Expertstyrda virtuella datamängder för adaptiv automatkörning i tunnelbanetåg

Varför smartare tunnelbanekörning spelar roll

Tunnelbanetåg är redan automatiserade i många städer, men att lära dem att köra mjukt, spara energi och ändå komma fram i tid kräver ofta stora mängder verkliga data som är dyra att samla in. Denna studie visar hur expertkunskap från mänskliga förare kan omvandlas till rika virtuella data, vilket gör det möjligt för datorer att lära sig att köra tunnelbanetåg adaptivt utan att vara beroende av år av prov-och-fel i daglig trafik.

Från förares kunnande till virtuella resor

Forskarna börjar med att samarbeta med tunnelbanespecialister för att fånga praktiska tumregler: hur snabbt tåg kan accelerera eller bromsa utan att göra passagerarna obekväma, hur långt stationerna vanligtvis ligger från varandra och hur exakt tågen måste stanna vid plattformen. Med hjälp av dessa regler genererar de miljontals virtuella ”körkurvor” som beskriver hur ett tågs hastighet bör ändras över distans och tid mellan stationer. Dessa kurvor täcker olika typer av linjer, från täta stadskärnor till förortssträckor med varierande hastighetsgränser, samtidigt som säkerhets- och komfortgränser alltid respekteras.

Sortera de bästa turerna från resten

Inte varje virtuell resa är lika bra. En del använder mer elektricitet än nödvändigt, andra anländer lite för tidigt eller för sent, och vissa kan upplevas mindre bekväma för resenärerna. För att välja de bästa alternativen använder teamet ett beslutsystem inspirerat av fuzzylogik, ett sätt att hantera avvägningar i stället för strikta ja-eller-nej-regler. Varje kandidatkurva poängsätts utifrån fyra aspekter: energianvändning, passagerarkomfort, hur nära faktisk ankomsttid är måltidtabellen och hur exakt tåget stannar vid plattformen. Kurvor som bäst balanserar dessa mål hamnar i toppen och utgör ett bibliotek av högkvalitativa körmönster för många olika station-till-station-responstider.

Lära en modell att köra som en expert

När kurvor av högsta kvalitet har valts omvandlas de till en strukturerad datamängd som en maskininlärningsmodell kan förstå. För varje ögonblick i en virtuell resa registrerar datamängden information som aktuell hastighet, position, återstående avstånd och tid till nästa station samt vilken del av banan tåget befinner sig på. Målet modellen ska lära sig är nästa accelerationsval som håller resan på rätt spår. Forskarna testar flera inlärningsmetoder och finner att en random forest-modell, byggd av många enkla beslutsträd, kan rekonstruera hela körkurvor från dessa indata med hög noggrannhet, och därigenom hålla ankomsttider och stoppositioner inom snäva gränser.

Spara energi och förbättra resan

Genom att använda dessa expertstyrda virtuella data uppnår ramverket betydande förbättringar i realistiska tunnelbanescenarier. De utvalda körkurvorna minskar energiförbrukningen med cirka tolv procent samtidigt som en hög nivå av passagerarkomfort bibehålls. Samtidigt håller de ankomsttider och stoppositioner inom bara några tiondels sekunder och några tiondels meter från sina mål, vilket är avgörande för pålitlig drift och säker ombordstigning. Eftersom större delen av inlärningen sker på virtuella resor snarare än på verkliga spår, minskar tillvägagångssättet även kostnaderna och komplexiteten i datainsamlingen jämfört med traditionella metoder.

Vad detta betyder för framtida stadstransporter

För icke-specialister är huvudbudskapet att tunnelbanetåg kan läras att köra mer som erfarna mänskliga förare, men i storskaligt format och utan år av manuell finjustering. Genom att koda expertregler i omfattande virtuella datamängder och sedan låta maskininlärning förfina hur tåg accelererar, frihjulsrullar och bromsar, stöder systemet mjukare resor, lägre energikostnader och precisa stationstopp — samtidigt som det passar in i befintliga system för automatisk tågdrift. Detta gör det lättare för städer, även de med begränsad teknisk infrastruktur, att uppgradera sina tunnelbanenät till smartare, mer adaptiv automatkörning.

Citering: 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

Nyckelord: tunnelbana automation, adaptiv automatkörning, virtuella datamängder, tågens energieffektivitet, passagerarkomfort