[发明专利]一种基于视觉场景识别的轨道列车精准停车系统

权利要求书

1.一种基于视觉场景识别的轨道列车精准停车系统，其特征在于，该系统包括：环境感知系统，自主决策系统和执行系统；

所述环境感知系统用于获取列车运行前方的图像信息，利用深度学习模型，识别所述图像信息中的停车标，并确定所述停车标在所述图像信息中的位置信息和长度信息，并根据所述位置信息和所述长度信息，计算所述列车与轨道旁停车标之间的距离；

所述自主决策系统用于根据所述距离和列车驾驶信息，利用列车运动模型，计算所述列车的速度曲线，确定所述列车的档位信息；

所述执行系统用于根据所述速度曲线和所述档位信息，对所述列车进行停车制动。

2.如权利要求1所述的基于视觉场景识别的轨道列车精准停车系统，其特征在于，所述深度学习模型由编码函数、解码函数和分类器函数构成，所述环境感知系统包括：稀疏自编码器，分类器和计算模块；

所述稀疏自编码器由多层神经元组成，所述稀疏自编码器用于根据列车驾驶信息数据库中的测试集，确定所述编码函数和所述解码函数的训练参数，并根据确定好的所述训练参数，提取所述图像信息中的特征数据；

所述分类器用于根据所述测试集，利用反馈式学习算法，确定所述分类器函数的分类精确率和召回率，并根据所述分类精确率和所述召回率，识别所述特征数据，确定所述图像信息中的所述停车标；

所述计算模块用于根据所述图像信息和所述图像信息中的所述停车标，确定所述位置信息和所述长度信息，并计算所述距离。

3.如权利要求2所述的基于视觉场景识别的轨道列车精准停车系统，其特征在于，所述编码函数f(·)的计算公式为：

f(X)＝s_f(W⁽¹⁾X+b⁽¹⁾)

式中，f(·)为所述编码函数，s_f(·)为所述编码函数f(·)的激活函数，W⁽¹⁾为所述神经元中输入层与隐藏层之间的第一权值矩阵，X为所述输入层的特征数据，b⁽¹⁾为第一偏置；

所述解码函数g(·)的计算公式为：

g(a)＝s_g(W⁽²⁾a+b⁽²⁾)

a＝f(X)

Y＝g(a)

式中，a为经过所述激活函数s_f(·)之后所述隐藏层的激活量，g(·)为所述解码函数，s_g(·)为所述解码函数g(·)的激活函数，W⁽²⁾为所述神经元中隐藏层与输出层之间的第二权值矩阵，b⁽²⁾为第二偏置，Y为所述特征数据，其中，W⁽¹⁾,b⁽¹⁾,W⁽²⁾,b⁽²⁾构成所述训练参数。

4.如权利要求3所述的基于视觉场景识别的轨道列车精准停车系统，其特征在于，所述环境感知系统包括：最优解计算模块；

所述最优解计算模块用于根据整体代价函数，计算所述编码函数和所述解码函数的训练参数的最优解，将所述最优解作为训练好的所述训练参数。

5.如权利要求4所述的基于视觉场景识别的轨道列车精准停车系统，其特征在于，所述整体代价函数J_sparse(W,b)的计算公式为：

式中，β为惩罚因子权重，s₂为第2层神经元的节点数，j为神经元的层数，t为测试集的个数，n_l为稀疏自编码器的最大层数，l为遍历的辅助变量，λ为权值矩阵对代价函数的贡献度，表示第i个输入神经元对下一层神经元j在第l层神经网络中的权重，为神经元的平均激活值，h_W,b(x)为给定输入x的稀疏自编码器的输出，为惩罚因子，ρ为稀疏性参数。

6.如权利要求1所述的基于视觉场景识别的轨道列车精准停车系统，其特征在于，所述列车运动模型的计算公式为：

式中，v为所述列车的当前行驶速度，k为所述列车的当前位置，p(k)为牵引功率，M为牵引总重量，w₀(v)为在当前行驶速度v时单位运行基本阻力，r为列车管减压量，v₀为制动的初速度，b_b(r,v,v₀)为制动单位合力，ε为列车上的点距列车头部的距离，θ(ε)为距离列车头部ε处的列车质量密度函数，g(k-ε)为距离列车头部ε处的线路附加阻力，L_e为列车长度，为加权单位附加阻力。