摘要：随着城市轨道交通的快速发展和自动驾驶技术的日趋成熟，自动驾驶已成为轨道交通领域的重要发展方向。列车自动控制系统（ATC）通过其子系统如列车自动防护（ATP）、列车自动驾驶（ATO）和列车自动监督（ATS）等，确保列车运行方向、间隔和速度的精确控制，从而实现安全、高效和准时的列车运行。本文旨在系统综述自动控制技术在轨道交通自动驾驶控制系统中的应用。首先，介绍了轨道交通自动驾驶系统的发展背景、意义和总体架构；其次，详细阐述了经典控制理论、现代控制理论以及智能控制方法等在列车自动驾驶控制中的具体应用，并分析了各种控制方法的特点和适用场景；然后，讨论了自动驾驶控制系统中的关键技术，包括列车精确定位、速度控制、制动控制、车门控制和紧急情况处理等；最后，总结了当前研究的成果和不足，并对未来的发展方向进行了展望。

关键词：轨道交通；自动驾驶；自动控制；列车控制；智能控制；列车定位

1. 引言

城市轨道交通作为现代城市公共交通系统的核心，凭借其运载量大、速度快、安全稳定以及准时高效的特点而广受赞誉。随着城市扩张和人口膨胀，轨道交通系统面临运能、效率和安全性的更高挑战。即便是采用了先进的列车自动防护技术，面对日益增长的运能、效率和安全性需求，也逐渐显得力不从心[1-2]。然而，自动驾驶技术的蓬勃发展，如同一股清流，为轨道交通领域注入了新的活力与希望。列车自动驾驶系统能在保障安全的前提下，自主完成启动、加速、巡航、减速、停车及车门启闭等动作，进而提升运营效率、降低能耗、优化乘客体验，并有效减轻驾驶员的工作强度。目前，该系统已在国内外众多地铁线路中广泛实施，并正朝着完全无人驾驶的方向迈进。自动控制技术构成了列车自动驾驶系统的核心。从最初的继电器控制到现代的计算机控制，自动控制理论和技术的演进促进了列车驾驶自动化程度的持续提高。本文将全面探讨自动控制技术在轨道交通自动驾驶控制系统中的应用，评估各种控制方法的特性及适用范围，并对未来发展进行预测。

2. 自动驾驶控制系统架构与控制技术

轨道交通的自动驾驶系统是一个复杂的机电一体化系统，其核心在于自动控制技术。一个标准的自动驾驶系统通常由感知系统、决策与规划系统、控制执行系统、通信系统和安全保障系统构成。感知系统负责获取列车自身状态和外部环境信息，包括列车精确定位、速度/加速度测量、障碍物检测和信号识别等。决策与规划系统根据感知系统提供的信息、线路数据、时刻表信息以及控制目标（如准点、节能、舒适等），生成列车运行曲线和控制指令。控制执行系统负责接收来自决策与规划系统的控制指令，进而调控列车的牵引及制动系统，确保列车运行的精准控制。通信系统实现列车与控制中心、列车与其他设备之间的信息交互。安全保障系统则负责对以上的所有系统进行监控，并在必要时进行干预[3]。

自动控制技术在列车自动驾驶控制中扮演着至关重要的角色。根据控制理论的发展历程和技术特点，可将应用于列车自动驾驶的控制方法分为以下几类：

经典控制理论的应用：比例－积分－微分（PID）控制是应用最广泛的控制方法。PID控制器依据设定值与实际值的偏差，结合比例、积分、微分三个环节的综合作用，生成控制输出，从而调整列车的牵引力与制动力。PID 控制的优点是结构简单、易于实现、鲁棒性较好，但其性能依赖于参数的整定。在实际应用中，常采用经验试凑法、齐格勒-尼科尔斯方法等进行参数整定。为了提高 PID 控制的性能，还发展出了自适应PID、模糊PID 等改进方法。尽管PID控制在结构上相对简洁，但在列车速度和位置控制领域，通过精心调整参数及设计控制策略，依然能够达成优异的控制成效。

现代控制理论的应用：现代控制理论以状态空间法为基础，为列车自动驾驶控制提供了更先进的工具。状态空间法将列车运行过程描述为一个状态空间模型，通过设计状态反馈控制器来实现对列车运行状态的控制。状态空间法的显著优势在于其能够应对多输入多输出系统的复杂性，实现更出色的控制性能，不过，这一方法的前提是需要构建一个精确的数学模型。最优控制旨在满足系统各项约束条件的同时，确保某一性能指标（诸如能耗、运行时长或乘客舒适度等）达到最佳状态。常用的最优控制方法包括庞特里亚金极大值原理、动态规划等。最优控制可以实现全局最优的控制效果，但计算量较大，对实时性要求较高的车载系统构成挑战。模型预测控制（MPC）乃一种依托模型实现的闭环优化控制策略。它在每个采样时刻，根据当前状态和预测模型，求解一个有限时域内的最优控制问题，并将得到的控制序列的第一个控制量作用于系统。模型预测控制的优点是可以处理约束、具有较好的鲁棒性，并能实现较优的控制性能，特别适用于具有复杂约束和非线性特性的列车自动驾驶控制。

智能控制方法应用：随着人工智能技术的发展，智能控制方法在列车自动驾驶控制中也得到了广泛应用。模糊控制依据模糊集合理论与模糊推理机制运作，无需依赖精确的数学模型，而是凭借专家的丰富经验和专业知识，构建模糊规则库，进而通过模糊推理导出控制指令。模糊控制具备出色的鲁棒性，对模型的不确定性展现出良好的容忍度，然而，其性能表现很大程度上取决于模糊规则的科学设计。神经网络控制则凭借人工神经网络的强大非线性映射能力和自我学习能力，实现对复杂系统的高效控制。神经网络控制的优点是可以逼近任意非线性函数，具有较强的自适应能力，但其训练需要大量的样本数据，且存在过拟合的风险。强化学习作为一种先进的机器学习方法，通过智能体与环境的不断交互，探索并学习出最优的行为策略。在列车自动驾驶中，可以将列车视为智能体，将环境视为轨道、信号、时刻表等，将控制目标（如准点、节能、平稳）定义为奖励。通过不断尝试和学习，智能体可以学习到最优的驾驶策略。强化学习的优点是不需要预先建立模型，可以适应环境的变化，但其训练过程较长，且存在收敛性和稳定性的问题。深度强化学习作为强化学习与深度学习的有机结合，正成为当前学术界和工业界的研究热点。

3. 自动驾驶控制系统关键技术

列车自动驾驶控制系统的实现涉及多个关键技术，这些技术相互支撑，共同保障列车的安全、高效运行。从列车的启动、加速、减速到最终的停止，每一个环节都需要精确地控制和协调。这些技术包括但不限于列车精确定位技术、速度控制与制动控制技术、车门控制与站台安全、行车调度与协同以及紧急情况处理技术[4]。

列车精确定位技术：列车定位技术是实现自动驾驶的关键，它为列车的自动控制、安全防护以及运营管理提供了必要的位置信息。目前，列车定位技术主要包括轨道电路、应答器（信标）、速度传感器（里程计）、惯性导航系统、卫星导航系统（尤其适用于地面线路）和无线电定位等。此外，多传感器融合技术的应用进一步提高了定位的精确性和可靠性。轨道电路提供轨道区段的占用/空闲信息。应答器则提供列车在轨道上的精确位置信息。速度传感器与惯性导航系统结合积分运算来估算列车位置，然而，这种方法存在累积误差和漂移的问题。卫星导航系统广泛应用于地面线路，但在隧道、地下等封闭环境中，其信号会受到限制。多传感器融合技术综合利用多种定位技术的信息，采用卡尔曼滤波、扩展卡尔曼滤波、粒子滤波等算法，可以提高定位的精度、可靠性和鲁棒性[5]。

速度控制与制动控制技术：速度控制是自动驾驶控制系统的核心任务，根据规划的运行曲线，控制列车的牵引和制动系统，使列车实际运行速度跟踪目标速度。制动控制是保障列车安全的关键，自动驾驶系统需要根据列车运行状态、线路条件、目标停车点等因素，精确控制列车的制动力，实现平稳、准确停车。常用的控制方法包括基于规则的控制、PID 控制、模糊控制、滑模变结构控制等[6]。

车门控制与站台安全：自动驾驶系统需要控制车门的自动开启和关闭，并确保车门与站台屏蔽门/安全门（如有）的联动。车门控制设计需兼顾安全性，涵盖防夹、防挤压等功能，通过集成传感器、控制器及执行机构，形成闭环控制系统。这些系统需实时响应各类突发状况，确保乘客安全无忧。

行车调度与协同：列车自动驾驶系统需要和调度系统配合，使得列车能够按照指定的时刻表运行。 针对高密度线路，还需实施多车协同控制策略。这涉及复杂的通信和数据交换，确保列车之间以及列车与调度中心之间的信息同步，以实现高效的运行和调度。

此外，自动驾驶系统还必须具备处理紧急情况的能力，如障碍物检测与避撞、紧急制动、故障诊断与处理等。这需要依靠高可靠性的传感器、快速响应的控制算法和冗余的安全设计。紧急时刻，系统需迅速响应，采取有效举措，全力保障乘客与列车安全。

紧急情况处理技术：自动驾驶系统必须具备处理紧急情况的能力，如障碍物检测与避撞、紧急制动、故障诊断与处理等。这需要依靠高可靠性的传感器、快速响应的控制算法和冗余的安全设计。在紧急情况下，系统必须能够迅速做出反应，采取必要的措施以确保乘客和列车的安全。传感器需精准探测障碍物，控制系统则需迅速规划避障路径或执行紧急制动。此外，系统还需具备故障诊断能力，能在故障发生时迅速定位并采取相应措施，防止故障恶化，确保列车安全抵达下一站或最近的维修站点。

4. 结论与展望

本篇综述文章详细探讨了自动控制技术在轨道交通自动驾驶控制系统中的应用情况。自动控制技术构成了列车自动驾驶的关键，从传统的PID控制到现代的模型预测控制，再到先进的模糊控制、神经网络控制以及强化学习，这些控制方法在列车自动驾驶控制领域都扮演了关键角色。根据交通运输部发布的《城市轨道交通全自动运行系统运营技术和管理规范（试行）》，目前的自动驾驶控制系统在实际运用中已经展现出显著的成效，不仅提升了轨道交通的运营效率，也增强了其安全性。尽管如此，当前的自动驾驶控制系统在复杂环境感知、控制算法的鲁棒性与适应性以及人机协作等方面仍有进步空间。展望未来，轨道交通自动驾驶控制系统的发展趋势将指向智能化、集成化、网络化、协同化以及完全自动化。多传感器融合与智能感知技术将得到进一步的提升，以增强感知系统的精确度、稳定性和抗干扰能力，从而更好地理解和识别复杂环境。诸如模型预测控制、自适应控制、鲁棒控制及智能控制等一系列先进控制算法，将会得到更为广泛的应用，从而进一步提升控制系统的性能与适应性。基于大数据和机器学习的控制策略学习与优化将成为研究的重点。车一车协同控制技术将有助于改善列车运行间隔，提升线路的吞吐能力。随着技术的不断进步和政策的支持，全自动无人驾驶技术正逐渐成为城市轨道交通领域发展的主流。同时，基于数字孪生的控制系统测试和验证技术也将得到更广泛地应用。随着这些技术的不断进步和应用，未来的轨道交通自动驾驶系统将会愈发智能、安全可靠且高效运行，为乘客带来更为优质的出行享受，同时也将为城市的可持续发展注入更多活力。

参考文献：

[1]李国龙.有轨电车自动驾驶方案设计与实践[J].城市轨道交通，2023，（11）：34-37.DOI：10.14052/j.cnki.china.metros.2023.11.016.

[2]阮厚文.普速铁路自动驾驶技术研究与应用[D].中国铁道科学研究院，2023.DOI：10.27369/d.cnki.gtdky.2023.000040.

[3]邹尧.城轨列车ATO节能运行控制策略优化研究[D].兰州交通大学，2023.DOI：10.27205/d.cnki.gltec.2023.000299.

[4]郭啸.基于深度强化学习的城轨列车自动驾驶控制方法研究[D].兰州交通大学，2023.DOI：10.27205/d.cnki.gltec.2023.001538.

[5]徐英哲.城市轨道交通列车运行控制系统集成技术分析[J].中国设备工程，2022，（19）：227-229.

[6]金则灵.基于深度强化学习的城轨列车ATO智能控制策略研究[D].兰州交通大学，2022.DOI：10.27205/d.cnki.gltec.2022.001073.