基于固态激光雷达和模糊簇算法的虚拟连挂列车识别系统.pdf

铁道运输与经济RAILW AY TRANSPORT AND ECONOMY第 45 卷 第 09 期基于固态激光雷达和模糊簇算法的虚拟连挂列车识别系统Virtual Coupling Train Identification System Based on Solid-State Lidar and Fuzzy Cluster Algorithm刘运，汪洋，徐登科，王开锋LIU Yun，WANG Yang，XU Dengke，WANG Kaifeng（中国铁道科学研究院集团有限公司 通信信号研究所，北京 100081）(Signal&Communication Research Institute,China Academy of Railway Sciences Corporation Limited,Beijing 100081,China)摘要：虚拟连挂技术可满足我国铁路日益增长的铁路运输需求，并有效提高铁路运输效率。提出一种融合固态激光雷达技术、车-车通信技术、模糊簇算法的虚拟连挂系统，运用固态激光雷达获取前方列车/障碍物的位置、速度、视野分段编组信息，使用车-车无线通信技术在前后车之间交互位置信息及控制信息，采用模糊C均值算法演算、优化位置、分段编组信息，计算出模糊归属度矩阵以及前方列车距离信息，回传给列控系统实现列车虚拟连挂。针对3种典型仿真场景进行软件仿真，评估系统以及模糊簇算法的可行性、合理性、局限性，结果表明：固态激光雷达可有效计算出视野范围内单一物体的位置、速度信息，模糊簇算法可进一步降低距离测量误差，优化分段编组，能有效实现列车虚拟连挂系统中的目标列车识别。关键词：固态激光雷达；虚拟连挂；车-车通信；模糊簇算法；分段；分段组Abstract:Virtual coupling technology can meet the growing demand for railway transportation in China and effectively improve railway transportation efficiency.A virtual coupling train identification system that integrates solid-state lidar technology,vehicle-to-vehicle communication technology,and a fuzzy clustering algorithm was proposed.The solid-state lidar was used to obtain the position,speed,and field of view segmented grouping information of the front train/obstacle.The vehicle-to-vehicle wireless communication technology was used to exchange position information and control information between the front and rear trains.The fuzzy C-means algorithm was used to calculate and optimize the position and segmented grouping information,calculate the fuzzy attributive degree matrix and the distance information of the train ahead,and transmit it back to the train control system to achieve virtual coupling.Software simulations were conducted on three typical simulation scenarios to evaluate the feasibility,rationality,and limitations of the system and fuzzy clustering algorithm.The result shows that solid-state lidar can effectively calculate the position and velocity information of a single object within the field of view.The fuzzy clustering algorithm can further reduce distance measurement errors,optimize segmented grouping,and effectively achieve target train identification in the virtual coupling system.Keywords:Solid-State Lidar;Virtual Coupling;Vehicle-to-Vehicle Communication;Fuzzy Clustering Algorithm;Segments;Segment Cluster文章编号：1003-1421（2023）09-0056-10 中图分类号：U284.48 文献标识码：ADOI：10.16668/ki.issn.1003-1421.2023.09.09引用格式：刘运，汪洋，徐登科，等.基于固态激光雷达和模糊簇算法的虚拟连挂列车识别系统J.铁道运输与经济，2023，45(9)：56-65.LIU Yun，WANG Yang，XU Dengke，et al.Virtual Coupling Train Identification System Based on Solid-State Lidar and Fuzzy Cluster AlgorithmJ.Railway Transport and Economy，2023，45(9)：56-65.-56刘运 等 基于固态激光雷达和模糊簇算法的虚拟连挂列车识别系统0引言铁路在我国交通运输系统中一直起着骨干的作用。随着铁路的高速发展，铁路运能不断提升，铁路运输需求也在不断提高，如何提升运输效率和保障运行安全一直是铁路研究的重点和挑战1-2。无线通信技术、传感器技术、车-车通信技术的发展给铁路行业带来新的机遇，万物互联、智慧交通等概念催生出多种提高铁路安全保障、运输效率、资源分配效率、运营维护效率的技术解决方案3。其中，列车虚拟连挂技术以车-车通信技术为核心，通过车-车通信链路实时转发前后列车的速度、位置关系，并及时调整自身速度，可有效提升运输效率和运能，并能在有特定股道作业需求时进行虚拟连挂或解挂操作。此外，虚拟连挂技术最大限度上减少了物理操作，进一步节约时间、人力物力资源和成本4。列车虚拟连挂核心系统是列车识别系统，可靠的图像识别技术可提升列车对前后车的动态感知能力，进一步保障列车运行安全、增加列车密度，提高运行效率。研究首先介绍了虚拟连挂的发展背景，其次通过结合固态激光雷达感知系统和模糊簇算法，分析一种较为准确的目标列车识别系统，最后通过软件仿真评估了系统在虚拟连挂以及列车接近预警方面的可行性、合理性以及局限性。1基于固态激光雷达、模糊簇算法的虚拟连挂系统1.1欧洲铁路虚拟连挂系统研究概况2015年，欧洲铁路行业协会与西班牙CAF公司联合西门子、庞巴迪等公司共同成立研究团队并开始 Roll2Rail 研究。Roll2Rail 项目子工作组 2便是负责研究列车运行控制的无线通信技术，该项目已于2017年结题，为后续车-车无线通信技术及虚拟连挂技术打下坚实基础。Secure Connected Trustable Things(SCOTT)Escel JU欧洲项目设计了一种基于物联网技术的智能列车组合连挂系统5-6，与传统基于车-车通信的虚拟连挂不同，SCOTT项目采用无线传感器直接测距，实现列车数据的实时测量及转发，可传输列车编组信息、列车重量、列车长度等多种信息，列车可参考该信息进行必要牵引或制动操作，保障编组列车连挂解挂的安全性。虚拟连挂主要依靠高可靠的车-车间无线链路在前后车之间传输相对位置信息，后车根据前车的位置速度信息进行牵引制动，保持安全车距。虚拟连挂过程如图1所示，在虚拟连挂前，前后列车需按照欧洲列车运行控制系统(Europe Train Control System,ETCS)ETCS-3 级别行车许可进行牵引制动。虚拟连挂后，头车依旧按照ETCS-3级别列车许可进行控车，而后续列车通过车-车间无线通信实时掌握前车速度、位置信息，并及时采取相应措施，无需按照ETCS-3行车许可，采用虚拟连挂可有效缩短列车间距，进一步提高轨道占用率、铁路运输效率7-10。虚拟连挂系统工作原理、过程状态转换如图2所示。虚拟连挂系统编组解编的效率主要受到ATO性能、列车性能、道岔动作效率、前后车间的协同效率影响。为了保障虚拟连挂系统高效、可靠运行，通常虚拟连挂系统具有以下特点10-13。（1）相邻列车的安全距离不以绝对制动距离为原则，应采用相对制动距离，即后车需实时计算并监测前车的位置、速度和速度变化率。（2）为了保障相邻列车间数据传输的高可靠性和实时性，应采用高可靠、低时延的车-车通信方式。车-车通信技术除了高可靠、低时延的特点外，由于通信链路不依赖于地面服务器，不会因为地面设备故障干扰虚拟连挂系统安全可靠运行。（3）列车应当尽量采用ATO控车。1.2基于车-车通信及固态激光雷达技术的虚拟连挂列车识别系统研究拟采用激光雷达构建虚拟连挂列车识别系图1虚拟连挂过程Fig.1Virtual coupling process-57刘运 等 基于固态激光雷达和模糊簇算法的虚拟连挂列车识别系统统。激光雷达具有测量精确、分辨率高和可靠性强等特点，此外，传统激光雷达中没有机械运动部件，不会因为列车运行震动而产生测量误差。目标列车识别系统包括车-车通信车载设备和固态激光雷达14-15。固态激光雷达负责测量多个视野分段到传感器的距离，车-车通信车载设备负责将分段编组、优化处理，形成多个分段组，并计算出目标列车的距离、速度信息。分段组数据在经过车-车通信车载设备迭代优化后通过车-车无线通信链路传输给后车列控系统。系统架构如图3所示。前后车通过通信链路实时监测相对距离、速度、加速度等信息，列控系统根据以上信息调整制动曲线、相对制动距离以匹配前方列车速度。理想情况下，前后列车以相同速度行驶，且制动性能相同时，相对制动距离为0。此时，前后列车的理论安全距离由安全余量决定。对于虚拟连挂系统，安全余量取决于以下因素：列车之间的通信时延、速度测量误差、轨道坡度、列车制动性能差异等。在虚拟连挂场景下列控系统需在保证列车安全、可靠和高效运行的前提下，尽可能缩减列车运行间隔。因此，要求列车识别系统响应、测量时延低；通信系统更新移动授权的消息频率高，即采用车-车通信模式。另外，列控系统的高安全性依赖于列车识别系统的高可靠性，根据故障-安全原则，一旦出现故障且后车无法收到前车运行、速度信息时，应采取制动停车策略。基于车-车通信及激光雷达技术的虚拟连挂列车识别系统结合低时延车-车通信、高精度激光雷达测距等技术确保后车列控系统能精准、实时获取前方列车的位置、速度信息，列控系统实时调整列车制动曲线，在编组列车密集追踪场景下保障列控系统高可靠性、高安全性，进一步缩短列车运行间距、提高铁路运输效率、轨道占用率，应用前景广泛。目前激光雷达主要分成旋转式激光雷达和固态图2虚拟连挂系统工作原理、过程状态转换Fig.2Working principle and process state transition of virtual coupling system固态激光雷达系统接口模糊簇算法优化Python API固态激光雷达驱动RAM以太网口/串口数据存储设备无线通信传输系统电源嵌入式Linux主控单元车-车通信服务器列控系统车-车无线通信系统图3系统架构Fig.3System structure-58刘运 等 基于固态激光雷达和模糊簇算法的虚拟连挂列车识别系统激光雷达2类。旋转式激光雷达可以提供360度动态视野监测功能，传输数据量大，但部署成本较高。固态激光雷达仅聚焦于指定视野范围内，与旋转式激光雷达相比，虽然数据量受限但固态激光雷达部署成本极低(大约相差一个数量级)，在测量距离-部署成本上固态激光雷达更胜一筹。鉴于列车行驶过程中主要关心前后车运行数据，综合比较两者部署成本，固态激光雷达更适于铁路行业应用。拟采用一种支持8分段、视野20(即每个分段对应2.5)、最大探测距离185 m的固态激光雷达，固态激光雷达内部传感器系统参数如表1所示10。1.3固态激光雷达的分段与编组固态激光雷达探测示意图如图4所示。首先固态激光雷达将视野范围分割成8段，车-车通信服务器根据相邻分段距离差将8个分段编组成多个分段组，距离差计算方式如图5所示。为了能清晰分辨物体前后关系，当相邻分段距离差低于某距离预设值时应将这2个分段编入同一分段组(既认定为同一物体)。例如，在只有墙壁的情况下算法应将8个分段编成一组，对应墙壁这一个物体。距离预设值应当大于最小相邻分段距离差，且与测量距离成正比。实际应用中激光雷达视野内往往不只有一个物体，此时车-车通信车载设备应生成多个分段组。编组完成后距离激光雷达最近的分段组会被标记为目标，最后车-车通信车载设备计算出目标距离和目标相对速度并将相关信息通过车-车通信链路分享给前后列车。车-车通信车载设备编组流程如图6所示，可总结为以下步骤：收集激光雷达提供的8个分段信息；计算所有相邻分段距离差；确定距离预设值；对比相邻分段距离差与距离预设值；对8个分段进行分组，生成多个分段n+1分段n相邻分段间距离差图5距离差计算方式Fig.5Distance difference calculation障碍物激光雷达墙壁视野范围分段图4激光雷达探测示意图Fig.4Lidar detection表1固态激光雷达内部传感器系统参数Tab.1Solid-state lidar internal sensor parameters参数分段数/段视野范围几何尺寸使用波长/nm测距精确度/cm工作温度/功率/W范围82070 mm 35.9 mm 71.2 mm9055-40852d12 d23 d34 d45 d56 d67 d78 分段相邻分段间距离差距离差最大值：Xdi,i+1X分段i归属于分段组i+1分段8分段7分段6分段5分段4分段3分段2分段1分段8分段7分段6分段5分段4分段3分段2分段1分段i归属于分段组i图6车-车通信车载设备编组流程Fig.6Onboard vehicle-to-vehicle communication grouping process-59刘运 等 基于固态激光雷达和模糊簇算法的虚拟连挂列车识别系统分段组。对于单一目标场景，车-车通信车载设备编组后应当分出 3 个分段组(1 个为障碍物，2 个为墙壁)，分段组示意图如图7所示。上述分段编组方法有一定局限性，大致可分为以下2类。（1）目标物体过小。在较小障碍物介于较大物体和激光雷达之间的情况下，后方较大物体会被分为2个分组段，此时分段组和物体之间不是一一对应关系(例如墙壁虽然是一个整体但对应2个分段组)。当然也有可能存在两个物体距离激光雷达相同的情况，具体情况需要研判。（2）两个物体同时存在于同一个分段内。目标部分进入视野场景如图8所示，此时两个物体分界面位于段6中，即前方障碍物和后方墙壁同时出现在该分段内，且两个物体间有较明显的前后差距，不能视为同一物体。由于固态雷达自身设计原因，可能会出现分段错误以及距离测量错误，与目标真实情况不符，需要进行优化。1.4模糊簇优化算法正如前文所述当两个物体同时出现在同一个分段内时，激光雷达会生成一个毫无意义的分段组，使用模糊C均值(Fuzzy C-Means Clustering，FCM)算法10可有效解决上述问题。1.4.1定义（1）定义“预分组”为：车-车通信车载设备第一次编组后但未使用模糊簇算法的过程。预分组后每个分段只能属于(用“1”表示)或不属于(用“0”表示)某个分段组。（2）定义“归属度”为：任意一个分段归属于某个分段组的程度。归属度表示概率，0代表不属于该分段组，1代表属于该分段组。在模糊逻辑中归属度为 0-1 之间任意数字，即对于某个分段来说，可同时有一定概率属于多个分段组。（3）定义“归属度矩阵”为：所有分段归属度的集合，行为分段组，列为固态激光雷达分割的8个分段，元素为归属度。预分组后未使用模糊簇算法前的二进制归属度矩阵如图9所示。由于未采用模糊算法，归属度用二进制表达(0或1)。激光雷达墙壁无意义分段图8目标部分进入视野场景Fig.8Scenario where target partially enters field of view障碍物激光雷达墙壁分段组1分段组2分段组3110000000011110000000011归属度矩阵分段分段组()图9未使用模糊簇算法前的二进制归属度矩阵Fig.9Binary attributive degree matrix without fuzzy clustering algorithm障碍物激光雷达墙壁分段组1分段组2分段组3图7分段组示意图Fig.7Segment cluster-60刘运 等 基于固态激光雷达和模糊簇算法的虚拟连挂列车识别系统1.4.2算法原理FCM模糊算法首先将预分组后的二进制归属度矩阵数据代入公式，计算出每个分段组的中心位置cj。cj=i=18uijxiji=18uij式中：uij为预分组后第j分段组中第i分段的归属度(即归属度矩阵中的第j行i列元素)；xij为第j分段组中第 i 分段的测量距离；cj为第 j 分段组的中心位置。再将公式中的中心位置代入公式计算模糊算法优化后的模糊归属度。其中，参数m应当大于1，m值越大归属度越离散，即归属度和0-1之间的差值越大。正如公式所示，优化后的归属度取决于分段i的测量位置和各分段组中心位置cj之间的距离差。Uij=1k=1c()xi-cjxi-ck2m-1式中：xi为当前分段的测量距离；m为0-1之间的用户自定义变量；Uij为迭代计算后第j分段组中第i分段的归属度。以上步骤可进一步迭代以获得更加精确的归属度矩阵。模糊簇算法迭代流程如图10所示。实际应用中在一定次数迭代后便可结束循环并生成最终归属度矩阵。车-车通信车载设备使用迭代后归属度矩阵计算出每个分段组的大小及位置信息，进而选取距离固态激光雷达最近的分段组作为目标列车的位置。2算法局限性分析2.1物体前后关系的局限性物体前后关系明确情况下模糊归属度矩阵如图11所示。通过对比模糊归属度矩阵和二进制归属度矩阵发现：矩阵区别不大，这是因为障碍物和墙壁之间有较明显的前后差异。物体前后关系不明显情况下的模糊归属度矩阵如图12所示，此时可能会出现分段编组错误，需调整模糊簇算法参数，并研判每个分段属于哪个分段组。2.2外部物体干扰局限性为了最大限度保障安全，做以下规定：距离激光雷达最近的分组段代表目标列车，但由于固态激光雷达视野范围有限，如果物体尺寸较小且与激光雷达距离较近，需进一步研判是否需要进行制动。3软件仿真结果3.1仿真场景分析为了验证算法的可行性并分析其合理性，总结模糊簇算法的软件仿真结果，为了方便数据分析进预分组后归属度矩阵计算每个分段组的中心位置Cj更新归属度矩阵迭代适当迭代后退出循环，生成新归属度矩阵图10模糊簇算法迭代流程图Fig.10Iterative flow chart of fuzzy clustering algorithm障碍物激光雷达墙壁分段组1分段组2分段组30.90.90.20.100000.10.10.80.90.90.80.90.900000.10.20.10.1归属度矩阵分段分段组()图11物体前后关系明确情况下模糊归属度矩阵Fig.11Fuzzy attributive degree matrix when context is clear-61刘运 等 基于固态激光雷达和模糊簇算法的虚拟连挂列车识别系统行以下简化：仿真场景内只有列车和墙壁2个物体；列车为形状规则的长方体。以上2点简化模拟列车运行时前后车之间有一段安全距离的场景，前方列车的形状细节可以忽略，并视为形状规则的物体。本节根据障碍物与固态激光雷达的位置关系，制定了 3 种典型仿真场景，3种典型场景如图13所示。场景1：列车与后方参考物有明显前后关系且列车在固态激光雷达视野范围内。场景2：列车与后方参考物没有明显前后关系且列车在固态激光雷达视野范围内。场景3：列车与后方参考物有明显前后关系但列车仅部分进入激光雷达视野范围。暂不考虑障碍物与后方参考物没有明显前后关系但障碍物仅部分进入激光雷达视野范围，这种情况下可以将障碍物与后方参考物视为一体。3种典型场景下每个分段的测量距离值如表2所示。场景1归属度分布对比如图14所示，场景2归属度分布对比如图15所示，场景3归属度分布对比如图16所示。分别展示了三种情况下二进制归属度分布和模糊归属度分布对比。3.23种典型场景归属度分布仿真分析场景1归属度矩阵中共有3个分段组，其中第一个分段组中有2个分段，第二个分段组中有5个障碍物激光雷达墙壁分段组1分段组2分段组30.90.90.60.100000.10.10.40.90.90.60.10.100000.10.40.90.9归属度矩阵分段分段组()图12物体前后关系不明显情况下的模糊归属度矩阵Fig.12Fuzzy attributive degree matrix when context is not clear激光雷达墙壁墙壁墙壁激光雷达激光雷达a 场景1a Scenario 1b 场景2b Scenario 2c 场景3c Scenario 3图133种典型场景Fig.13Three typical scenarios00.20.40.60.81.01.212345678归属度 固态激光雷达分段 分段组1 分段组2 分段组3 00.20.40.60.81.01.212345678归属度 固态激光雷达分段 分段组1分段组2分段组3a 场景1未使用模糊簇算法归属度分布a Scenario 1 attributive degree distribution before using fuzzy clustering algorithmb 场景1使用模糊簇算法后归属度分布 b Scenario 1 attributive degree distribution after using fuzzy clustering algorithm图14场景1归属度分布对比Fig.14Attributive degree distribution comparison of scenario 1-62刘运 等 基于固态激光雷达和模糊簇算法的虚拟连挂列车识别系统分段，第三个分段组中有1个分段。通过模糊簇算法优化后可发现归属度矩阵变化不大，证明分段编组正确，各分段组之间的界限并不模糊。场景2归属度矩阵中共有3个分段组，其中第一个分段组中有3个分段，第二个分段组中有3个分段，第三个分段组中有2个分段。该场景下由于目标列车距离固态激光雷达较远，仅占3个分段。场景2中由于目标和墙壁相距较近，相比于场景1，从图14可以看出使用模糊簇算法后第5分段的归属度更加离散。场景3归属度矩阵中共有3个分段组，第一个分段组有5个分段，第二个分段组有1个分段(第6分段)，第三个分段组有2个分段。通过图15和表2可以看出第6分段的测量距离值介于两个分段组的测量距离值之间，且单独成为一个分段。模糊簇算法优化后，第6分段归属度离散分布于3个分段组之间，即第6分段不为独立分组段，解决了预编组的问题。3.3距离误差分析车-车通信车载设备可将模糊簇算法优化后的归属度作为权重加入距离计算公式中重新计算目标列车距离。3种距离计算方式的误差分析如图17所示，对于同一分段组而言，使用模糊归属度进行加权平均计算得出的目标距离误差比按分段距离平均值和分段距离最小值2种方法计算出的目标距离误差小，因此相比于使用预编组直接计算而言，模糊簇优化算法可以更精准地计算视野范围内目标列车距离，进而通过车-车通信车载设备上传至车-车通表23种典型场景下各个分段的距离测量值mTab.2Distance measurements of each segment in three typical scenarios 场景场景1场景2场景3各分段距离固态激光雷达距离1分段2.893.122.872分段2.213.042.983分段2.002.653.004分段2.042.502.955分段2.082.612.946分段2.182.822.347分段2.893.001.968分段2.963.071.9700.20.40.60.81.01.212345678归属度 固态激光雷达分段 00.20.40.60.81.01.212345678归属度 固态激光雷达分段 分段组1分段组2 分段组3 分段组1分段组2分段组3a 场景3未使用模糊簇算法归属度分布a Scenario 3 attributive degree distribution before using fuzzy clustering algorithmb 场景3使用模糊簇算法后归属度分布b Scenario 3 attributive degree distribution after using fuzzy clustering algorithm图16场景3归属度分布对比Fig.16Attributive degree distribution comparison of scenario 300.20.40.60.81.01.212345678归属度 固态激光雷达分段 00.20.40.60.81.01.212345678归属度 固态激光雷达分段 分段组1分段组2 分段组3 分段组1分段组2分段组3a 场景2未使用模糊簇算法归属度分布a Scenario 2 attributive degree distribution before using fuzzy clustering algorithmb 场景2使用模糊簇算法后归属度分布 b Scenario 2 attributive degree distribution after using fuzzy clustering algorithm图15场景2归属度分布对比Fig.15Attributive degree distribution comparison of scenario 2-63刘运 等 基于固态激光雷达和模糊簇算法的虚拟连挂列车识别系统信链路为虚拟连挂提供更加精准的前后列车运行信息。4结束语通过分析一种基于固态激光雷达和模糊簇算法的虚拟连挂列车识别系统，简要阐述了设备选型以及基本原理，通过软件仿真验证了该方法的可行性、合理性。通过观察仿真结果可以得出：无论物体是否全部进入固态激光雷达视野，使用固态雷达加模糊簇算法可以较精确地识别单个物体、优化分段编组方式和提高计算准确性，可用于基于车-车通信的虚拟连挂系统。前车位置经激光雷达和车-车通信车载设备处理后经车-车无线通信链路分享给后车，后车根据前车位置、速度采取相应措施。不足之处在于仅研究了单一物体识别，如果有体型较小的物体(如鸟类)闯入雷达视野并部分遮挡固态激光雷达视野时应当如何处理不在讨论范围内，相关问题有待进一步研究。参考文献：1 张 诚，郭侠如，严利鑫.客货共运模式下高铁快运输送方案设计J.铁道运输与经济，2023，45(6)：8-14.ZHANG Cheng，GUO Xiaru，YAN Lixin.Design of HSR Express Transportation Scheme Under Passenger and Freight Co-transportation ModeJ.Railway Transport and Economy，2023，45(6)：8-14.2 周政铎，周 黎，李 博.面向旅客到达晚点最小的高速铁路列车运行图冗余时间布局优化研究J.铁道运输与经济，2023，45(2)：25-32.ZHOU Zhengduo，ZHOU Li，LI Bo.Optimization of Buffer Time Layout of High Speed Railway Train Working Diagram for Minimizing Passengers Arrival DelayJ.Railway Transport and Economy，2023，45(2)：25-32.3 王洪伟，赵倩倩，罗城城，等.基于车车通信的轨道交通虚拟连挂控制方法研究J.铁道技术标准(中英文)，2022，4(1)：14-18.WANG Hongwei，ZHAO Qianqian，LUO Chengcheng，et al.Train-to-Train communication Based Virtually Coupled Train Sets of RailwaysJ.Railway Technical Standard(Chinese&English)，2022，4(1)：14-18.4 乐建炜，潘红芹，胡小宁，等.基于工业物联网架构的铁路数据中心智能巡检系统J.铁路计算机应用，2021，30(12)：63-69.LE Jianwei，PAN Hongqin，HU Xiaoning，et al.Intelligent Patrol Inspection System of Railway Data Center Based on Industrial Internet of Things ArchitectureJ.Railway Computer Application，2021，30(12)：63-69.5 JESUS F，YEOJUN K，FRANCESCO B.A Model Predictive Control Approach for Virtual Coupling in RailwaysJ.IEEE Transactions on Intelligent Transportation Systems，2019，20(7)：2728-2739.6 史密斯K，张建平.俄罗斯机车虚拟连挂技术在列车控制与管理方面的应用J.国外铁道机车与动车，2023(2)：14-16.7 宋志丹，徐效宁，李 辉.面向虚拟编组的列控技术研究J.铁道标准设计，2019，63(6)：155-159.SONG Zhidan，XU Xiaoning，LI Hui.Study on Virtual-Coupling-Orientated Train Control TechniqueJ.Railway Standard Design，2019，63(6)：155-159.8 徐凯军，李 猛，季春晖，等.基于模糊C均值聚类约束的井-地磁法联合数据空间反演J.中国石油大学学报(自然科学版)，2021，45(3)：55-64.XU Kaijun，LI Meng，JI Chunhui，et al.Data Space Joint Inversion of Ground and Borehole Magnetic Data with Fuzzy C-Means Clustering ConstraintsJ.Journal of China University of Petroleum(Edition of Natural Science)，2021，45(3)：55-64.9 洪 韦，唐国良，蓝贤桂.基于激光雷达的铁路货运超限检测系统研究J.铁道货运，2021，39(8)：31-37.HONG Wei，TANG Guoliang，LAN Xiangui.Out-of-Gauge Detection System Based on Lidar for Railway FreightJ.Railway Freight Transport，2021，39(8)：31-37.10 姜 博，田长海，蔺 伟.基于 5G 的 mMTC 物联网系统在铁路物流领域的应用J.铁道运输与经济，2021，43(12)：60-65.024681012场景1 场景2 场景3 误差/%模糊归属度加权平均值 预分组距离平均值 分段组里距离最小值 图173种距离计算方式的误差分析Fig.17Error analysis of three distance calculation methods-64刘运 等 基于固态激光雷达和模糊簇算法的虚拟连挂列车识别系统JIANG Bo，TIAN Changhai，LIN Wei.Application of 5G-based mMTC IoT System to Railway LogisticsJ.Railway Transport and Economy，2021，43(12)：60-65.11 刘宏友，曾 京，李 莉，等.高速列车二系横向阻尼连续可调式半主动悬挂系统的研究J.中国铁道科学，2012，33(4)：69-74.LIU Hongyou，CENG Jing，LI Li.Study on Secondary Lateral Continuous Adjustable Damping Semi-Active Suspension Device for High Speed TrainJ.China Railway Science，2012，33(4)：69-74.12 释小松，程英蕾，赵中阳.利用神经网络的城区机载激光雷达点云分类算法J.计算机应用研究，2020，37(4)：1256-1260.SHI Xiaosong，CHENG Yinglei，ZHAO Zhongyang.Airborne LiDAR Point Clouds Classification Algorithm for Urban Classification Using Neural NetworkJ.Application Research of Computers，2020，37(4)：1256-1260.13 肖 乾，王丹红，史开志.动车组密接式车钩虚拟仿真实验系统设计J.实验室研究与探索，2019，38(10)：109-114.XIAO Qian，WANG Danhong，SHI Kaizhi.Design of Virtual Simulation Experiment System of the Coupling Coupler of EMUJ.Research and Exploration in Laboratory，2019，38(10)：109-114.14 冯浩楠，郑泽熙，白广争，等.以列车为中心的自主控制系统的列车工作模式J.城市轨道交通研究，2022，25(12)：198-202.FENG Haonan，ZHENG Zexi，BAI Guangzheng，et al.Train Operation Mode of Train-centric Autonomous Control SystemJ.Urban Mass Transit，2022，25(12)：198-202.15 PAYAM T，PERVER K，DEREK B，et al.Modeling Restorative Potential of Urban Environmen