一种用于高速列车群控制的混合模型预测控制与驾驶风格识别方法

《Control Engineering Practice》：A hybrid model predictive control and driving style recognition approach for high-speed train group control

　　摘要
高速列车的编组运行能够显著缩短列车追踪间隔并提升运输能力。本文提出了一种混合控制方法，将基于高斯混合模型（GMM）的驾驶风格识别与模型预测控制（MPC）相结合，以提高高速列车编组控制的灵活性与适应性。首先，利用GMM和最大信息系数（MIC）构建驾驶风格分类识别方法，获取不同驾驶风格对应的控制器参数，从而更精细地设计MPC系统。其次，提出了一种新的MPC-DS算法，并针对不同驾驶模式和风格，在仿真环境及实际线路中设计了领车车组与跟车车组的最佳控制器。实验结果表明，与传统仅采用固定参数设置的MPC模型相比，结合驾驶风格的MPC-DS模型能够更好地适应不同驾驶场景的需求，实现更高的控制性能与精度，平均而言可降低47.81%的均方根误差和53.73%的平均绝对误差。

引言
作为高速铁路系统的“大脑”与中枢神经系统，列车控制系统（TCS）在保障列车安全、高效运行方面起着至关重要的作用。目前，高速铁路常用的列车控制系统包括中国列车控制系统CTCS-3、CTCS-2、欧洲列车控制系统ETCS、自动列车控制ATC以及其他固定闭塞控制方式（Zhang等人，2023）。为满足日益增长的旅客运输需求，高速铁路的列车运行密度持续上升，现有的运行间隔已接近系统设计极限（Meo等人，2020）。固定闭塞控制技术难以进一步满足提升运营效率的需求。在此背景下，现有网络中的高速列车编组运行成为减少列车运行间隔、提升系统容量的重要技术手段，也是国内外铁路发展的核心关键（Stickel、Schenker、Dittus等人，2022；Su、She、Wang、Gong、Zhou，2023；Feng等人，2025）。如图1所示，列车编组内的列车通过车对车通信以虚拟方式相连，而非依赖机械连接器（Zhang等人，2024c）。为满足安全、舒适、高效等多重服务要求，虚拟耦合列车系统（VCTS）的协同控制算法需同时兼顾多个优化目标，并具备出色的计算效率（Li、Gao、Wang，2024b；Xun、Li、Liu，2022）。因此，如何设计实时控制算法以合理解决多目标间的冲突，是VCTS协同控制面临的挑战。多年来，已有许多关于高速列车控制系统协同控制的探索性研究（Xun等人，2022）。其中，模型预测控制（MPC）算法能够处理多重约束之间的矛盾，在某些多目标控制问题中具有独特优势（Aoun、Quaglietta、Goverde，2020；Liu、Dabiri、Wang、Xun、Schutter，2024；Wu、Ge、Han、Liu，2023）。尽管众多研究显著提升了MPC控制系统的性能，增强了控制精度与稳定性，但目前大多数列车控制系统仍仅使用一组固定值的参数。然而，固定参数可能无法满足各种复杂场景下的驾驶风格与驾驶模式需求（如极度保守或激进驾驶状态）。因此，亟需进一步提升列车编组中MPC的灵活性与适应性。现有的研究与仿真通常假设领车列车具有确定性的单一行为特征，这简化了列车行为与间距控制的复杂性。尽管铁路运营经过精心规划以遵循列车时刻表，但由于驾驶环境及驾驶员习惯或技能的影响，不同驾驶员的驾驶轨迹仍存在显著差异，这就要求后续列车能够灵活调整自身行为与间距。中国铁路网络具有线路条件复杂的特点，包括总里程长、车站间距大、陡坡多以及隧道分布广等。这些因素导致即使在同一线路、同一时间段内，列车运行轨迹也存在较大差异，运行特性依然表现出明显的异质性。这就要求后续列车能够灵活调整行为与间距，同时也需要列车编组具备应对复杂运输环境与动态条件的能力。因此，MPC系统需要更精细的设计，以便识别不同的驾驶场景或驾驶员风格，并根据识别结果对处于不同驾驶状态的列车进行控制。一些研究者探索了汽车跟车系统中识别驾驶风格的方法（Gao、Cai、Qu、Hu、Chen，2020；Wu、Ngoduy、He、Zou、Sun，2025；Zhang等人，2024b）。然而，高速铁路列车的驾驶特性与汽车有很大不同，相关方法与成果无法直接应用于高速列车编组的分析与参考。对于高速铁路列车编组跟踪控制而言，如何设计控制系统以适应不同的驾驶模式与风格，同时满足跟随性、舒适性与精准性的要求，为不同驾驶模式与风格的高速铁路列车自动驾驶系统提供更好的驾驶体验，仍是需要进一步研究的课题。鉴于模型预测控制（MPC）能够在预测时域内通过最小化成本函数来解决受约束的多目标优化问题（Chen和Allg?wer，1998），它非常适合用于解决具有多样化控制系统与控制目标的列车编组的控制问题。因此，本文提出了一种基于MPC的列车编组创新混合控制方法，该方法综合考虑了列车跟随性、系统舒适性及控制精度等因素。此外，该系统还能初步识别当前列车的驾驶风格，并通过GMM与MIC主动切换至相应的驾驶模式，以匹配不同驾驶员的风格与偏好。

本文的贡献如下：
（1）提出了一种将基于高斯混合模型（GMM）的驾驶风格识别与模型预测控制（MPC）相结合的混合控制方法，以提高高速列车编组控制的灵活性与适应性。与仅关注单列车场景或直接采用传统MPC进行列车编组控制且未考虑驾驶风格差异的现有研究不同，本研究将列车的驾驶风格特征与MPC控制器的参数优化深入结合，进一步提升了列车编组的控制精度、灵活性与适应性，同时减少了列车间的追踪距离。
（2）采用GMM与MIC构建驾驶风格分类识别方法，获取不同驾驶风格对应的控制器参数，从而使MPC系统能够更精细地设计。随后提出了新的MPC-DS算法，并针对不同驾驶模式与风格设计了领车车组与跟车车组的最佳控制器。
（3）在仿真环境及实际线路中开展了实验。结果表明，与传统MPC控制方法相比，所提出的方法能够实现对多种场景与模式的自适应控制，在V2V模式的三种驾驶风格下均展现出更优的控制性能与更高精度。

本文结构如下：第2节分别介绍和总结基于MPC的高速列车编组控制方法以及高速铁路列车驾驶风格识别方面的现有研究成果。第3节阐述研究框架、实验方法，同时讨论高速列车的驾驶风格识别方法与分类器。第4节介绍列车动力学模型的基本设计方法。第5节详细阐述基于MPC与DS的所提控制方法的模型与算法。第6节通过多项仿真实验，对比所提方法与其他常见MPC方法的性能。

高速列车编组控制方法概述
高速列车编组控制技术主要运用人工势场、模型预测控制、滑模控制、容错控制、CBFs以及协同控制等方法（Wu等人，2023）。近年来，模型预测控制（MPC）已成为虚拟耦合列车控制技术中最广泛应用的研究方法之一（Liu等人，2024）。由于具备强大的预测能力，MPC在建模方面具有显著优势。

高速列车的驾驶风格识别与分类器
本研究提出的方法框架如图2所示。该算法分为三层：列车轨迹数据处理层、驾驶特征提取层以及个性化列车编组控制层。系统结构与功能细节如图2所示。列车轨迹数据处理层主要通过分析历史轨迹与驾驶数据，利用GMM无监督算法实现驾驶风格识别。

列车动力学模型
列车动力学模型是协同列车控制的基础。它可以基于牛顿力学方程建立，如Wang和Rakha（2018）所述：
s˙i(t)=vi(t)
v˙i(t)=ui(t)?uo(t)
其中，i表示虚拟编组中的第i辆列车；si(t)和vi(t)分别为t时刻第i辆列车的位置与速度；u(t)为该列车受控加速度，uo(t)为列车因轨道及外部环境而产生的单位质量外力。通常还包括……

最优列车控制问题描述
本文假设在列车编组运行过程中，领车车辆与跟车车辆之间存在通信链路，领车车辆可随时向跟车车辆传递其速度vl与位置sl等信息，如图7所示。每辆列车均以速度vi在距前车di?1,i的距离处行驶。列车间距可通过公式（20）计算：
d=sl?sf?L
其中L为单辆列车的长度。我们假设每辆列车均……

测试环境
本节通过多项仿真结果来验证所提控制系统的有效性。在我们的研究中，我们利用来自铁路的实际列车运行数据对所提出的混合模型进行了训练与标定。这些数据由京沈高铁线的列车ATP（自动列车防护）设备以100毫秒的采样间隔记录下来。用于模拟列车运行场景的半物理平台及列车运行路线图如图8所示。

结论
本研究提出了一种考虑驾驶风格识别的多场景控制方法，用于高速铁路列车编组控制。其目标是实现适用于不同驾驶场景与驾驶特性的列车编组控制，并提升控制精度。首先，通过分析实际高速列车跟踪运行过程中的驾驶数据，提出了一种基于GMM与MIC的个性化驾驶风格分类识别方法，该方法能够……

作者贡献声明
Wanqi Tian：写作——审稿与编辑、写作——初稿撰写、验证、方法论、研究、形式分析、数据整理、概念构思。Bing Bu：监督、资金筹集。Jidong Lv：写作——审稿与编辑。Kaicheng Li：资源提供。

利益冲突声明
作者声明不存在任何可能影响本文工作的已知财务利益或个人关系。

Wanqi Tian | Bing Bu | Jidong Lv | Kaicheng Li
中国北京交通大学自动化与智能学院，铁路运输运行控制系统国家工程研究中心