WO2018155489A1 - 車両制御装置、車両制御方法、プログラム - Google Patents
車両制御装置、車両制御方法、プログラム Download PDFInfo
- Publication number
- WO2018155489A1 WO2018155489A1 PCT/JP2018/006208 JP2018006208W WO2018155489A1 WO 2018155489 A1 WO2018155489 A1 WO 2018155489A1 JP 2018006208 W JP2018006208 W JP 2018006208W WO 2018155489 A1 WO2018155489 A1 WO 2018155489A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- stop
- error
- vehicle
- stop position
- control
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0062—On-board target speed calculation or supervision
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02N—STARTING OF COMBUSTION ENGINES; STARTING AIDS FOR SUCH ENGINES, NOT OTHERWISE PROVIDED FOR
- F02N11/00—Starting of engines by means of electric motors
- F02N11/08—Circuits or control means specially adapted for starting of engines
- F02N11/0814—Circuits or control means specially adapted for starting of engines comprising means for controlling automatic idle-start-stop
- F02N11/0818—Conditions for starting or stopping the engine or for deactivating the idle-start-stop mode
- F02N11/0829—Conditions for starting or stopping the engine or for deactivating the idle-start-stop mode related to special engine control, e.g. giving priority to engine warming-up or learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
- B60L15/40—Adaptation of control equipment on vehicle for remote actuation from a stationary place
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L3/00—Devices along the route for controlling devices on the vehicle or train, e.g. to release brake or to operate a warning signal
- B61L3/02—Devices along the route for controlling devices on the vehicle or train, e.g. to release brake or to operate a warning signal at selected places along the route, e.g. intermittent control simultaneous mechanical and electrical control
- B61L3/08—Devices along the route for controlling devices on the vehicle or train, e.g. to release brake or to operate a warning signal at selected places along the route, e.g. intermittent control simultaneous mechanical and electrical control controlling electrically
- B61L3/12—Devices along the route for controlling devices on the vehicle or train, e.g. to release brake or to operate a warning signal at selected places along the route, e.g. intermittent control simultaneous mechanical and electrical control controlling electrically using magnetic or electrostatic induction; using radio waves
- B61L3/125—Devices along the route for controlling devices on the vehicle or train, e.g. to release brake or to operate a warning signal at selected places along the route, e.g. intermittent control simultaneous mechanical and electrical control controlling electrically using magnetic or electrostatic induction; using radio waves using short-range radio transmission
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02N—STARTING OF COMBUSTION ENGINES; STARTING AIDS FOR SUCH ENGINES, NOT OTHERWISE PROVIDED FOR
- F02N11/00—Starting of engines by means of electric motors
- F02N11/08—Circuits or control means specially adapted for starting of engines
- F02N11/0814—Circuits or control means specially adapted for starting of engines comprising means for controlling automatic idle-start-stop
- F02N11/0818—Conditions for starting or stopping the engine or for deactivating the idle-start-stop mode
- F02N11/0833—Vehicle conditions
- F02N11/0837—Environmental conditions thereof, e.g. traffic, weather or road conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Definitions
- the present invention relates to a vehicle control device, a vehicle control method, and a program.
- This application claims priority based on Japanese Patent Application No. 2017-29641 filed in Japan on Feb. 21, 2017, the contents of which are incorporated herein by reference.
- Patent Document 1 and Patent Document 2 disclose techniques for stopping a vehicle at a predetermined stop position in the technology of automatic driving of a vehicle.
- Patent Document 1 describes a method for increasing the stopping accuracy by holding adjustment parameters according to conditions such as when the weather is fine and when it is raining and selecting appropriate parameters while the train is running.
- Patent Document 2 describes learning the characteristics of a train from the driving force and the movement of the train during traveling.
- Patent Document 1 it is expected that it is difficult to switch the dynamic characteristic model corresponding to different conditions because sensing such as road surface conditions and individual differences in brakes is difficult.
- the train characteristics are learned from the driving force and the movement of the train during traveling.
- the technique of Patent Document 2 is not a model that can take into account disturbances such as sensing speed noise and communication delay, and there is a concern that the stop error in the actual machine will increase.
- an object of the present invention is to provide a vehicle control device, a vehicle control method, and a program capable of stopping at a predetermined stop position with higher accuracy under various conditions.
- the vehicle control device includes the actual stop position of the vehicle indicating the result of the automatic stop control using the travel condition parameter for stopping at the predetermined stop position, and the predetermined stop position.
- a learning unit that calculates, based on machine learning, a model equation indicating a relationship between an error from the stop position and the travel condition parameter used in the automatic stop control, and a current equation based on the model equation calculated in the past
- a prediction unit for predicting a stop error at the next stop position of the traveling vehicle, a change target parameter included in the travel condition parameter, and the change target parameter used in the automatic stop control as a stop error of the traveling vehicle.
- a control unit that updates the value to be corrected.
- control unit updates the change target parameter to a value that corrects the stop error of the traveling vehicle, and calculates automatic stop control using the travel condition parameter including the change target parameter. It's okay.
- the vehicle control apparatus described above may further include a stop error calculation unit that calculates an error between the actual stop position and the predetermined stop position.
- the stop error calculation unit is configured to perform the actual operation based on an operation amount of a machine constituting the vehicle from the detection timing of a ground marker installed before a predetermined distance from the stop position until the vehicle stops. An error between the stop position and the predetermined stop position may be calculated.
- the stop error calculation unit corrects the stop error calculated based on a relational expression set using a plurality of relationships between the error predicted by the prediction unit and the actual error in the past. Good.
- the learning unit may calculate the model formula by the machine learning using the error and the traveling condition parameter used in the low speed control.
- the learning unit may calculate the model formula using a machine learning method according to the capability of the own device.
- the stop error calculating unit may record the value before correction and the value after correction of the change target parameter as travel condition parameters used for the machine learning.
- the vehicle control method includes the actual stop position of the vehicle indicating the result of the automatic stop control using the travel condition parameter for stopping at the predetermined stop position, and the predetermined stop position.
- a model equation indicating a relationship between an error from the stop position and the travel condition parameter used in the automatic stop control is calculated based on machine learning, and the current traveling vehicle is calculated based on the model equation calculated in the past.
- a stop error at the next stop position is predicted, a change target parameter included in the travel condition parameter is specified, and the change target parameter used in the automatic stop control is updated to a value for correcting the stop error of the traveling vehicle. It is characterized by that.
- the program stores the actual stop of the vehicle indicating the result of the automatic stop control using the travel condition parameter for stopping the computer of the vehicle control device at the predetermined stop position.
- Learning means for calculating a model expression indicating a relationship between an error between a position and the predetermined stop position and the travel condition parameter used in the automatic stop control based on machine learning, the model expression calculated in the past Predicting means for predicting a stop error at the next stop position of the current traveling vehicle based on the parameter, specifying a change target parameter included in the travel condition parameter, and determining the change target parameter used in the automatic stop control It is characterized by functioning as control means for updating to a value for correcting the stop error.
- FIG. 1 It is a figure showing a vehicle control system by one embodiment of the present invention. It is a figure which shows the hardware constitutions of the vehicle control apparatus by one Embodiment of this invention. It is a functional block diagram of the vehicle control apparatus by one Embodiment of this invention. It is a figure which shows the processing flow of the vehicle control apparatus by one Embodiment of this invention. It is a figure which shows the data table which the error memory
- FIG. 1 is a diagram showing a vehicle control system including a vehicle control device according to the embodiment.
- the vehicle control system 100 includes at least a train 10, a vehicle control device 1 provided in the train 10, and a ground unit installed in front of the stop position of the track L on which the train 10 travels. Composed.
- a ground unit is an example of a ground marker.
- the vehicle control device 1 performs control to automatically stop the vehicle 10 so that the leading position of the train 10 is aligned with a predetermined stop position S set on the track L.
- the vehicle control device 1 communicates with the ground element 20, measures the distance from the time when it passes through the ground element 20 to the stop position S ′, and calculates a stop error.
- the vehicle control apparatus 1 uses information on stop errors calculated in the past for subsequent stop control.
- FIG. 2 is a diagram illustrating a hardware configuration of the vehicle control device according to the first embodiment.
- the vehicle control apparatus 1 includes a CPU (Central Processing Unit) 101, a ROM (Read Only Memory) 102, a RAM (Random Access Memory) 103, an HDD (Hard Disk Drive) 104, a signal receiving module 105, and the like.
- CPU Central Processing Unit
- ROM Read Only Memory
- RAM Random Access Memory
- HDD Hard Disk Drive
- FIG. 3 is a functional block diagram of the vehicle control apparatus according to the first embodiment.
- the CPU 101 of the vehicle control device 1 executes a program stored in advance in its own device, whereby a control unit 111, a speed detection unit 112, a position detection unit 113, a drive unit 114, a stop error calculation unit 115, a learning unit 116, and a prediction unit. 117.
- Each component of the control amount extraction unit 118 is provided.
- Each functional unit may be configured by an independent circuit.
- the control device 10 includes each storage unit of an error storage unit 121 and a model formula storage unit 122.
- the control unit 111 controls the speed pattern of the train 10 and controls other functional units provided in the vehicle control device 1.
- the speed detector 112 detects the speed of the train 10.
- the position detection unit 113 detects the position of the train 10.
- the drive unit 114 drives a drive system device such as a motor of the train 10.
- the stop error calculation unit 115 performs automatic stop control in order to stop at a predetermined stop position S using the travel condition parameter, and stops the actual stop position S ′ of the vehicle indicating the control result and the predetermined stop position S. Calculate the error.
- the learning unit 116 calculates a model expression indicating the relationship between the stop error and the travel condition parameter used in the automatic stop control based on machine learning.
- the prediction unit 117 estimates a stop error at the next stop position.
- the control amount extraction unit 118 extracts the driving condition parameters used for the calculation by the control unit 111 and the prediction unit 117.
- the vehicle control apparatus 1 performs automatic stop control in order to stop at a predetermined stop position S using the travel condition parameter.
- the vehicle control device 1 calculates an error between the actual stop position S ′ of the vehicle indicating the result of the control and a predetermined stop position S, and shows the relationship between the error and the travel condition parameter used in the automatic stop control.
- the model formula shown is calculated based on machine learning.
- the vehicle control device 1 estimates a stop error at the next stop position of the current traveling vehicle based on a model formula calculated in the past.
- the vehicle control device 1 identifies the change target parameter included in the travel condition parameter, and updates the change target parameter used in the automatic stop control to a value for correcting the stop error of the traveling vehicle. And the vehicle control apparatus 1 calculates automatic stop control using the traveling condition parameter including the updated parameter to be changed.
- FIG. 4 is a diagram showing a processing flow of the vehicle control apparatus according to the first embodiment.
- the control unit 111 calculates speed pattern data indicating the relationship between the travel position on the track L and the speed. Specifically, speed pattern data is generated using travel condition parameters such as the next stop position S, an allowable speed limit at each position up to the next stop position S, and an acceleration to the stop position.
- the control unit 111 controls the drive unit 114 that drives a motor, a mechanical brake, and the like using the speed pattern data (step S101).
- the vehicle control device 1 communicates with the ground unit 20 when passing through the ground unit 20 installed on the track L in front of the stop position S.
- the position detector 113 of the vehicle control device 1 receives the ground child signal from the ground child 20, it outputs the ground child signal to the stop error calculator 115.
- the speed detector 112 detects the speed and outputs it to the stop error calculator 115.
- the stop error calculation unit 115 is based on the time from the reception time of the ground child signal to the stop time and the speed at each time, and the actual stop position S from the head position of the train 10 at the timing when the signal is received from the ground child 20. Calculate the distance X to '(the top position of the train 10).
- the distance Sd from the position where the signal is received from the ground unit 20 to the predetermined stop position S is a predetermined distance. Therefore, the stop error calculation unit 115 calculates a stop error by subtracting the distance X from the distance Sd (step S102).
- the stop error calculation unit 115 inputs a stop position from a detection device provided at the home or the like, and calculates the distance (stop error) between the stop position S ′ and the stop position S determined in advance at the home SS. It may be calculated by '. In this case, it is necessary to install the detection device at the home.
- the control amount extraction unit 118 acquires from the control unit 111 the running condition parameters used for calculating the speed pattern data corresponding to the stop control.
- the control amount extraction unit 118 outputs the travel condition parameter to the stop error calculation unit 115.
- the stop error calculation unit 115 records error information in which the stop error calculated in step S102 is associated with the travel condition parameter acquired from the control amount extraction unit 118 in the error storage unit 121 (step S103).
- the stop error calculation unit 115 may record the error information in the error storage unit 121 in association with the information of the stop station that calculated the stop error and the departure station in front of the stop station.
- the stop error calculation unit 115 performs this recording process every time the vehicle stops at the stop station.
- FIG. 5 is a diagram showing a data table stored in the error storage unit according to the first embodiment.
- the error storage unit 121 stores departure station, arrival station, stop error, and travel condition parameters (parameter 1, parameter 2,).
- the travel condition parameters are various parameter values used for calculating speed pattern data such as a distance from a position where braking is started to the target stop position S, a proportional gain for speed control, and the like.
- the learning unit 116 performs machine learning processing using information recorded in the data table of the error storage unit 121 to calculate a model equation for predicting a stop error (step S104).
- the machine learning uses a technique such as a deep learning method, a random forest method, a LASSO method, or a Q-Learning method.
- the learning unit 116 records the calculated model formula in the model formula storage unit 122.
- the learning unit 116 may update the model formula recorded in the model formula storage unit 122 by calculating a model formula by machine learning using information recorded in the error storage unit 121 in the past every time it departs from the station. .
- the learning unit 116 may update the model formula recorded in the model formula storage unit 122 by calculating a model formula by machine learning using information recorded in the error storage unit 121 in the past at regular intervals.
- the prediction unit 117 reads the model formula recorded in the model formula storage unit 122. Further, the prediction unit 117 acquires a travel condition parameter used for calculation of speed pattern data up to the next stop station from the control unit 111.
- the model equation is an equation for predicting an error at the next stop position by inputting each travel condition parameter.
- the prediction unit 117 inputs the travel condition parameter acquired from the control unit 111 to the model formula and calculates a prediction error at the next stop position (step S105).
- the prediction unit 117 may output the driving condition parameter used for error prediction and the prediction error as the calculation result to the control amount extraction unit 118.
- the control amount extraction unit 118 may record the travel condition parameter and the prediction error in the error storage unit 121 in association with each other.
- the prediction unit 117 also outputs a prediction error at the next stop position to the control unit 111.
- the control unit 111 determines whether to change the traveling condition parameter used for generating the speed pattern based on the prediction error (step S106). When the prediction error is 0 or a predetermined error range based on 0, the control unit 111 does not change the travel condition parameter and generates speed pattern data using the current travel condition parameter (step S107). When the prediction error exceeds a predetermined error range based on 0, the control unit 111 determines to change the current travel condition parameter. The control unit 111 changes one or more of the plurality of driving condition parameters and generates speed pattern data such that the prediction error is 0 (step S108).
- the control unit 111 when the prediction error is + ⁇ (when the train 10 is predicted to stop over the + ⁇ distance at the next stop position), the control unit 111, as an example, a position at which braking is started among a plurality of travel condition parameters. Is determined as a parameter to be changed, and the value of ⁇ is subtracted from this parameter to calculate the speed pattern data. As a result, it is possible to generate speed pattern data such that the prediction error is zero.
- the control unit 111 may specify the braking force as the change target parameter, and calculate speed pattern data for correcting the prediction error to 0 by changing the value of the braking force.
- the control unit 111 may specify other change target parameters, and calculate speed pattern data for correcting the prediction error to 0 by changing the value of the change target parameter.
- the prediction error of the stop at the next stop position can be calculated based on the machine learning using the stop error. Since the vehicle control apparatus 1 calculates the speed pattern data using the traveling condition parameter that corrects the prediction error, it is possible to perform driving control that reduces the stop error at the next stop position.
- ⁇ Second Embodiment> A certain level of accuracy is required for the accuracy of the stop error. In order to increase the accuracy, it is necessary to avoid installing a dedicated sensor at the stop station because of the high cost. Therefore, the administrator of the vehicle control device 1 converts the prediction error predicted by the vehicle control device 1 and the correspondence between the actual error by the administrator and uses the result to indicate a correction error corresponding to the prediction error. The equation is recorded in the vehicle control device 1.
- FIG. 6 is a diagram illustrating a correspondence relationship between a prediction error and an actually measured error value according to the second embodiment.
- the administrator obtains a plurality of correspondence relationships between the prediction error and the actual measurement value of the error, and obtains an expression representing the linear approximate curve M in FIG. 6 based on the relationship.
- the administrator records the linear approximate curve M in the vehicle control device 1.
- the stop error calculation unit 115 inputs a pulse signal from the motor tachometer from the timing when the ground signal is received from the position detection unit 113.
- the travel distance per pulse of this pulse signal is predetermined.
- the travel distance D per pulse can be calculated by the following equation (1).
- the stop error calculation unit 115 calculates the distance X from the position where the signal is received from the ground unit 20 to the stop position S ′ by the equation (2).
- the stop error calculation unit 115 calculates an error by subtracting the distance X ′ calculated by the equation (2) from the known distance X from the top of the vehicle to the predetermined stop position S at the position where the ground element 20 is received. The stop error calculation unit 115 corrects this error to an error corresponding to the actually measured value using the linear approximate curve M. The stop error calculation unit 115 determines the corrected value as a stop error.
- the control amount extraction unit 118 of the vehicle control device 1 uses the traveling condition parameters used when the train 10 is controlled at a low speed among the traveling condition parameters used for the stop control by the control unit 111. It may be acquired as a parameter. For example, when performing TASC and final speed control when the vehicle stops, the control unit 111 acquires travel condition parameters specific to TASC control and final speed control such as remaining distance, load, and road resistance. TASC indicates Train Automatic Stop-position Control. Final speed control is stop control in a speed range where physical model control is difficult. In the control at these low speeds, there is a deviation (noise) between the actual speed and the speed detected by the control unit 111. Therefore, by performing machine learning using the running condition parameters used for speed control at low speeds, a model equation for calculating a prediction error that does not significantly affect stop accuracy even if noise occurs in the speed is calculated. Will be able to.
- the machine learning method used by the learning unit 116 is determined by the number of travel condition parameters and whether there is a variable that is extremely strong in stopping accuracy. For example, it is determined whether there is a variable that has an extremely strong relationship with the stop accuracy (step S401). If Yes, a regression learning method such as the LASSO method is used. If there is no variable that is extremely strongly related to stop accuracy (step S401: No), it is determined whether the number of driving condition parameters is extremely large, such as 100 or more (step S402). The feature amount learning method is used. In the case of No in step S402, it is determined whether the number of travel condition parameters is extremely small, such as less than several (step S403).
- step S403 an ensemble learning method such as a random forest method is used, and if No, a reinforcement learning method such as a Q-Learning method is used.
- the learning unit 116 of the vehicle control device 1 acquires information on the processing capability of the device itself and the number of parameters used in machine learning, and automatically determines a machine learning method based on the information based on the information. It may be.
- the control unit 111 identifies the change target parameter and corrects the value of the change target parameter so that the prediction error becomes zero.
- the control amount extraction unit 118 acquires values before and after the change of the correction value of the parameter to be changed, extracts these as travel condition parameters, and the stop error calculation unit 115 stores the travel condition parameters as error storage units. 121 may be recorded as a parameter used for machine learning. By such adjustment, the learning unit 116 can derive a model equation that can calculate a prediction error with high accuracy.
- the above-described vehicle control device 1 is a device that controls the traveling speed of the train 10 traveling on the track L, but may control the traveling speed of other vehicles by similar processing. For example, it may control a regular bus.
- the vehicle control apparatus 1 described above has a computer system inside.
- a program for causing the vehicle control device 1 to perform the above-described processes is stored in a computer-readable recording medium of the vehicle control device 1, and this program is read and executed by the computer of the vehicle control device 1.
- the computer-readable recording medium means a magnetic disk, a magneto-optical disk, a CD-ROM, a DVD-ROM, a semiconductor memory, or the like.
- the computer program may be distributed to the computer via a communication line, and the computer that has received the distribution may execute the program.
- the program may be a program for realizing a part of the functions of each processing unit described above. Furthermore, what can implement
- the present invention relates to a vehicle control device, a vehicle control method, and a program capable of stopping at a predetermined stop position with higher accuracy under various conditions.
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Atmospheric Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
走行条件パラメータを用いて所定の停車位置で停車するために自動停止制御を行った結果を示す車両の実際の停車位置と所定の停車位置との誤差と、自動停止制御で用いられた走行条件パラメータとの関係を示すモデル式を機械学習に基づいて算出する。過去に算出されたモデル式に基づいて現在の走行車両の次の停車位置の停止誤差を推定する。走行条件パラメータに含まれる変更対象パラメータを特定し、自動停止制御で用いる変更対象パラメータを走行車両の停止誤差を補正する値に更新する。
Description
本発明は、車両制御装置、車両制御方法、プログラムに関する。
本願は、2017年02月21日に、日本に出願された特願2017-29641号に基づき優先権を主張し、その内容をここに援用する。
本願は、2017年02月21日に、日本に出願された特願2017-29641号に基づき優先権を主張し、その内容をここに援用する。
車両の自動運転の技術において、車両を所定の停車位置に停止させる技術が特許文献1や特許文献2に開示されている。
特許文献1には、晴天時、雨天時などの条件に応じた調整パラメータを保持し、列車の走行中に適切なパラメータを選択することで、停止精度を高める方法が記載されている。
また特許文献2には、走行中の駆動力と列車の動きから、列車の特性を学習することが記載されている。
また特許文献2には、走行中の駆動力と列車の動きから、列車の特性を学習することが記載されている。
しかしながら特許文献1の技術では、路面状態やブレーキの個体差といったセンシングが難しいことにより、異なる条件に対応する動特性モデルの切り替えを上手く行うことは難しいと予想される。
また特許文献2の技術では、走行中の駆動力と列車の動きから列車の特性を学習する。しかしながら特許文献2の技術では、センシングする速度のノイズや通信遅延等の外乱を考慮できるモデルになっておらず、実機での停止誤差が大きくなることが懸念される。
また特許文献2の技術では、走行中の駆動力と列車の動きから列車の特性を学習する。しかしながら特許文献2の技術では、センシングする速度のノイズや通信遅延等の外乱を考慮できるモデルになっておらず、実機での停止誤差が大きくなることが懸念される。
そこでこの発明は、様々な条件下においてより精度高く所定の停車位置で停止することのできる車両制御装置、車両制御方法、プログラムを提供することを目的としている。
本発明の第1の態様によれば、車両制御装置は、所定の停車位置で停車するために走行条件パラメータを用いて自動停止制御を行った結果を示す車両の実際の停車位置と前記所定の停車位置との誤差と、前記自動停止制御で用いられた前記走行条件パラメータとの関係を示すモデル式を機械学習に基づいて算出する学習部と、過去に算出された前記モデル式に基づいて現在の走行車両の次の停車位置の停止誤差を予測する予測部と、前記走行条件パラメータに含まれる変更対象パラメータを特定し、前記自動停止制御で用いる前記変更対象パラメータを前記走行車両の停止誤差を補正する値に更新する制御部と、を備えることを特徴とする。
上述の車両制御装置において、前記制御部は、前記変更対象パラメータを前記走行車両の停止誤差を補正する値に更新し、当該変更対象パラメータを含む走行条件パラメータを用いて自動停止制御の計算を行ってよい。
上述の車両制御装置において、さらに、前記実際の停車位置と前記所定の停車位置との誤差を算出する停止誤差算出部を備えてよい。
上述の車両制御装置において、前記停止誤差算出部は前記停車位置から所定の距離手前に設置された地上マーカの検出タイミングから停車するまでの前記車両を構成する機械の動作量に基づいて前記実際の停車位置と前記所定の停車位置との誤差を算出してよい。
上述の車両制御装置において、前記停止誤差算出部は、過去に前記予測部の予測した誤差と実際の誤差との関係を複数用いて設定された関係式に基づいて算出した停止誤差を補正してよい。
上述の車両制御装置において、前記学習部は、前記誤差と、低速制御において用いられる前記走行条件パラメータを用いて前記機械学習により前記モデル式を算出してよい。
上述の車両制御装置において、前記学習部は、自装置の能力に応じた機械学習の手法を用いて前記モデル式を算出してよい。
上述の車両制御装置において、前記停止誤差算出部は、前記変更対象パラメータの補正前の値と補正後の値とを前記機械学習に用いる走行条件パラメータとして記録してよい。
本発明の第2の態様によれば、車両制御方法は、所定の停車位置で停車するために走行条件パラメータを用いて自動停止制御を行った結果を示す車両の実際の停車位置と前記所定の停車位置との誤差と、前記自動停止制御で用いられた前記走行条件パラメータとの関係を示すモデル式を機械学習に基づいて算出し、過去に算出された前記モデル式に基づいて現在の走行車両の次の停車位置の停止誤差を予測し、前記走行条件パラメータに含まれる変更対象パラメータを特定し、前記自動停止制御で用いる前記変更対象パラメータを前記走行車両の停止誤差を補正する値に更新することを特徴とする。
本発明の第3の態様によれば、プログラムは、車両制御装置のコンピュータを、所定の停車位置で停車するために走行条件パラメータを用いて自動停止制御を行った結果を示す車両の実際の停車位置と前記所定の停車位置との誤差と、前記自動停止制御で用いられた前記走行条件パラメータとの関係を示すモデル式を機械学習に基づいて算出する学習手段、過去に算出された前記モデル式に基づいて現在の走行車両の次の停車位置の停止誤差を予測する予測手段、前記走行条件パラメータに含まれる変更対象パラメータを特定し、前記自動停止制御で用いる前記変更対象パラメータを前記走行車両の停止誤差を補正する値に更新する制御手段、として機能させることを特徴とする。
本発明によれば、様々な条件下においてより精度高く所定の停車位置で停止する車両の制御を行うことができる。
<第一の実施形態>
以下、本発明の第一実施形態による車両制御装置を図面を参照して説明する。
図1は同実施形態による車両制御装置を備えた車両制御システムを示す図である。
この図で示すように車両制御システム100は、列車10と、当該列車10に備わる車両制御装置1と、列車10が走行する軌道Lの停車位置の手前に設置された地上子とを少なくとも含んで構成される。地上子は地上マーカの一例である。
車両制御装置1は、一例として軌道Lに設定された所定の停車位置Sに列車10の先頭位置を合わせるように自動停止を行う制御を行う。車両制御装置1は地上子20と通信を行って、その地上子20を通過した時点から停車位置S’までの距離を計測し停止誤差を算出する。車両制御装置1は過去に算出した停止誤差の情報をその後の停止制御に利用する。
以下、本発明の第一実施形態による車両制御装置を図面を参照して説明する。
図1は同実施形態による車両制御装置を備えた車両制御システムを示す図である。
この図で示すように車両制御システム100は、列車10と、当該列車10に備わる車両制御装置1と、列車10が走行する軌道Lの停車位置の手前に設置された地上子とを少なくとも含んで構成される。地上子は地上マーカの一例である。
車両制御装置1は、一例として軌道Lに設定された所定の停車位置Sに列車10の先頭位置を合わせるように自動停止を行う制御を行う。車両制御装置1は地上子20と通信を行って、その地上子20を通過した時点から停車位置S’までの距離を計測し停止誤差を算出する。車両制御装置1は過去に算出した停止誤差の情報をその後の停止制御に利用する。
図2は第一実施形態による車両制御装置のハードウェア構成を示す図である。
図2で示すように車両制御装置1は、CPU(Central Processing Unit)101、ROM(Read Only Memory)102、RAM(Random Access Memory)103、HDD(Hard Disk Drive)104、信号受信モジュール105等を備えるコンピュータである。
図2で示すように車両制御装置1は、CPU(Central Processing Unit)101、ROM(Read Only Memory)102、RAM(Random Access Memory)103、HDD(Hard Disk Drive)104、信号受信モジュール105等を備えるコンピュータである。
図3は第一実施形態による車両制御装置の機能ブロック図である。
車両制御装置1のCPU101は予め自装置で記憶するプログラムを実行することにより、制御部111、速度検出部112、位置検出部113、駆動部114、停止誤差算出部115、学習部116、予測部117、制御量抽出部118の各構成を備える。各機能部はそれぞれ独立した回路によって構成されてよい。
また制御装置10は誤差記憶部121、モデル式記憶部122の各記憶部を備える。
車両制御装置1のCPU101は予め自装置で記憶するプログラムを実行することにより、制御部111、速度検出部112、位置検出部113、駆動部114、停止誤差算出部115、学習部116、予測部117、制御量抽出部118の各構成を備える。各機能部はそれぞれ独立した回路によって構成されてよい。
また制御装置10は誤差記憶部121、モデル式記憶部122の各記憶部を備える。
制御部111は列車10の速度パターンを決定する制御を行うと共に、車両制御装置1に備わる他の機能部を制御する。
速度検出部112は列車10の速度を検出する。
位置検出部113は列車10の位置を検出する。
駆動部114は列車10のモータ等の駆動系装置を駆動する。
停止誤差算出部115は走行条件パラメータを用いて所定の停車位置Sで停車するために自動停止制御を行い、その制御結果を示す車両の実際の停車位置S’と所定の停車位置Sとの停止誤差を算出する。
学習部116は停止誤差と、自動停止制御で用いられた走行条件パラメータとの関係を示すモデル式を機械学習に基づいて算出する。
予測部117は次の停車位置における停止誤差を推定する。
制御量抽出部118は制御部111や予測部117で演算に利用した走行条件パラメータを抽出する。
速度検出部112は列車10の速度を検出する。
位置検出部113は列車10の位置を検出する。
駆動部114は列車10のモータ等の駆動系装置を駆動する。
停止誤差算出部115は走行条件パラメータを用いて所定の停車位置Sで停車するために自動停止制御を行い、その制御結果を示す車両の実際の停車位置S’と所定の停車位置Sとの停止誤差を算出する。
学習部116は停止誤差と、自動停止制御で用いられた走行条件パラメータとの関係を示すモデル式を機械学習に基づいて算出する。
予測部117は次の停車位置における停止誤差を推定する。
制御量抽出部118は制御部111や予測部117で演算に利用した走行条件パラメータを抽出する。
本実施形態による車両制御装置1は、走行条件パラメータを用いて所定の停車位置Sで停車するために自動停止制御を行う。車両制御装置1はその制御の結果を示す車両の実際の停車位置S’と所定の停車位置Sとの誤差を算出し、その誤差と、自動停止制御で用いられた走行条件パラメータとの関係を示すモデル式を機械学習に基づいて算出する。車両制御装置1は、過去に算出されたモデル式に基づいて現在の走行車両の次の停車位置の停止誤差を推定する。車両制御装置1は、走行条件パラメータに含まれる変更対象パラメータを特定し、自動停止制御で用いる変更対象パラメータを走行車両の停止誤差を補正する値に更新する。そして車両制御装置1は、更新された変更対象パラメータを含む走行条件パラメータを用いて自動停止制御の計算を行う。
図4は第一実施形態による車両制御装置の処理フローを示す図である。
次に車両制御装置の処理フローについて順を追って説明する。
制御部111は軌道L上の走行位置と速度との関係を示す速度パターンデータを算出する。具体的には次の停車位置Sや、次の停車位置Sまでの各位置における許容制限速度、停車位置までの加速度などの走行条件パラメータを用いて速度パターンデータを生成する。制御部111はその速度パターンデータを用いてモータや機械ブレーキなどを駆動する駆動部114を制御する(ステップS101)。
次に車両制御装置の処理フローについて順を追って説明する。
制御部111は軌道L上の走行位置と速度との関係を示す速度パターンデータを算出する。具体的には次の停車位置Sや、次の停車位置Sまでの各位置における許容制限速度、停車位置までの加速度などの走行条件パラメータを用いて速度パターンデータを生成する。制御部111はその速度パターンデータを用いてモータや機械ブレーキなどを駆動する駆動部114を制御する(ステップS101)。
車両制御装置1は停車位置Sより手前の軌道Lに設置された地上子20を通過する際、当該地上子20と通信を行う。車両制御装置1の位置検出部113は地上子20からの地上子信号を受信すると、その地上子信号を停止誤差算出部115へ出力する。また速度検出部112は速度を検出し停止誤差算出部115に出力する。停止誤差算出部115は地上子信号の受信時刻から停止時刻までの時間と、各時刻における速度とに基づいて、地上子20より信号を受信したタイミングにおける列車10の先頭位置から実際の停車位置S’(列車10の先頭の位置)までの距離Xを算出する。地上子20より信号を受信した位置から所定の停車位置Sまでの距離Sdは予め定められた距離である。したがって停止誤差算出部115は距離Sdから距離Xを減じることにより停止誤差を算出する(ステップS102)。なお停止誤差算出部115は、ホーム等に設けられた検出装置から停車位置を入力し、その停車位置S’と、予めホームにおいて定められた停車位置Sとの距離(停止誤差)をS-S’により算出してもよい。この場合、検出装置をホームに設置する必要がある。
制御量抽出部118はその停止制御に対応する速度パターンデータの算出に用いられた走行条件パラメータを制御部111から取得する。制御量抽出部118はその走行条件パラメータを停止誤差算出部115へ出力する。停止誤差算出部115はステップS102で算出した停止誤差と、制御量抽出部118から取得した走行条件パラメータとを対応付けた誤差情報を誤差記憶部121に記録する(ステップS103)。停止誤差算出部115は、誤差情報に停止誤差を算出した停車駅やその停車駅の前の出発駅の情報を対応付けて誤差記憶部121に記録してよい。停止誤差算出部115は、停車駅に停車する度に、この記録の処理を行う。
図5は第一実施形態による誤差記憶部の記憶するデータテーブルを示す図である。
この図が示すように誤差記憶部121は出発駅、到着駅、停止誤差、走行条件パラメータ(パラメータ1,パラメータ2,・・・)を記憶する。走行条件パラメータは、具体的には、制動を開始する位置から目標停車位置Sまでの距離、速度制御の比例ゲイン、など、速度パターンデータの算出に用いる各種パラメータ値である。
この図が示すように誤差記憶部121は出発駅、到着駅、停止誤差、走行条件パラメータ(パラメータ1,パラメータ2,・・・)を記憶する。走行条件パラメータは、具体的には、制動を開始する位置から目標停車位置Sまでの距離、速度制御の比例ゲイン、など、速度パターンデータの算出に用いる各種パラメータ値である。
学習部116は誤差記憶部121のデータテーブルに記録されている情報を用いて機械学習処理を行い停止誤差予測のモデル式を算出する(ステップS104)。機械学習は、例えばディープラーニング法、ランダムフォレスト法、LASSO法、Q-Learning法などの手法を用いる。学習部116は算出したモデル式をモデル式記憶部122に記録する。学習部116は駅から発車する度に過去に誤差記憶部121に記録された情報を用いて機械学習によりモデル式を算出してモデル式記憶部122に記録されているモデル式を更新してよい。または学習部116は一定期間毎に過去に誤差記憶部121に記録された情報を用いて機械学習によりモデル式を算出してモデル式記憶部122に記録されているモデル式を更新してよい。
予測部117はモデル式記憶部122に記録されているモデル式を読み取る。また予測部117は次の停車駅までの間の速度パターンデータの算出に用いられる走行条件パラメータを制御部111から取得する。モデル式は各走行条件パラメータを入力することにより次の停車位置における誤差を予測する式である。予測部117はモデル式に制御部111から取得した走行条件パラメータを入力して次の停車位置における予測誤差を算出する(ステップS105)。予測部117は誤差の予測に用いた走行条件パラメータと算出結果である予測誤差を制御量抽出部118へ出力してよい。制御量抽出部118はその走行条件パラメータと予測誤差を対応付けて誤差記憶部121に記録してよい。予測部117はまた、次の停車位置における予測誤差を制御部111へ出力する。
制御部111は予測誤差に基づいて速度パターンの生成に用いる走行条件パラメータを変更するか判定する(ステップS106)。制御部111は予測誤差が0または0を基準とした所定の誤差範囲である場合には走行条件パラメータを変更せず、現状の走行条件パラメータを用いて速度パターンデータを生成する(ステップS107)。制御部111は予測誤差が0を基準とした所定の誤差範囲を超える場合には、現状の走行条件パラメータを変更すると判定する。制御部111は複数の走行条件パラメータのうちの一つまたは複数を変更して予測誤差が0となるような速度パターンデータを生成する(ステップS108)。
制御部111は予測誤差が+αである場合(列車10が次の停車位置で+α距離をオーバーして停止すると予測された場合)には、一例として複数の走行条件パラメータのうち制動を開始する位置から目標停車位置Sまでの距離を変更対象パラメータと特定し、このパラメータからαの値を減じて、当該速度パターンデータを算出する。これにより予測誤差が0となるような速度パターンデータを生成することができる。制御部111は変更対象パラメータとしてブレーキ力を特定し、このブレーキ力の値を変更して予測誤差を0に補正する速度パターンデータを算出してもよい。制御部111はそれ以外の変更対象パラメータを特定し、この変更対象パラメータの値を変更して予測誤差を0に補正する速度パターンデータを算出してもよい。
以上のような車両制御装置1の処理によれば、停車誤差を用いた機械学習に基づいて、次の停車位置における停止の予測誤差を算出することができる。車両制御装置1は、この予測誤差を補正するような走行条件パラメータを用いて速度パターンデータを算出するので、次の停車位置における停止誤差を減少させる運転制御を行うことができる。
<第二の実施形態>
停止誤差の精度はある程度の精度が要求される。精度を高めるために停車駅に専用のセンサを設置するのは高コストになるため回避することが求められる。そこで車両制御装置1の管理者は、車両制御装置1が予測した予測誤差と、実際の誤差との対応関係を管理者が実測し、その結果を用いて予測誤差に対応する補正誤差を示す変換式を車両制御装置1に記録する。
停止誤差の精度はある程度の精度が要求される。精度を高めるために停車駅に専用のセンサを設置するのは高コストになるため回避することが求められる。そこで車両制御装置1の管理者は、車両制御装置1が予測した予測誤差と、実際の誤差との対応関係を管理者が実測し、その結果を用いて予測誤差に対応する補正誤差を示す変換式を車両制御装置1に記録する。
図6は第二実施形態による予測誤差と誤差の実測値との対応関係を示す図である。
管理者は予測誤差と誤差の実測値との対応関係を複数得て、その関係に基づいて、図6中の線形近似曲線Mを表す式を求める。管理者は線形近似曲線Mを車両制御装置1に記録する。
管理者は予測誤差と誤差の実測値との対応関係を複数得て、その関係に基づいて、図6中の線形近似曲線Mを表す式を求める。管理者は線形近似曲線Mを車両制御装置1に記録する。
停止誤差算出部115は、位置検出部113から地上子信号を受信したタイミングから、モータの回転数計からパルス信号を入力する。このパルス信号の1パルス当たりの走行距離は予め定められる。1パルス当たりの走行距離Dは以下の式(1)により算出することができる。
D=車輪直径×π÷ギヤ比÷モータ1回転あたりの総パルス数 ・・・(1)
停止誤差算出部115は、地上子20より信号を受信した位置から停車位置S’までの距離Xを式(2)により算出する。
X=パルスカウント数×D ・・・(2)
停止誤差算出部115は地上子20を受信する位置における車両の先頭から所定の停車位置Sまでの既知の距離Xから、式(2)により算出した距離X’を減じて誤差を算出する。停止誤差算出部115はこの誤差を線形近似曲線Mを用いて実測値に対応する誤差へと補正する。停止誤差算出部115はこの補正した値を停止誤差と決定する。
<第三の実施形態>
車両制御装置1の制御量抽出部118は、制御部111で停止制御に利用された走行条件パラメータのうち、列車10を低速で制御する際に用いられる走行条件パラメータを、機械学習で用いる走行条件パラメータとして取得してもよい。例えば、制御部111は停車時にTASC、終速制御を行う際に、残距離、荷重、路面抵抗などのTASC制御、終速制御に特有の走行条件パラメータを取得する。TASCとは、Train Automatic Stop-position Controlを示す。終速制御は物理モデル制御が難しい速度領域における停止制御である。これら低速時の制御では実際の速度と、制御部111で検出している速度との乖離(ノイズ)がある。したがって、この低速時に速度制御に用いられる走行条件パラメータを用いて機械学習を行うことで、速度にノイズが生じても停止精度に大きな影響を与えない予測誤差の算出の為のモデル式を算出することができるようになる。
車両制御装置1の制御量抽出部118は、制御部111で停止制御に利用された走行条件パラメータのうち、列車10を低速で制御する際に用いられる走行条件パラメータを、機械学習で用いる走行条件パラメータとして取得してもよい。例えば、制御部111は停車時にTASC、終速制御を行う際に、残距離、荷重、路面抵抗などのTASC制御、終速制御に特有の走行条件パラメータを取得する。TASCとは、Train Automatic Stop-position Controlを示す。終速制御は物理モデル制御が難しい速度領域における停止制御である。これら低速時の制御では実際の速度と、制御部111で検出している速度との乖離(ノイズ)がある。したがって、この低速時に速度制御に用いられる走行条件パラメータを用いて機械学習を行うことで、速度にノイズが生じても停止精度に大きな影響を与えない予測誤差の算出の為のモデル式を算出することができるようになる。
<第四の実施形態>
学習部116の用いる機械学習の手法は、走行条件パラメータの数や、停止精度に極端に強い関係のある変数が有るかどうかによって定める。
例えば、停止精度に極端に強い関係のある変数が有るかを判定し(ステップS401)、Yesの場合、LASSO法などの回帰学習法を用いる。停止精度に極端に強い関係のある変数が無い場合(ステップS401:No)、走行条件パラメータの数が100以上など極端に多いかを判定し(ステップS402)、Yesの場合にはディープラーニング法などの特徴量学習法を用いる。ステップS402でNoの場合には、走行条件パラメータの数が数個未満など極端に少ないかを判定する(ステップS403)。ステップS403でYesの場合にはランダムフォレスト法などのアンサンブル学習法を用い、Noの場合にはQ-Learning法などの強化学習法を用いる。
これにより、車両制御装置1ごとのメモリの制約や制御等の態様が異なる場合に、車両制御装置1の能力の態様に合わせた学習アルゴリズムを選定することができる。車両制御装置1の学習部116は自装置の処理能力や、機械学習において用いるパラメータ数の情報を取得して、その情報に基づいて機械学習の手法を上記フローに基づいて自動的に決定するようにしてもよい。
学習部116の用いる機械学習の手法は、走行条件パラメータの数や、停止精度に極端に強い関係のある変数が有るかどうかによって定める。
例えば、停止精度に極端に強い関係のある変数が有るかを判定し(ステップS401)、Yesの場合、LASSO法などの回帰学習法を用いる。停止精度に極端に強い関係のある変数が無い場合(ステップS401:No)、走行条件パラメータの数が100以上など極端に多いかを判定し(ステップS402)、Yesの場合にはディープラーニング法などの特徴量学習法を用いる。ステップS402でNoの場合には、走行条件パラメータの数が数個未満など極端に少ないかを判定する(ステップS403)。ステップS403でYesの場合にはランダムフォレスト法などのアンサンブル学習法を用い、Noの場合にはQ-Learning法などの強化学習法を用いる。
これにより、車両制御装置1ごとのメモリの制約や制御等の態様が異なる場合に、車両制御装置1の能力の態様に合わせた学習アルゴリズムを選定することができる。車両制御装置1の学習部116は自装置の処理能力や、機械学習において用いるパラメータ数の情報を取得して、その情報に基づいて機械学習の手法を上記フローに基づいて自動的に決定するようにしてもよい。
<第五の実施形態>
第一の実施形態で説明したように、制御部111は変更対象パラメータを特定し、この変更対象パラメータの値を予測誤差が0となるよう補正している。制御量抽出部118は、変更対象パラメータの補正値の変更前の値と変更後の値を取得し、これらを走行条件パラメータとして抽出し、停止誤差算出部115がその走行条件パラメータを誤差記憶部121に機械学習に用いるパラメータとして記録してもよい。
このような調整により、精度の高く予測誤差を算出することのできるモデル式を学習部116において導くことができる。
第一の実施形態で説明したように、制御部111は変更対象パラメータを特定し、この変更対象パラメータの値を予測誤差が0となるよう補正している。制御量抽出部118は、変更対象パラメータの補正値の変更前の値と変更後の値を取得し、これらを走行条件パラメータとして抽出し、停止誤差算出部115がその走行条件パラメータを誤差記憶部121に機械学習に用いるパラメータとして記録してもよい。
このような調整により、精度の高く予測誤差を算出することのできるモデル式を学習部116において導くことができる。
上述の各実施形態によれば、様々な条件下においてより精度高く所定の停車位置Sで停止する車両の制御を行うことができる。
上述の車両制御装置1は軌道Lを走行する列車10の走行速度を制御する装置であるが、他の車両についての走行速度を同様の処理により制御するものであってよい。例えば定期運行バスを制御するものであってもよい。
上述の車両制御装置1は内部に、コンピュータシステムを有している。そして、車両制御装置1に上述した各処理を行わせるためのプログラムは、当該車両制御装置1のコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムを車両制御装置1のコンピュータが読み出して実行することによって、上記処理が行われる。ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、CD-ROM、DVD-ROM、半導体メモリ等をいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしても良い。
また、上記プログラムは、前述した各処理部の機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル(差分プログラム)であっても良い。
本発明は、様々な条件下においてより精度高く所定の停車位置で停止することのできる車両制御装置、車両制御方法、プログラムに関する。
1・・・車両制御装置、10・・・列車、20・・・地上子、111・・・制御部、112・・・速度検出部、113・・・位置検出部、114・・・駆動部、115・・・停止誤差算出部、116・・・学習部、117・・・予測部、118・・・制御量抽出部、121・・・誤差記憶部、122・・・モデル式記憶部
Claims (10)
- 所定の停車位置で停車するために走行条件パラメータを用いて自動停止制御を行った結果を示す車両の実際の停車位置と前記所定の停車位置との誤差と、前記自動停止制御で用いられた前記走行条件パラメータとの関係を示すモデル式を機械学習に基づいて算出する学習部と、
過去に算出された前記モデル式に基づいて現在の走行車両の次の停車位置の停止誤差を予測する予測部と、
前記走行条件パラメータに含まれる変更対象パラメータを特定し、前記自動停止制御で用いる前記変更対象パラメータを前記走行車両の停止誤差を補正する値に更新する制御部と、
を備える車両制御装置。 - 前記制御部は、前記変更対象パラメータを前記走行車両の停止誤差を補正する値に更新し、当該変更対象パラメータを含む走行条件パラメータを用いて自動停止制御の計算を行う
請求項1に記載の車両制御装置。 - 前記実際の停車位置と前記所定の停車位置との誤差を算出する停止誤差算出部を備える請求項1または請求項2に記載の車両制御装置。
- 前記停止誤差算出部は前記停車位置から所定の距離手前に設置された地上マーカの検出タイミングから停車するまでの前記車両を構成する機械の動作量に基づいて前記実際の停車位置と前記所定の停車位置との誤差を算出する
請求項3に記載の車両制御装置。 - 前記停止誤差算出部は、過去に前記予測部の予測した誤差と実際の誤差との関係を複数用いて設定された関係式に基づいて算出した停止誤差を補正する請求項3または請求項4に記載の車両制御装置。
- 前記学習部は、前記誤差と、低速制御において用いられる前記走行条件パラメータを用いて前記機械学習により前記モデル式を算出する
請求項1から請求項5の何れか一項に記載の車両制御装置。 - 前記学習部は、自装置の能力に応じた機械学習の手法を用いて前記モデル式を算出する請求項1から請求項6の何れか一項に記載の車両制御装置。
- 前記停止誤差算出部は、前記変更対象パラメータの補正前の値と補正後の値とを前記機械学習に用いる走行条件パラメータとして記録する
請求項3に記載の車両制御装置。 - 所定の停車位置で停車するために走行条件パラメータを用いて自動停止制御を行った結果を示す車両の実際の停車位置と前記所定の停車位置との誤差と、前記自動停止制御で用いられた前記走行条件パラメータとの関係を示すモデル式を機械学習に基づいて算出し、 過去に算出された前記モデル式に基づいて現在の走行車両の次の停車位置の停止誤差を予測し、
前記走行条件パラメータに含まれる変更対象パラメータを特定し、前記自動停止制御で用いる前記変更対象パラメータを前記走行車両の停止誤差を補正する値に更新する
車両制御方法。 - 車両制御装置のコンピュータを、
所定の停車位置で停車するために走行条件パラメータを用いて自動停止制御を行った結果を示す車両の実際の停車位置と前記所定の停車位置との誤差と、前記自動停止制御で用いられた前記走行条件パラメータとの関係を示すモデル式を機械学習に基づいて算出する学習手段、
過去に算出された前記モデル式に基づいて現在の走行車両の次の停車位置の停止誤差を予測する予測手段、
前記走行条件パラメータに含まれる変更対象パラメータを特定し、前記自動停止制御で用いる前記変更対象パラメータを前記走行車両の停止誤差を補正する値に更新する制御手段、
として機能させるプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/486,845 US10844822B2 (en) | 2017-02-21 | 2018-02-21 | Vehicle control device, vehicle control method, and program |
SG11201907563RA SG11201907563RA (en) | 2017-02-21 | 2018-02-21 | Vehicle control device, vehicle control method, and program |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017029641A JP6814658B2 (ja) | 2017-02-21 | 2017-02-21 | 車両制御装置、車両制御方法、プログラム |
JP2017-029641 | 2017-12-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2018155489A1 true WO2018155489A1 (ja) | 2018-08-30 |
Family
ID=63253306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2018/006208 WO2018155489A1 (ja) | 2017-02-21 | 2018-02-21 | 車両制御装置、車両制御方法、プログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US10844822B2 (ja) |
JP (1) | JP6814658B2 (ja) |
SG (1) | SG11201907563RA (ja) |
WO (1) | WO2018155489A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112572545A (zh) * | 2019-09-30 | 2021-03-30 | 比亚迪股份有限公司 | 列车停车方法、装置及计算机设备 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10279823B2 (en) * | 2016-08-08 | 2019-05-07 | General Electric Company | System for controlling or monitoring a vehicle system along a route |
JP6485789B1 (ja) * | 2018-10-05 | 2019-03-20 | 裕次 角川 | 鉄道模型列車の自動運転装置及びその加減速度の自動調整方法 |
JP7328921B2 (ja) * | 2020-03-12 | 2023-08-17 | 公益財団法人鉄道総合技術研究所 | 学習モデル生成方法、蓋然性判定方法及び判定装置 |
CN111762234B (zh) * | 2020-05-27 | 2021-11-12 | 交控科技股份有限公司 | 自动停车方法、装置、电子设备及存储介质 |
JP7469195B2 (ja) | 2020-09-09 | 2024-04-16 | シャープ株式会社 | 走行パラメータ最適化システムおよび走行パラメータ最適化方法 |
CN112606735B (zh) * | 2020-12-22 | 2022-07-22 | 中车长春轨道客车股份有限公司 | 非接触供电列车优化驾驶及能量管理的控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004208416A (ja) * | 2002-12-25 | 2004-07-22 | Toshiba Corp | 自動列車運転装置 |
JP2006320037A (ja) * | 2005-05-10 | 2006-11-24 | Toshiba Corp | 車両定位置停止自動制御装置および車両運転支援装置。 |
JP2010104084A (ja) * | 2008-10-21 | 2010-05-06 | Toshiba Corp | 列車制御装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5395398B2 (ja) | 2008-10-16 | 2014-01-22 | 株式会社東芝 | 列車制御装置 |
JP6357372B2 (ja) | 2014-07-10 | 2018-07-11 | 株式会社日立製作所 | 自動列車運転装置及び自動列車運転方法 |
-
2017
- 2017-02-21 JP JP2017029641A patent/JP6814658B2/ja active Active
-
2018
- 2018-02-21 SG SG11201907563RA patent/SG11201907563RA/en unknown
- 2018-02-21 WO PCT/JP2018/006208 patent/WO2018155489A1/ja active Application Filing
- 2018-02-21 US US16/486,845 patent/US10844822B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004208416A (ja) * | 2002-12-25 | 2004-07-22 | Toshiba Corp | 自動列車運転装置 |
JP2006320037A (ja) * | 2005-05-10 | 2006-11-24 | Toshiba Corp | 車両定位置停止自動制御装置および車両運転支援装置。 |
JP2010104084A (ja) * | 2008-10-21 | 2010-05-06 | Toshiba Corp | 列車制御装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112572545A (zh) * | 2019-09-30 | 2021-03-30 | 比亚迪股份有限公司 | 列车停车方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
US10844822B2 (en) | 2020-11-24 |
US20200011282A1 (en) | 2020-01-09 |
JP6814658B2 (ja) | 2021-01-20 |
JP2018137857A (ja) | 2018-08-30 |
SG11201907563RA (en) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018155489A1 (ja) | 車両制御装置、車両制御方法、プログラム | |
KR101567206B1 (ko) | 과속방지턱 검출장치와 이를 이용한 내비게이션 업데이트 장치 및 방법 | |
KR101801012B1 (ko) | 위치 제어 시스템 | |
US6300896B1 (en) | Use of a device in a vehicle, using which the environment of the vehicle can be identified by means of radar beams | |
KR102214332B1 (ko) | 운전자 편의 시스템 및 운전자 편의 시스템에서 레이더 센서의 수직각도 이상 판정 방법 | |
JP2010098821A (ja) | 減速度比推定装置を有する列車制御装置 | |
JP2011087364A (ja) | 自動列車運転装置,定位置停止装置 | |
US11173914B2 (en) | Vehicle control apparatus and method | |
KR102049338B1 (ko) | 도로의 경사를 고려한 차량 속도 제어 장치 및 방법 | |
JP5039149B2 (ja) | ロールレートセンサの信号のオフセットを求めるための方法と装置 | |
JP7078756B2 (ja) | 列車制御システムおよび列車制御方法 | |
JP5325716B2 (ja) | 車両の定位置停止制御装置および定位置停止支援装置 | |
KR101150209B1 (ko) | 차량의 종 가속도 오프셋 보정 방법 | |
JP2019193426A (ja) | 列車制御装置および列車制御方法 | |
JP2019050691A (ja) | 列車位置検出システム、自動列車制御システム、列車運転支援システム及び列車障害物検知システム | |
JP2003004758A (ja) | 車両速度計測装置および車両速度計測方法 | |
JPH11503387A (ja) | 路上車両の差分ブレーキ制御装置 | |
JP2019030187A (ja) | 定位置停止制御装置、位置算出装置、車輪径算出装置及び方法 | |
KR101179105B1 (ko) | 휠 스피드센서의 크립 노이즈 검출 방법 | |
KR20170064926A (ko) | 차량 질량 추정 방법 및 장치 | |
JP5717469B2 (ja) | ブレーキ制御装置およびブレーキ制御方法 | |
JP2006292625A (ja) | 車速演算装置 | |
KR101739230B1 (ko) | 사륜구동차량 슬립제어용 차속 산출 방법 | |
KR102200521B1 (ko) | 차량의 횡슬립각 추정장치 | |
WO2022113177A1 (ja) | 車上制御装置および加速度センサ診断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 18757815 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 18757815 Country of ref document: EP Kind code of ref document: A1 |