Виртуальные наборы данных, управляемые опытом экспертов, для адаптивного автоматического вождения в метро

Почему важно более интеллектуальное вождение метро

В многих городах поезда метро уже автоматизированы, но научить их ехать плавно, экономить энергию и при этом прибывать вовремя обычно требует огромного объёма реальных данных, сбор которых дорог. В этом исследовании показано, как знания опытных машинистов можно превратить в богатые виртуальные данные, позволив компьютерам обучиться адаптивному вождению метро без многолетних проб и ошибок в реальной эксплуатации.

От опыта машиниста к виртуальным поездкам

Исследователи начинают с работы с городскими специалистами, чтобы зафиксировать практические эмпирические правила: с какой скоростью можно ускоряться или тормозить, не вызывая дискомфорта у пассажиров, как обычно распределены расстояния между станциями и с какой точностью нужно останавливаться у платформы. Используя эти правила, они генерируют миллионы виртуальных «кривых вождения», описывающих, как должна меняться скорость поезда по расстоянию и времени между станциями. Эти кривые охватывают разные типы линий — от плотных центральных участков до пригородных маршрутов с различными скоростными лимитами — при этом всегда соблюдаются ограничения по безопасности и комфорту.

Отбор лучших поездок

Не каждая виртуальная поездка одинаково хороша. Некоторые расходуют больше электроэнергии, чем нужно, другие прибывают чуть раньше или позже расписания, а некоторые могут быть менее комфортными для пассажиров. Чтобы выбрать лучшие варианты, команда применяет систему принятия решений, вдохновлённую нечеткой логикой — способом учитывания компромиссов вместо строгих «да-или-нет» правил. Каждая кандидатная кривая оценивается по четырём аспектам: энергопотребление, комфорт пассажиров, близость фактического времени прибытия к целевому расписанию и точность остановки у платформы. Кривые, которые лучше всего балансируют эти цели, поднимаются в верх, формируя библиотеку высококачественных шаблонов вождения для разных времён поездки между станциями.

Обучение модели вождению как у эксперта

После отбора кривые преобразуют в структурированный набор данных, понятный модели машинного обучения. Для каждого момента виртуальной поездки в наборе фиксируют такие параметры, как текущая скорость, положение, оставшееся расстояние и время до следующей станции и участок маршрута, на котором находится поезд. Цель, которую модель должна научиться предсказывать, — следующее решение по ускорению, которое сохранит поездку в заданных пределах. Исследователи тестируют несколько методов обучения и обнаруживают, что модель случайного леса, построенная из множества простых решающих деревьев, способна точно восстанавливать целые кривые вождения по этим входным данным, удерживая времена прибытия и позиции остановки в узких пределах.

Экономия энергии и улучшение поездки

Используя эти виртуальные данные, управляемые экспертами, предлагаемая схема показывает заметные улучшения в реалистичных сценариях метро. Отобранные кривые вождения сокращают энергопотребление примерно на двенадцать процентов при сохранении высокого уровня комфорта пассажиров. При этом времена прибытия и позиции остановки удерживаются в пределах всего нескольких десятых секунды и нескольких десятых метра от целевых значений, что важно для надежного обслуживания и безопасной посадки. Поскольку большая часть обучения происходит на виртуальных поездках, а не на реальных путях, подход также снижает затраты и сложность сбора данных по сравнению с традиционными методами.

Что это значит для будущих городских перевозок

Для неспециалистов главный вывод таков: поезда метро можно научить ездить ближе к тому, как это делают опытные машинисты, но в масштабах и без многолетней ручной настройки. Кодируя экспертные правила в обширные виртуальные наборы данных и затем позволяя машинному обучению уточнять, как поезда ускоряются, идут накатом и тормозят, система обеспечивает более плавные поездки, меньшие энергозатраты и точные остановки у станций, при этом интегрируясь в существующие системы автоматического управления поездами. Это упрощает модернизацию метро в городах, в том числе с ограниченной технической инфраструктурой, в сторону более интеллектуального и адаптивного автоматического вождения.

Цитирование: Huang, Y., Zhao, W., Chen, D. et al. Expert experience-guided virtual datasets for adaptive automatic driving in metro trains. Sci Rep 16, 15044 (2026). https://doi.org/10.1038/s41598-026-47220-3

Ключевые слова: автоматизация метро, адаптивное автоматическое вождение, виртуальные наборы данных, энергоэффективность поездов, комфорт пассажиров