此需要更高效的实时解决方法,以便处理模型中复杂的状态转换。目前,关于虚拟耦合系统的大多数研究都集中在特定状态下的运行问题,对于运行状态转换期间的优化则考虑不足。本文通过为特定运行状态制定相应的目标与约束,并利用0-1变量来管理状态转换,填补了这一研究空白。列车运行机制指的是虚拟耦合列车的基于规则的状态识别逻辑。运行状态主要取决于列车的位置、列车间的距离以及预定的用于耦合与解耦的位置/距离阈值。由于存在非线性约束与非线性目标,该问题被表述为混合整数非线性规划问题。为实现实时求解,我们在模型预测控制框架下设计了一种基于学习的组合优化方法,该方法简化了问题求解过程并提高了求解速度。所提出的方法能够在战术层面为多状态转换生成参考速度轨迹,这些轨迹可传递给更低级别的列车控制模块,用于轨迹跟踪与实际执行。本文的主要贡献如下:(1) 与现有文献不同,后者主要关注特定运行状态下多列虚拟耦合列车编组的控制与运动规划问题,而本文则研究包含多种运行状态的耦合与解耦过程中的实时列车运动规划问题。具体而言,为不同的运行状态设计了不同的目标函数和约束条件。通过引入0–1变量来控制与特定状态相关的目标函数和约束条件,从而实现状态转换。为提升整个过程的运行效率,我们构建了一个多目标优化问题,旨在同时最小化能耗并最大化运行速度。为保持编组完整性并实现平稳的耦合/解耦操作,我们设计了与速度差和距离间隔相关的跟踪与分离目标函数。(2) 为解决虚拟耦合列车的实时运动规划问题,我们提出了一种基于学习的组合优化方法,该方法结合了离线深度学习与在线优化技术。在离线阶段,通过求解具有随机参数值的多个MINLP问题样本来生成训练数据集。基于这些数据,训练一种结合了门控循环单元(GRU)和Transformer的神经网络,用于预测0–1变量,从而降低后续在线优化过程中的计算复杂度。我们并未使用神经网络来预测所有的0–1变量值,而是采用了一种混合方法,将列车运行机制与神经网络预测相结合,使得部分变量可以直接从列车运行机制中得出,进而提高0–1变量确定的可靠性。之后,将包含已确定0–1变量的原始MINLP问题转化为NLP问题,再利用SQP算法高效求解。考虑到错误预测可能导致的不可行性,我们通过放宽模型约束来构建可行问题,该问题也可直接由SQP算法求解。与传统数值优化方法相比,这种基于学习的组合优化方法显著降低了计算时间,能够满足虚拟耦合列车的实时运行需求。本文的其余结构如下:第2节描述了包含耦合与解耦过程的实时运动规划问题,并建立了相应的数学模型;第3节在MPC框架下设计了一种组合优化方法,用于实时生成最优轨迹;第4节通过数值模拟验证了所提模型与方法的性能;最后,第5节总结了研究成果并探讨了未来研究方向。

问题建模
考虑到整个耦合与解耦过程涉及四种列车运行状态:“多编组运行”、“耦合”、“耦合运行”以及“解耦”,且状态转换顺序是固定的。列车运行过程的状态转换顺序取决于所涉及的特定运行状态。当仅进行耦合操作时,状态顺序为“多编组运行”→“耦合”→“耦合运行”;而在仅进行解耦操作的情况下……

基于学习的组合优化方法
由于运动规划问题在实时处理时面临较高的计算难度,尤其是在较长的预测范围内。为加快求解速度,我们提出了一种基于CoCo算法的组合优化方法,该方法将SQP算法与深度学习技术相结合。该框架包括离线学习阶段和在线优化阶段。在离线阶段,通过求解MINLP问题样本来生成用于训练的专家样本……

数值模拟
为验证所提模型与方法的有效性,我们在多个虚拟耦合编组上进行了系列数值实验。本节首先介绍实验实现细节,随后通过实验评估该基于学习的组合优化方法在虚拟耦合列车的耦合与解耦过程中的性能。为体现所提方法的优越性,我们还将其性能与其他方法进行了比较……

结论
针对虚拟耦合技术中的不同运行状态,本文提出了一个以快速运行以及实现平稳高效的耦合与解耦为目标的实时运动规划问题。为描述整个耦合与解耦过程,我们建立了MINLP模型。为实现对列车轨迹的实时优化,本文结合深度学习技术开发出了相应方法……

CRediT作者贡献声明
陈海丽:撰写——初稿、软件、方法论。李树凯:撰写——审阅与编辑、指导、方法论、概念设计。张艺文:撰写——审阅与编辑、方法论、概念设计。杨立兴:撰写——审阅与编辑、方法论、概念设计。

利益冲突声明
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢
本研究得到了中国中央高校基本科研业务费(编号2026JBZD002)、国家自然科学基金(编号72431002和72288101)以及中国教育部基础学科拔尖计划(编号JYB2025XDXM211)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号