★提升行業認知，成為資深讀者：點上方「軌道世界」→右上角菜單→設為星標
原文載於《機車電傳動》2023年第1期
作者：中車時代電氣 尚敬 劉勇 江帆
DOI：10.13890/j.issn.1000-128X.2023.01.001
當前軌道交通正朝著綠色、智能的方向發展，自動駕駛可進一步降低列車運行能耗，提升列車運行效率、消除不同司機操縱差異、提升列車運行一致性，是未來路網條件下列車有序協同運行的控制基礎，也是軌道交通智能化方向技術發展的典型代表。
文章分析了機車自動駕駛研究的國內外現狀和技術難點，闡述了滿足中國幹線機車運用需求的機車自動駕駛系統整體架構，設計了有人值守的機車自動駕駛方案，詳細介紹了列車運行規劃與速度控制、列車縱向動力學仿真、多傳感器融合感知、列車系統運行仿真等關鍵技術，並對機車自動駕駛技術未來的發展方向進行了思考和展望。
基於上述技術的機車自動駕駛系統已在多個鐵路局和鐵路公司裝車運用並取得顯著的應用效果。
該系統可支持不同的編組和載重，可適配不同的車型、控制系統、信號系統，具有良好的通用性和可推廣性。
0 引言
近年來，智能化技術的發展與應用逐漸成為驅動軌道交通技術裝備革新的重要手段[ 1]。
2019年9月，《交通強國建設綱要》，指出要強化前沿關鍵科技研發。
瞄準新一代信息技術、人工智能、智能制造等世界前沿科技，加強對可能引發交通產業變革的前瞻性、顛覆性技術研究。
自動駕駛依靠計算機與智能化技術在沒有人工操縱的情況下，完成列車安全、平穩、準點、節能運行，是軌道交通與人工智能、物聯網、高性能計算等智能化技術深度融合的產物，也是軌道交通智能化發展的主要技術方向。
目前自動駕駛在城軌領域已大規模商業應用，技術狀態較為成熟。
在動車領域，京張高鐵智能動車組實現了有人值守的自動駕駛。
在機車領域，存在運營線路非封閉、環境多變、機車與車輛靈活編組等特點，使得機車自動駕駛系統面臨運用場景復雜、受控對象的長度和載重靈活多變、運行環境復雜等一系列挑戰。
1 機車自動駕駛技術特點1.1 自動化等級
在軌道交通行業，城市軌道交通的自動駕駛研究起步最早。
IEC 62267根據運營人員和系統所承擔的列車運行基本功能的責任劃分，確定列車運行自動化等級《Grades of Automation，GOA》為 5 級：GOA0為目視行車，GOA1為非自動化列車運行，GOA2為半自動化列車運行，GOA3為無人駕駛列車運行，GOA4為無人幹預列車運行[ 2]。
基於GOA分級，GOA2一般也稱為有人值守的自動駕駛；GOA3/4稱為無人駕駛。
相較於城市軌道交通列車簡單封閉的運用場景和固定編組的運輸組織模式，幹線鐵路運輸組織體系十分復雜，貨物裝卸、機車車輛編組解編作業頻繁，地面作業及安全保障人員多，機車車輛裝備、地面配套系統與基礎設施保障體系不夠完善。
如果參照城市軌道交通實現無人駕駛的目標，資源投入巨大，因此以有人值守的GOA2等級自動駕駛作為目標，後續再逐步向無人駕駛方向發展的方式更加符合目前國內幹線機車的運用現狀。
1.2 國內外發展現狀
澳大利亞力拓公司開發的世界上首個機車自動駕駛系統AutoHaul經過10年研究後於2018年在西澳鐵路皮爾巴拉《Pilbara》地區的重載鐵路網上成功應用。
該系統采用安薩多爾《Ansaldo STS》的ETCS-2信號系統，自動駕駛系統ATO采用克諾爾《KNORR》研發的LEADER系統《AutoPliot》。
該自動駕駛列車由3臺內燃機車集中牽引236輛貨車車輛，載重超過2.8萬t，可實現GOA4等級的無人駕駛。
美國GE公司開發的Trip Optimizer《TO》系統在美國批量運用，累計裝車7 000餘套，但該系統在機車速度大於15 km/h時才被允許進入，當TO系統獲得控制權後，僅控制機車的牽引和電制動《不控制空氣制動系統》。
該系統以內燃機車節能、列車沖動降低作為主要技術特點。
歐洲英國、法國、德國等多個國家在幹線鐵路上進行了基於ETCS的ATO技術研究與試驗，在歐盟主導的Shift2Rail創新計劃中，其長期目標是發展GOA3/4級列車自動駕駛的幹線鐵路應用，現階段主要集中在GOA2等級的列車自動駕駛技術研究，致力於研究一種可互操作的方法，開發可擴展到不同應用場景和兼容不同廠商的ATO解決方案[ 3]。
在國內，中車株洲所研制的機車自動駕駛系統於2018年9月在西安局國產化HXD1機車上裝車，首次實現了正線『零起零停』的貨運列車自動駕駛；2019年12月在包神鐵路開行了首列具備幹線鐵路異物入侵檢測、覆蓋正線自動駕駛與站段自動調車的萬噸重載列車；2020年以來，先後在國內2條運量最大的重載專線——大秦線與朔黃線開展2萬t重載組合列車自動駕駛線路試驗，解決了重載組合列車平穩控制、循環空氣制動控制等技術難題。
盡管國內外均在開展機車自動駕駛技術的研究與應用，中國的貨車車輛使用的是自動式空氣制動系統(Pneumatic Controlled Pneumatic，PCP)，而澳大利亞、美國的貨車車輛則使用電控空氣制動系統(Electronically Controlled Pneumatic，ECP)。
ECP采用貫穿於長大列車的通信電纜而非空氣作為制動系統指令的傳輸介質，且僅通過壓縮的空氣產生制動力。
ECP制動系統可以實現全列車同步制動、緩解，形成貫穿全列車的制動力均勻分配，有效縮短列車制動的空走時間，減少列車縱向沖動和制動距離，同時可以階段緩解[ 4]。
因此采用ECP制動系統的長大列車在操縱上比采用PCP制動系統的長大列車要容易很多，同時考慮開行密度、線路條件、運行速度等因素，中國開展機車自動駕駛技術的研究與應用相比澳大利亞、美國難度更大。
1.3 與城軌/動車自動駕駛的區別
機車自動駕駛與城軌、動車自動駕駛的區別主要體現在受控對象方面，具體對比見 表1。
由 表1可知，城軌與動車具有編組短、載重小、動力分散、制動系統同步性好等特點，而機車自動駕駛則更需要聚焦長編組、大載重的大慣性系統，實現在復雜線路及非確定變量條件下的精準控制，因此機車自動駕駛的控制難度更大，且城軌、動車的自動駕駛控制方法不適用於機車。
1.4 機車自動駕駛技術難點
重載列車編組長、載重大、列車覆蓋的縱斷面多，因此受力復雜。
實現自動駕駛的高效安全運行主要存在以下難點：
①重載列車建模難度大。
1列2萬t重載組合列車由『1輛主控機車+105輛貨車+1輛從控機車+105輛貨車+1輛帶可控列尾裝置的機車』構成，列車全長2.6 km左右，整列車通常覆蓋3～4個線路縱斷面，導致整列車的線路附加阻力分佈不均勻。
主控與從控機車之間的控制指令依靠無線傳輸，貨車的制動指令依靠空氣制動波傳輸，因此在列車運行過程中可能出現主控-從控機車控制響應延時，空氣制動過程中前部與尾部車輛存在制動/緩解時間差，使得重載組合列車在運行過程中的受力十分復雜，建模難度大。
②約束條件耦合多。
重載列車開行受到線路、環境制約，隨著列車載重增大、編組輛數增多，在牽引/制動力的加/減載、特殊場景下電制動力的限制、空氣制動與電制動的協同配合、空氣制動的最低緩解速度、過分相前後的平穩操縱等方面有很多約束條件，一旦操縱不當容易出現沖動，嚴重時可能誘發中部機車渡板變形、車鉤分離、脫軌、脫線等重大安全事故。
③循環空氣制動精準操縱難。
中國貨運拖車多使用自動式空氣制動系統，其空氣制動隻能階段施加、一次緩解。
對重載列車而言，在長大下坡道區段內機車電制動的速度調節能力有限，必須與車輛空氣制動協同控制才能保障安全通過。
空氣制動系統的制動力特性與再充風時間、列車速度和閘瓦摩擦作用均有關，車輛空氣制動性能存在離散性大的問題，但循環空氣制動緩解對列車緩解地點與速度均有嚴格要求，這對重載列車在長大下坡過程中的精準操縱提出了很高的要求。
綜上所述，如何針對操縱難點保證重載列車運行的平穩性與安全性是機車自動駕駛技術研究的重點與難點。
2 機車自動駕駛系統架構與關鍵技術2.1 場景分析
結合車載系統、信號系統、地面系統及機車乘務員操縱的相關規定開展運用場景分析，為實現機車自動駕駛提供場景描述、邊界劃分、約束條件和經驗規則，從而實現控制策略與實際運用的緊密結合。
根據目前國內幹線機車運用情況及相關操縱規定，機車自動駕駛系統的運用場景應包含幹線機車調車和正線作業。
幹線機車調車是指幹線機車在段內和站場運行，其場景覆蓋機車喚醒、機車出段和正線發車，以及正線運營完成後的站場解編和機車入段休眠[ 5]；正線作業場景是指機車完成正線運營所需要的場景，覆蓋區間運行、車站的到達、停車及通過等。
在列車運行過程中，遇到的故障及非正常場景，自動駕駛也需要做出對應的安全導向。
具體場景組成如 圖1所示。
2.2 系統架構
機車自動駕駛系統運用場景包括站段自動調車與正線自動運行，其系統整體架構由車載與地面2個部分組成，車載部分由機車自動駕駛裝置、智能顯示單元、自動喚醒裝置、健康管理系統、障礙物檢測單元、車載雲平臺及車地無線通信單元等組成，地面部分包括調車管理系統、無線信號控制系統、定位服務器、調度中心、數據中心、智能運維系統、通信系統等。
針對具體運用需求，該系統組成與功能可進行裁剪與適應性更改。
機車自動駕駛系統整體架構如 圖2所示。
機車自動駕駛系統車載設備以機車自動駕駛裝置《ATO》為核心，通過與車載既有關鍵控制設備《網絡控制系統、空氣制動系統、列車運行監控設備、無線同步操控等》、健康管理系統、障礙物檢測單元，以及調度、監測、通信等地面系統進行信息交互與安全聯動，並基於多目標約束條件下的最優曲線規劃和智能跟隨等技術實現列車自動喚醒、自動整備、自動調車和正線自動運行等全場景的自動控制。
自動喚醒裝置用於自動駕駛列車的喚醒與休眠；健康管理系統監測車載關鍵設備狀態並將對應信息實時發送給ATO；障礙物檢測單元與車載雷達及攝像頭連接，進行近距離、低速度場景下的障礙物檢測；車載雲平臺將車載數據以無線方式傳輸至地面。
調車管理系統負責獲取機車服役狀態、出勤計劃與整備計劃，同時具備遠程操縱功能；無線信號控制系統獲取聯鎖進路信息並將其發送至車載設備，用於計算調車速度防護曲線；定位服務器采用北鬥差分定位，用於提升列車的定位精度；地面監測系統實時獲取地面的異物入侵、邊坡橋梁、氣象、視頻監測等信息；智能運維系統負責分析機車在運行過程中產生的各類數據，輔助人工決策；通信系統負責將地面監測數據與調度數據發送到車載自動駕駛系統。
2.3 關鍵技術
機車自動駕駛技術的發展目標為替代人工操縱，實現列車安全、平穩、準點、節能運行。
從空間維度劃分，自動駕駛關鍵技術包括車載側技術和地面側技術。
在車載側，機車自動駕駛裝置作為決策控制的核心，通過信息感知、決策規劃、跟隨控制等關鍵技術完成自動駕駛的決策行為，將車載控制指令序列發送給關聯系統執行並實時觀測運行狀態。
在地面側，為保障自動駕駛列車根據運行計劃和臨時調度命令信息進行動態調整，需通過地面調度系統進行車地協同；與此同時，為保障自動駕駛系統的高效安全運行，需構建1套基於列車縱向動力學的仿真技術平臺，為自動駕駛運行品質的不斷優化提供完備、真實的仿真與測試保障。
機車自動駕駛關鍵技術如 圖3所示。
2.3.1 運行曲線規劃技術
運行曲線規劃是根據列車運行線路數據、信號狀態、運行時分和限速要求，結合機車牽引制動特性曲線、車輛特性、列車編組等信息，計算未來一段時間的運行曲線。
運行曲線規劃的本質是一個帶約束的多目標運動規劃，目標包括安全、平穩、節能和準點[ 6]。
考慮全局運營目標、復雜場景及動態運行因素的影響，將運行曲線規劃技術劃分為全局目標規劃、行為決策和動態目標規劃3個部分，技術框架如 圖4所述。
2.3.1.1 全局目標規劃技術
全局目標規劃是運行曲線規劃的第一步，主要用於實現機車自動駕駛運行過程中『節能和準點』的全局目標，其實現范圍為站與站或多個站之間的運行范圍，且信號機默認為全開放狀態。
全局目標規劃的實現方式是基於線路的靜態信息，在動力學約束、運動學約束和安全約束條件下，計算滿足節能、準點的規劃序列。
該實現過程與動態變化的數據無關，無法實現類似於停車、臨時限速區域通過之類的動態功能。
全局目標規劃的實現算法主要是搜索優化，如動態規劃和遺傳算法。
此類算法一般不依賴於問題的性質，隻需進行目標函數尋優，具有較好的全局搜索性能，可避免優化過程陷入局部最優解，能較好地實現機車運行的全局目標。
2.3.1.2 行為決策技術
行為決策主要是依據全局目標的規劃，基於當前場景和環境感知等信息，輸出列車對應的駕駛行為目標，它的功能是縮小運動規劃的解集空間，提高規劃動作的安全性。
行為決策功能首先根據決策數據、專家知識庫確定機車駕駛狀態與操縱規范的約束，然後通過有限狀態機或決策樹等推理決策算法得出合理的駕駛行為，最後將該駕駛行為轉化為相應的速度和工況約束以用於動態目標規劃。
決策數據包含車輛狀態、線路數據和動態數據等不同維度和尺度的輸入信息；專家知識庫包含《列車牽引計算規程》《鐵路機車操作規程》和優秀乘務員經驗。
行為決策的典型決策場景包括起停車、過分相、循環空氣制動、動能闖坡、臨時限速運行、起伏坡道運行等。
典型決策場景所對應的決策包含：起車模式、停車模式、電制動與電空制動的選擇，空氣制動施加與緩解位置的選取，提前控速的距離，道岔區電制動力限制值，空氣制動的減壓量，理想的充排風時間等狀態和控制約束。
2.3.1.3 動態目標規劃技術
動態目標規劃是根據行為決策的結果來實現機車運行過程中的動態目標，即當前信號機動態變化，相應後續的信號機默認按照降碼模式且同時滿足限速曲線的要求進行目前的動態計算。
動態目標規劃的實現方式為：①在行為決策結果中提煉出非線性狀態約束、控制約束和終端約束，將速度規劃問題轉化為帶約束的非線性最優控制問題；②設計非線性梯度下降求解優化算法，在非線性狀態和控制約束下對平穩和節能目標進行梯度尋優，得到控制量序列以及速度序列。
同時考慮了平穩、節能性能指標的控制模型如下：
2.3.2 跟隨控制技術
自動駕駛動態運行規劃完成後，機車必須按照規劃精準執行。
跟隨控制是以規劃好的運行曲線為目標，以列車動力學和運動學模型為基礎，克服模型失準等影響，計算得出實際控制列車運行的牽引/制動和空氣制動指令，實現自適應魯棒速度跟蹤控制。
列車在行駛過程中其內部參數會隨著載荷、線路狀況的變化而改變，同時環境、天氣、軌道濕滑程度等也會影響牽引和制動系統執行部件的能力發揮。
因此，跟隨控制技術應能夠根據不同的場景、運行等級，給定不同的牽引/制動和空氣制動指令，滿足多目標運行的需求[ 7]。
如 圖5所示，機車自動駕駛跟蹤控制技術主要包含控制器設計和模型參數辨識2個層面。
控制器主要包括2類控制算法，第1類是無模型傳統控制算法，第2類是基於模型的先進控制算法。
無模型傳統控制算法是在運動學和動力學約束條件下設計專家PID控制器，解決典型場景的跟隨控制問題。
但列車運行環境復雜，面臨動態過程非線性強、隨機擾動多的問題，同時過程模型時刻改變所帶來的模型失配問題會降低控制算法的精度。
基於模型的先進控制算法首先基於列車運動學狀態空間方程構建出預測模型；其次考慮列車運行舒適性要求和空氣制動操縱約束，增加包括加速度、沖擊率、力的給定斜率等狀態量在內的約束規則集，設計帶約束的多目標代價函數；最後設計優化計算策略，比如QP求解器，實現代價函數尋優求解計算。
基於模型的先進控制算法能夠實現更高精度的速度跟蹤控制，但對計算能力的需求過大，且對模型比較敏感，魯棒性較低，不一定適用於所有控制場景。
模型參數辨識主要包含隨機性擾動補償、空氣制動模型校準和基本阻力模型參數辨識。
隨機性擾動補償是采用基於學習規則而設計的神經網絡算法，從實際數據中分析擾動特性，補償模型中的隨機性誤差且消除模型失配帶來的預測偏差。
空氣制動模型校準和基本阻力模型參數辨識是通過估計出列車模型誤差，並將其分離為隨機誤差項和常值誤差項，分別校準運行軌跡規劃及跟蹤控制的列車模型參數，並進行迭代優化以保證列車在全線路不同場景中的安全運行。
2.3.3 列車縱向動力學
通過列車縱向動力學仿真分析影響列車縱向運動過程中動力學性能的相關因素，包括車鉤緩沖器裝置、操縱策略、線路條件、編組模式、車輛空氣制動系統和運行工況等。
通過該技術可實現列車運行安全性能指標的定量分析，多種操縱策略、裝備方案的比選和風險預測，促使列車操縱更科學化、規范化，從而提高列車運行的平穩性、安全性[ 8]。
如 圖6所示，縱向動力學模型中每個機車車輛都具備獨立的自由度，首先通過對空氣制動系統、機車牽引系統、環境阻力和鉤緩系統分別建模得到各自由度的空氣制動力、實際牽引電制動力、環境阻力、車鉤力與車鉤位移關系，同時對機車指令信號傳遞的時間特性進行模擬；然後將空氣制動力、阻力、牽引電制動力等集成到列車縱向動力學方程組中，使用Newmark和Runge-Kutta等數值求解算法同時迭代求解各個自由度的速度、加速度和車鉤力等；最後根據制動試驗數據和實測車鉤力數據校準關鍵模型，實現適用於多工況的多編組列車縱向動力學仿真，為列車操縱優化提供支撐。
空氣制動系統與車鉤緩沖器系統的仿真建模是列車縱向動力學技術研究的重點與難點。
空氣制動系統模型包括物理模型[ 9]和依賴試驗數據的經驗模型[ 10]。
物理模型具有精度高、模型適應范圍廣、可擴展性強等特點，通過建立機車制動、車輛制動、列尾裝置工作時的氣體運動模型，可得到列車制動系統各個位置任意時刻的氣體流場變量《密度、溫度、壓力等》；經驗模型則可快速仿真列車空氣制動力，通過利用重載列車空氣制動試驗臺采集的數據《不同類型車輛的制動數據》，對列車制動和緩解過程中的制動波速、制動缸壓力變化曲線進行非線性動態擬合，模擬不同充排風場景下機車車輛空氣制動力的變化情況。
在物理模型中，空氣制動系統被分解為管路和邊界條件。
管路包括列車制動主管和支管，邊界條件包括分配閥、缸室和列尾裝置等。
建模時首先針對管路建立基於質量、動量和能量守恒的偏微分方程組，再利用特征線法或有限差分法將方程組進行離散變換，然後聯立邊界方程進行聯合求解，在時間維度上迭代計算得到任意車輛位置在任意時刻的制動缸壓力，最後對基礎制動裝置和閘瓦建模得到空氣制動力。
緩沖器是耗散機車車輛沖擊力的關鍵部件，緩沖器類型包括[ 11]摩擦斜楔型緩沖器和膠泥型緩沖器。
構建高精度物理模型，首先需對不同類型緩沖器的材料特性、機械結構和部件間的相對運動進行分析，並通過數學模型描述得到各個類型緩沖器的阻抗力-位移特性曲線，再根據機車車輛實際編組情況進行緩沖器串聯仿真處理，最後得到機車車輛間的相互作用力。
為提高列車縱向動力學仿真計算速度，可預存鉤緩受力特性曲線，通過查表法快速計算車鉤力。
2.3.4 多傳感器融合感知技術
精確感知列車運行環境中的行駛區域，行人、列車及障礙物的位置與速度，以及信號燈與標識牌之類的線路信息，可為機車自動駕駛的決策提供必要信息和參考依據。
以在包神鐵路裝車的障礙物檢測系統為例，典型的列車融合感知應用所需的傳感器配置及其系統功能架構如 圖7所示。
基於相機攝像並通過機器視覺算法可獲取視野內物體的顏色、紋理和形狀等信息，近年來深度學習大大提升了機器視覺算法的準確性。
自動駕駛中的視覺算法主要涉及圖像分類、目標檢測、語義分割、實例分割、全景分割等。
其中圖像分類是最常見的基礎任務，可利用模型判斷圖像的所屬類別屬性，如標志牌信息、信號燈顏色、列車車型等。
目標檢測用於定位常見目標在圖像中的位置，並根據物體的類別信息進行分類，如對行人、標志牌、信號燈、機車等的檢測。
語義分割是對圖片中每個像素的分類，但不區分同一類別中的不同對象，例如可實現鐵軌和軌道內區域的有效檢測，判斷列車當前可行駛的軌道區域。
實例分割是目標檢測與語義分割的結合，不僅可精確分割到物體的邊緣，而且可標註並識別出圖像中同一類別的不同個體，但模型推理速度比較慢。
全景分割是語義分割與實例分割的結合，相比語義分割它能區分單獨的對象實例，相比實例分割其對象分割必須是不重疊的。
機車自動駕駛視覺檢測的效果如所示。
雖然通過相機感知可以提供豐富的目標和狀態信息，但由於相機是一種被動式傳感器，感知深度不足，因此測距精度低且易受環境影響，特別是在強光、低照度、雨雪霧等惡劣環境下僅靠相機完成感知任務其難度會大幅提升。
雷達傳感器能檢測目標的三維信息，目前毫米波雷達和激光雷達較為常用。
毫米波雷達受天氣影響小且抗幹擾能力強，對煙霧、灰塵有很好的穿透性，能實現全天時、全天候工作，是汽車和航空領域障礙物探測《測距、測速、測方位》的首選雷達。
但在軌道交通領域，毫米波雷達的使用面臨雜波幹擾大、探測距離不足，雷達峰值功率、發射和接收天線增益不足，方位分辨率差等問題，現有成熟產品難以推廣應用。
激光雷達具有距離分辨率高、抗有源幹擾能力強、探測性能好、可全天時運行的特點。
相比毫米波雷達，激光雷達能夠從數據中提取距離、姿態等更為細致的目標信息和更為豐富的路況信息，探測范圍更廣，探測精度更高，是軌道交通中近距離障礙物探測的首選雷達。
但同時激光雷達在進行運行環境感知時需提供障礙物《包括當前軌道機車》的準確位置，且存在諸如點雲數據量大、軌道場景地面不平、軌道反射點雲稀疏等技術難點。
因此激光雷達點雲障礙物檢測算法必須通過合理的位置標定、點雲提取與降采樣、聚類、平面擬合和多幀融合等技術實現障礙物的檢測與跟蹤，並最終結合軌道曲線判斷並輸出障礙物位置、類型及是否侵入限界等關鍵信息。
自動駕駛雷達檢測的效果如 圖9所示。
由於各類單一傳感器均具備明顯的劣勢，因而將多種傳感器信息融合是進一步提高感知可靠性和準確性的必要途徑。
按照信息處理方式，多傳感器融合可以劃分為數據層融合、特征層融合和決策層融合，目前主流方式為數據層融合和特征層融合。
數據層融合也稱像素級融合，即先將各傳感器的數據融合，再從融合的數據中提取特征向量並進行判斷識別。
數據層融合不存在數據丟失的問題，得到的結果也是最準確的，但計算量大，且對系統通信帶寬的要求很高。
特征層融合是中間層次融合，即先從每種傳感器提供的觀測數據中提取有代表性的特征，再將這些特征融合成單一的特征向量後運用模式識別方法進行處理。
這種方法的計算量及對通信帶寬的要求相對降低，但因對部分數據的舍棄而降低了其準確性。
決策層融合是指在每個傳感器對目標做出識別後，再將各傳感器的識別結果進行融合，屬於高層次的融合。
由於對傳感器的信息進行了壓縮，這種方法產生的結果準確率偏低，但其計算量及對通信帶寬的要求最低，是目前自動駕駛領域應用最廣的方案。
2.3.5 系統仿真技術
重載列車現場試驗存在成本高、效率低、周期長等問題，因此需建立一套真實/虛擬相結合的自動駕駛地面仿真系統，方便線路試驗前針對自動駕駛控制策略、運行效果、動力學性能等的測試、驗證及完善。
同時，為支撐自動駕駛系統批量應用，需構建融合列車動力學和《鐵路機車操作規程》等的重載列車操縱評價系統，以實現對機車自動駕駛系統運行風險的識別和對常態化運行情況、性能指標的全面評價。
系統仿真平臺需對列車在不同線路和信號條件下的運行進行仿真，因此需要包含機車、車輛、線路、信號系統、無線同步操控系統、列尾裝置等。
考慮到仿真的可用性與有效性，仿真平臺采用真實實物與虛擬軟件相結合的方式實現對長大列車的仿真。
真實實物方面采用與實車一致的網絡控制、車載信號、無線同步操控、自動駕駛、人機交互等系統，虛擬軟件方面采用機車、列車和動力學仿真軟件來模擬列車運行狀態。
系統仿真平臺如 圖10所示。
仿真軟件包含機車仿真和列車運行仿真2個部分。
在機車仿真方面，主要針對牽引系統、制動系統、輔助系統、高壓設備、低壓設備等機車關鍵系統進行建模，根據人工駕駛或自動駕駛的控制指令，實現對牽引力、制動力、主司控器手柄、制動系統大小閘手柄等機車關鍵設備仿真；在列車運行仿真方面，主要針對列車運行環境、阻力、車輛、鉤緩等建模，實現對列車速度、運行阻力、列車管壓力、車輛制動力、加速度、車鉤力等列車運行狀態關鍵參數的仿真計算，從而提供完備、準確的列車運行仿真環境，滿足列車自動駕駛的測試和驗證要求。
該仿真平臺可支持不同機車類型、不同編組類型、不同線路等條件下的列車自動駕駛仿真，可模擬列車在站段和正線所遇到的場景，也可模擬故障場景，驗證自動駕駛系統的安全導向功能，為自動駕駛系統軟件迭代升級及驗證提供可靠環境。
3 系統應用情況3.1 典型應用
本文所述的機車自動駕駛技術及其相關產品已經在國內9種車型的機車上裝車，可適配不同廠家的網絡控制系統、空氣制動系統、無線同步操控系統、信號系統，具備良好的兼容性及可擴展性。
目前，該系統配屬西安局、太原局、包神鐵路、朔黃鐵路等多個鐵路局/鐵路公司，典型應用情況見 表2。
3.2 運用效果
機車自動駕駛系統已經在西安局西康線與包神鐵路神朔線常態化運行，累計運用裡程超過150萬km， 表3為機車自動駕駛系統在某條線路的應用效果統計。
由 表3可知，經現場運用統計，除車機聯控場景外，機車自動駕駛系統在運行期間能夠完全替代司機對牽引、制動手柄、尾部風壓查詢的操縱，整體自動化操控率達到98%以上；通過對列車運行能耗及運行速度數據的統計，機車自動駕駛相比人工駕駛其上行重載節能1.2%，下行輕載節能4.6%，平均節能2.9%；上行重載提速2.0 km/h，下行輕載提速3.4 km/h，平均提速2.7 km/h。
自動駕駛系統的障礙物檢測效果如 表4所示。
由 表4可知，經現場運用統計，在機車站段調車作業過程中，障礙物檢測系統可以輔助司機對行人、信號燈、障礙物、標志牌等進行識別和檢測，其中目標檢測平均準確率約為95.29%，平均召回率約為96.35%，系統無故障運行累計超過20萬km。
4 結語
本文通過分析機車自動駕駛的技術現狀與難點，根據國內機車運用的典型場景提出了機車自動駕駛系統方案，並對系統的關鍵技術進行了詳細介紹。
目前，機車自動駕駛系統已完成產品裝車、線路試驗、運用考核和批量運用；實現了從普載到重載，從單元到組合，從正線到站段的覆蓋。
同時，該系統大大降低了司機勞動強度，提升了列車運行效率，為未來智能化運輸路網下的列車運行控制奠定了基礎。
後續機車自動駕駛技術將主要從以下幾個方向進一步研究：
①持續優化自動駕駛列車的運行品質，使列車運行得更加平穩、更加節能；
②研究先進的感知技術，提升障礙物檢測距離和檢測精度，同時融合更多的地面監測信息，提高列車在非正常場景的應急處置能力；
③開展基於虛擬編組的列車群組控制，以滿足特定場景的運輸組織要求；
④機車自動駕駛要從有人值守的自動駕駛《GOA2》發展到無人駕駛《GOA3/4》，機車車輛技術裝備、地面配套均需優化升級，同時列車與地面信號、調度等系統之間需要深度協同。
參考文獻
1丁榮軍，楊衛峰，唐軍. 軌道交通裝備智能化技術的研究及應用[J]. 機車電傳動，2012(5): 1-4.
2路向陽，李雷，雷成健，等. 城市軌道交通全自動駕駛技術發展綜述[J]. 機車電傳動，2018(1): 6-12.
3SCHRÖDER J，ALPOIM C G，DICKGIEßER B，et al. Digitale S-Bahn Hamburg－Erstmalige Realisierung von “ATO over ETCS” in Deutschland[J]. Signal+Draht，2021，7/8(113): 52-59.
4張波. 重載組合列車牽引及制動系統的試驗與仿真研究[D]. 北京: 中國鐵道科學研究院，2009.
5劉華偉，劉勇，江帆，等. 機車段內作業智能化系統研究與實現[J]. 機車電傳動，2021(6): 100-105.
6鐘譜華，張征方，熊佳遠. 一種重載列車自動駕駛操縱曲線規劃方法[J]. 控制與信息技術，2021(6): 35-42.
7李程，張征方，沈子揚. 基於預測控制的貨運機車自動駕駛技術研究[J]. 控制與信息技術，2020(6): 8-13.
8耿志修. 大秦鐵路重載運輸技術[M]. 北京: 中國鐵道出版社，2009.
9WEI Wei，HU Yang，WU Qing，et al. An air brake model for longitudinal train dynamics studies[J]. Vehicle System Dynamics，2017，55(4): 517-533.
10孫樹磊，丁軍君，周張義，等. 重載列車縱向沖動動力學分析及試驗研究[J]. 機械工程學報，2017，53(8): 138-146.
11WU Qing，SPIRYAGIN M，COLE C. Advanced dynamic modelling for friction draft gears[J]. Vehicle System Dynamics，2015，53(4): 475-492.
素材來源：中車株洲所主辦的行業雜志《機車電傳動》