技术新讯 > 办公文教,装订,广告设备的制造及其产品制作工艺 > 一种高铁驾驶模拟系统及方法  >  正文

一种高铁驾驶模拟系统及方法

  • 国知局
  • 2024-06-21 13:48:06

本发明涉及驾驶模拟,尤其涉及一种高铁驾驶模拟系统及方法。

背景技术:

1、驾驶模拟技术领域专注于开发用于模拟各种驾驶环境和条件的系统和设备,包括汽车、飞机、船只及铁路车辆。驾驶模拟技术领域的核心在于利用先进的计算机图形学、物理建模和人机交互设计,创建接近实际驾驶体验的虚拟环境。目的是在安全的模拟环境中增强驾驶员的技能和反应能力,同时减少实际驾驶中的风险。

2、其中,高铁驾驶模拟系统旨在模拟高速铁路的驾驶条件,包括铁路线路、天气情况、操作控制系统等因素。该系统的主要目的是为高铁驾驶员提供一个真实感高、交互性强的培训平台,使其能够在无风险的环境下学习和掌握操作技能,提高应对紧急情况的能力。提升驾驶员的职业技能,确保铁路运营的安全性,以及优化乘车体验。

3、传统驾驶模拟系统在精准分析驾驶员行为模式、有效监测和响应异常状态、及时调整训练策略以及全面评估训练效果方面存在不足,传统驾驶模拟系统对驾驶员行为模式分析的局限性,导致训练内容难以精准调整,且异常状态监测的不精确,造成错误警报或漏报,影响训练效果,缺乏有效的策略制定和安全性评估,难以全面提升训练的安全性和效果,限制了训练效果的最大化,降低了训练的安全性和效率,无法满足高速铁路驾驶员日益增长的专业训练需求。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点,而提出的一种高铁驾驶模拟系统及方法。

2、为了实现上述目的,本发明采用了如下技术方案:一种高铁驾驶模拟系统,所述系统包括环境生成模块、数据分析模块、训练调整模块、异常检测模块、应对策略模块、安全性评估模块、系统验证模块;

3、所述环境生成模块基于实际高铁运行数据和环境信息,采用深度卷积神经网络,模拟天气变化、轨道状况,并通过生成对抗网络,构建视觉环境,利用参数优化技术,调整天气、时间和交通流量参数,构建匹配高铁训练场景的模拟环境,生成模拟环境数据;

4、所述数据分析模块基于模拟环境数据,使用时间序列分析方法,分析驾驶员操作数据,应用随机森林算法,对驾驶员的行为模式进行分析和预测,包括对操作习惯、错误率和反应时间指标进行分析,预测驾驶员在未来情境中的表现,生成行为分析结果;

5、所述训练调整模块基于行为分析结果,采用遗传算法,动态调整训练内容的难度和重点,匹配驾驶员的能力和提升需求,利用模拟退火算法,优化训练方案,生成个性化训练计划;

6、所述异常检测模块基于个性化训练计划,采用长短期记忆网络和k-均值聚类算法,对模拟驾驶过程中的异常状态进行监控和识别,识别操作偏差,并对异常状态进行分类,利用自适应阈值算法,根据异常状态的严重程度和频率,动态调整警报阈值,生成异常警报信息;

7、所述应对策略模块基于异常警报信息,应用决策树和强化学习算法,进行应对措施分析,通过仿真技术,评估策略的效果,并进行操作策略制定,生成应对策略方案;

8、所述安全性评估模块基于应对策略方案,采用贝叶斯网络和蒙特卡洛模拟方法,分析操作策略的安全影响,利用随机森林算法,根据实际模拟结果和驾驶员反馈,优化预测的准确性和可靠性,生成安全性分析结果;

9、所述系统验证模块基于安全性分析结果,采用单元测试和回归测试方法结合差异分析,对系统性能和准确性进行验证,并制定匹配优化措施,生成模拟验证结果。

10、作为本发明的进一步方案,所述模拟环境数据包括天气条件、差异化时间段和交通流量信息,所述行为分析结果包括驾驶员的操作习惯、错误率和反应时间,所述个性化训练计划包括驾驶员弱点的训练场景、调整后的难度级别和重点训练指标,所述异常警报信息包括操作偏差警报和安全隐患提示,所述应对策略方案具体为紧急避险操作、调整行驶速度和路径改变方案,所述安全性分析结果包括操作建议的安全性评级、潜在风险点分析和改进方案信息,所述模拟验证结果包括性能评估指标、系统准确性问题列表和优化方案信息。

11、作为本发明的进一步方案,所述环境生成模块包括天气模拟子模块、时间变化子模块、交通流量子模块;

12、所述天气模拟子模块基于实际高铁运行数据和环境信息,采用卷积神经网络,分析和学习历史天气状况与影响因素之间的关系,通过训练模型,根据输入的季节、地理位置环境参数,模拟差异化天气状况,包括晴天、雨天、雾天,生成天气模拟数据;

13、所述时间变化子模块基于天气模拟数据,利用循环神经网络,模拟时间变化过程,包括日出和日落的光照变化,预测差异化时间点的光照强度和角度,生成光照时间变化数据;

14、所述交通流量子模块基于光照时间变化数据,利用生成对抗网络,模拟差异化时间段的交通流量场景,通过竞争学习过程,模拟高铁周边的道路环境,包括车辆密度、行驶速度,生成模拟环境数据。

15、作为本发明的进一步方案,所述数据分析模块包括操作习惯分析子模块、错误率计算子模块、反应时间评估子模块;

16、所述操作习惯分析子模块基于模拟环境数据,运用序列模式挖掘技术,分析驾驶员在差异化环境和条件下的操作习惯,通过追踪和记录转向频率、加速和减速行为序列,识别操作模式和习惯,并分析操作之间的时间和顺序关系,生成操作习惯分析结果;

17、所述错误率计算子模块基于操作习惯分析结果,应用逻辑回归分析,对驾驶员在模拟环境中的错误操作进行定量评估,通过分析差异化操作习惯与违反交通规则行为之间的关系,计算错误操作的发生率,生成错误率分析结果;

18、所述反应时间评估子模块基于错误率分析结果,采用时间差分学习方法,对驾驶员面对突发事件时的反应时间进行评估,通过模拟紧急情况,包括意外障碍物出现、急剧天气变化,记录驾驶员从识别到反应的时间差,评估驾驶员的即时反应能力和决策速度,生成行为分析结果。

19、作为本发明的进一步方案,所述训练调整模块包括训练场景定制子模块、难度级别调整子模块、重点指标设定子模块;

20、所述训练场景定制子模块基于行为分析结果,采用遗传算法,分析驾驶员的行为特征和能力水平,并选择对应训练场景,匹配驾驶员的弱点,优化训练效果,生成训练场景配置;

21、所述难度级别调整子模块基于训练场景配置,使用模拟退火算法,对训练场景的难度级别进行动态调整,调整交通密度、天气条件,匹配驾驶员的操作能力,生成难度调整方案;

22、所述重点指标设定子模块基于难度调整方案,采用决策支持系统,制定训练指标,包括反应时间、遵守交通规则的准确性,优化训练计划,匹配驾驶员的提升需求,生成个性化训练计划。

23、作为本发明的进一步方案,所述异常检测模块包括操作偏差监测子模块、异常状态分类子模块、警报阈值调整子模块;

24、所述操作偏差监测子模块基于个性化训练计划,采用长短期记忆网络,分析模拟驾驶过程中的时间序列数据,识别与正常驾驶模式的操作偏差,包括转向频率和加速度变化,生成操作偏差识别数据;

25、所述异常状态分类子模块基于操作偏差识别数据,应用k-均值聚类算法,对检测到的异常行为进行分类,包括急刹车、频繁变道,通过分析操作偏差模式,生成异常状态分类结果;

26、所述警报阈值调整子模块基于异常状态分类结果,利用自适应阈值算法,根据异常行为的严重程度和发生频率,动态调整警报阈值,优化警报灵敏度,生成异常警报信息。

27、作为本发明的进一步方案,所述应对策略模块包括避险操作建议子模块、速度调整策略子模块、路径改变建议子模块;

28、所述避险操作建议子模块基于异常警报信息,采用决策树算法,分析避险操作,包括紧急制动和避让动作,并通过场景模拟技术,评估避险操作的实施效果,识别有效避险策略,生成避险操作方案;

29、所述速度调整策略子模块基于避险操作方案,使用强化学习算法,优化速度调整的决策过程,结合差异化交通流量和道路条件,通过动态仿真,评估速度调整对安全性和通行效率的影响,生成速度调整策略;

30、所述路径改变建议子模块基于速度调整策略,应用路径规划算法,分析路线变更的可行性,通过分析当前交通状况和预期目的地,制定路径改变策略,生成应对策略方案。

31、作为本发明的进一步方案,所述安全性评估模块包括安全性评级子模块、风险点分析子模块、改进建议子模块;

32、所述安全性评级子模块基于应对策略方案,采用贝叶斯网络,分析策略在差异化场景的安全性影响,分析潜在风险因素,为策略分配对应安全性评级,生成安全性评级数据;

33、所述风险点分析子模块基于安全性评级数据,利用蒙特卡洛模拟方法,分析潜在风险点,通过随机抽样预测出现的安全问题,识别关键风险点,生成风险点分析结果;

34、所述改进建议子模块基于风险点分析结果,应用随机森林算法,对安全性进行评估,根据模拟结果和驾驶员反馈,制定改进建议,优化策略方案的安全性和实用性,生成安全性分析结果。

35、作为本发明的进一步方案,所述系统验证模块包括性能评估子模块、准确性问题识别子模块、优化建议子模块;

36、所述性能评估子模块基于安全性分析结果,采用单元测试方法,进行系统功能测试,通过性能测试工具loadrunner,评估系统在差异化负载的响应时间和处理能力,生成性能评估结果;

37、所述准确性问题识别子模块基于性能评估结果,使用回归测试方法,验证系统是否满足准确性标准,结合差异分析技术,识别系统准确性偏差,生成准确性问题信息;

38、所述优化建议子模块基于准确性问题信息,应用故障树分析和根本原因分析方法,分析问题根源,制定优化措施,优化系统的准确性和可靠性,生成模拟验证结果。

39、一种高铁驾驶模拟方法,所述高铁驾驶模拟方法基于上述高铁驾驶模拟系统执行,包括以下步骤:

40、s1:基于实际高铁运行数据和环境信息,采用卷积神经网络,模拟天气状况和轨道环境,通过生成对抗网络,构建视觉模拟环境,并利用参数优化技术,细致调整模拟环境的天气、时间及交通流量参数,生成模拟环境数据;

41、s2:基于所述模拟环境数据,使用时间序列分析和随机森林算法,对驾驶员的操作数据进行分析,识别驾驶员的操作习惯、错误率和反应时间指标,生成行为分析结果;

42、s3:基于所述行为分析结果,采用遗传算法和模拟退火算法,动态调整训练内容,匹配驾驶员的能力和提升需求,生成个性化训练计划;

43、s4:基于所述个性化训练计划,运用长短期记忆网络和k-均值聚类算法,对模拟驾驶过程中的异常状态进行监测和识别,通过自适应阈值算法,动态调整警报阈值,生成异常警报信息;

44、s5:基于所述异常警报信息,应用决策树算法和强化学习,分析应对措施并制定操作策略,通过仿真技术,评估策略的实际效果,生成应对策略方案;

45、s6:基于所述应对策略方案,采用贝叶斯网络和蒙特卡洛模拟方法,进行安全性评估,利用随机森林算法,根据模拟结果和驾驶员反馈,优化策略的准确性和可靠性,采用单元测试和回归测试方法,结合差异分析,进行模拟性能和准确性验证,制定匹配优化措施,生成模拟验证结果。

46、与现有技术相比,本发明的优点和积极效果在于:

47、本发明中,通过采用时间序列分析方法和随机森林算法的,对驾驶员行为模式的分析和预测更加精准,能够有效指导训练内容的调整,匹配驾驶员的能力和提升需求,长短期记忆网络和k-均值聚类算法在异常检测上的运用,加上自适应阈值算法的动态调整,显著提高了系统识别异常状态的能力和警报的准确性,决策树和强化学习算法的结合,为策略制定提供了坚实的分析基础,通过仿真技术评估策略效果,进一步增强了训练的实效性和安全性,贝叶斯网络和蒙特卡洛模拟方法的应用,确保安全性评估具有更高的准确性和可靠性。

本文地址:https://www.jishuxx.com/zhuanli/20240618/34547.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。