重载列车群组运行控制系统及控制理论研究综述

Review of Heavy Haul Group Train Operation Control System and Group Train Operation Control Theory

摘要

重载列车群组运行控制系统创新加密提效技术路线，以单元列车协同群组化运行实现区间高密度紧追踪和站内高效接发车，为突破重载铁路运输瓶颈、提高重载铁路运能运量提供了一种新模式。针对重载列车群组运行控制系统概念、架构、组成、地面和车载设备、功能、运行过程、效果以及与典型列控系统的对比进行阐述，从概念、原理及控制算法优劣势等方面描述列车运行模型及多种具有代表性的控制方法，说明对应控制方法在控制性能方面的优缺点以及针对群组列控系统的适配性，并从系统应用、优化、演进以及控制理论模型、策略研究方面对未来的研究方向进行展望，为构建满足铁路运能提升、运输安全及多制式兼容要求的群组列控系统奠定基础。

Abstract

Heavy Haul Group Train Operation Control System innovates in incremental driving density and efficiency technology by collaborative grouping operation of unit trains to achieve high-density tracking in sections and efficient receiving and departure in stations, which offers a new mode for bottleneck removal and capacity improvement of heavy haul railway transportation. The concept, architecture, composition, ground and onboard equipment, function, operation process, and effect of the Heavy Haul Group Train Operation Control System, as well as comparison with typical train control systems were elaborated. The train control model and various representative control methods from the perspectives of concepts, principles, and control algorithm advantages and disadvantages were described. The advantages and disadvantages of the corresponding control methods in terms of control performance and their adaptability to the control system of group trains were introduced. Prospects for future research directions were provided on system application, optimization, evolution, control models, and control strategies. This review can lay a foundation for building the Heavy Haul Group Train Operation Control System satisfying railway transportation capacity improvement, transportation safety, and multi-standard compatibility.

Graphical abstract

关键词

列车运行控制系统 / 群组运行 / 系统架构 / 协同控制 / 控制方法

Key words

Train Operation Control System / Group Train Operation / System Architecture / Collaborative Control / Control Method

0　引言

列车运行控制系统(以下简称“列控系统”)通过控制列车运行间隔以保证行车安全^[1]，在当前技术体系下，很多车站出现运能瓶颈及峰值运能不足的问题，需要从控制技术上寻找突破以大幅提升运能。近年来移动闭塞、虚拟联挂以及群组等列控系统研究取得了显著进展，针对移动闭塞、虚拟联挂以及群组等列控系统的研究，工业界主要集中在列控地面、车载装备研制和系统的现场工程应用，而学术界主要集中在控制理论与相关技术的研究^[2]。

移动闭塞是基于计算机控制、车地通信和列车自主定位位置报告的新闭塞方式^[3]，后车根据前车距离和进路条件自动设定运行速度，改变了传统基于闭塞分区的固定列车间隔，提高行车效率，目前已广泛应用于地铁线路并在重载朔黄线(黄骅港—三汲)上开通应用^[4]。

虚拟联挂概念在1999年由Bock等^[5]首次提出，基于车车无线通信使列车间形成虚拟联挂列车组，再配合相应的通信设备、车载传感器及控制单元等缩短行车间隔^[6]，以提高货运运能和运输灵活性^[7]。2015年，欧洲“构建未来铁路系统联合行动计划”(Shift2Rail)先后资助了MovingRail，CONNECTA-2及X2RAIL-3等项目支撑虚拟联挂理论框架、技术条件、系统性能等研究，2020年，西班牙CAF公司初步实现两列车的低速虚拟联挂运行。韩国铁道研究所利用微型车验证了基于虚拟联挂的列车自动控制系统核心功能和装备接口，并在奥松综合铁路完成4 km的列车通信测试。俄罗斯运输机械控股集团(TMH)开发ISAVP-RT-M系统，只需升级系统软件和无线电通信模块就可以实现货运列车的虚拟联挂，从而提升15%的线路通过能力。2023年，1 567台3ES5K机车安装了ISAVP-RT-M系统，虚拟联挂运行总路段达到5 734 km。

我国多家企业和研究机构也分别针对虚拟联挂的关键技术进行规划与攻关研究，北京市地铁运营有限公司、交控科技股份有限公司等都在针对地铁列车虚拟联挂技术与装备进行研究与试验，通过灵活编组以适应不同时段和不同客流的运输需求。中国铁路通信信号集团有限公司以高运能、高效率兑现强时效的需求为目标导向创新提出重载列车群组运行控制系统，将长大组合列车分解构造为独立智能单元列车，通过单元列车间自协同安全控制，构造出沿运行路径串行排列、动态间隔的列车群组，形成小间隔、高密度、大运能运行方式^[8]，正在包神铁路北线(东胜—万水泉南南场)开展示范应用。

1　系统架构及功能

重载列车群组运行控制系统(以下简称“群组列控系统”)基于车地^[9]和车车无线通信进行信息传输，通过速度和距离二维控制模式对多辆列车组成的列车群进行协同控制。群组列控系统突破传统闭塞理念，通过综合无线通信、高精度定位测速、完整性检查、群组计划动态调整、列车协同控制、动态组解群及自动驾驶等关键技术作为支撑与保障，实现群组内列车动态紧密协同运行、列车快速组群与解群以及车站高效接发车等目标，从而提高铁路运能运量、提升运输效率与安全保障能力^[10]。

群组列控系统架构如图1所示。群组列控系统由地面和车载两大部分构成，地面部分包含调度集中系统(Centralized Traffic Control， CTC)、群组控制中心(Group Control Center， GCC)、临时限速服务器(Temporary Speed Restriction Server， TSRS)、联锁(Computer Based Interlocking， CBI)、车地通信设备、轨道电路及应答器等，车载部分包含列车超速防护系统(Automatic Train Protection， ATP)、列车自动驾驶系统(Automatic Train Operation， ATO)、车载综合通信平台及综合列尾设备(Integrated End of Train， IEOT)等。

地面部分中，CTC具备计划、命令管理等调度基本功能，还负责管理列车群组计划，对列车运行计划和列车群组计划进行铺画等，CTC下发群组计划并下达办理进路命令，GCC，CBI和ATP等设备相应作出联动反应，CTC根据实际情况与其他设备的数据反馈继续执行或实时调整群组计划。GCC具备列车管理基本功能，GCC通过与CTC，CBI，ATP和TSRS等设备的交互，根据群组计划、区间闭塞、联锁进路、列车位置及状态、信号机显示状态以及临时限速等信息，实时生成行车许可及组解群命令下发至ATP，进一步控制列车按计划运行方向和顺序组解群及群组控制运行。TSRS负责管理临时限速命令，向CTC和GCC发送临时限速信息。CBI检查GCC提供的允许进路条件后，根据CTC下发命令办理进路。应答器向车载ATP设备提供列车定位及相关状态信息。

车载部分中，ATP可接收综合列尾信息以完成列车完整性检查，依据包括行车许可、线路数据、临时限速等地面信息和车辆参数与运动状态生成监控速度曲线，继而输出相应制动命令以保证列车安全运行。ATO同样基于车辆和地面信息进行列车的牵引与制动操作，从而实现自动驾驶控制的功能。综合列尾IEOT实时获取并向车载ATP发送定位与风压等信息。综合通信平台设备支持与ATP进行数据交互、支持不同制式的车载电台设备接入及管理、数据配置、日志存储、本地维护等功能。

群组首车基于车地无线通信向GCC报告位置、速度等信息，GCC根据线路进路以及临时限速等形成移动授权并通过车地无线通信返还给群组首车，群组首车以列车移动授权终点为运行控制目标，其余列车为群组跟随列车，跟随列车在追踪运行时不再假定前车静止，而是通过车车无线通信实时获取紧前列车定位及工况等信息进行群组内自主跟随，结合从GCC获得的线路数据、临时限速等信息自动生成位置速度防护曲线，同时也将本车的相关信息提供给紧前列车。各列车基于通信链路建立群组并维持多车的组群运行，根据群组计划要求通过协同控制确保实现群组间各单元间的小间距安全追踪运行。

群组列控系统中引入短进路概念，即由一个或多个站内轨道区段组合而成的进路，通过将既有进出站普通进路按群组发车与运行需求拆分为一组短进路序列的方式，极大提升站内接发车办理效率，缩短发车间隔。根据线路在不同时段、不同区段的运能需求与差异，群组列车在咽喉区可根据运行计划和群组计划组群，在区间运行时，根据列车实时绝对位置与相对位置信息判断，在满足特定阈值后按计划组群或解群，实时自适应调整群组内部与群组间的组解群状态，灵活地改变群组中列车数量，从而更好地匹配不同时空的运能运量需求^[11]。

群组列控系统具备功能兼容性和系统兼容性，群组设备能够兼容既有设备的技术条件，群组列控系统具备与既有列控系统兼容运行的过渡能力，必要时可将既有列控系统作为备用系统。群组列控系统具备后备模式，一旦车车通信失效，后车可以由群组列控等级平滑降级转换为无群组功能的后备基础功能等级，待通信恢复后再自动升级恢复群组列控等级运行。因此群组列控系统能够通过在既有铁路信号系统上增加较少设备来实现，不需新建虚拟联挂专用基础信号设备，相较于虚拟联挂在运营线路上实施难度小，大幅降低了需要改变基础设施和既有闭塞制式所需建设投入。

群组列控系统通过列车组群协同运行极大提升了线路通过能力及运输效率。根据群组内货物列车的开行组合不同，群组列控系统设计能力在理论上可提升45%~90%^[12]，并且车站股道限制越少，可同时接发车股道数量越多，设计能力提高越多。群组运行下可缩短平均列车交会作业时间，同时结合列车追踪间隔的改善，可压缩列车运行图周期时间。与传统列控系统相比，列车群组运行可实现约30%的追踪间隔优化^[13]，且优化效果随坡度增加而明显，系统在万吨及以下各级单元列车自由组合运行的情况下，可将群组内万吨列车平均发车间隔压缩至5 min，速度为60 km/h的普列空车在平均坡道不小于0‰情况下的群组内最小安全追踪距离可达950 m，速度为60 km/h的普列重车在平均坡道不小于-8‰情况下的群组内最小安全追踪距离可达1 100 m。群组列控系统与其他典型列控系统对比如表1所示。群组列控系统与传统典型列控系统的区别一方面在于短进路的设计以提高发车效率，另一方面在于基于车车通信的前后车信息传递和相对速度的追踪方式从而提高列车运行效率。

2　控制理论研究现状

群组列控系统需要对列车群进行协同控制，协同控制的前提是基于综合无线通信完成多车间的信息交互，核心主要为针对列车控制理论与算法的研究，即针对典型列车运行场景选定一种合适的控制律完成控制目标，而控制律的主要目标大多集中在列车行车间隔优化上，并从线路通过容量、安全裕度、稳健和鲁棒性等指标进一步评价控制跟踪方法。

2.1　控制模型

目前的列车控制方法大多基于控制模型，纵向动力学模型^[14]一般用来描述列车沿轨道方向运动过程，单质点模型将整个列车看作一个质点进行动力学分析^[15]，其动力学方程如式(1)所示。

\left\{\begin{array}{l}\frac{\mathrm{d}p}{\mathrm{d}t}=v\\ m\frac{\mathrm{d}v}{\mathrm{d}t}=F-F_D-F_A\end{array}\right.(1)

式中：p为列车位移，m；t为时间，s；v为列车速度，m/s；m为列车质量，kg；F，F_D，F_A分别为列车的牵引力、基本阻力和附加阻力，N。

有效的控制模型相应需要正确的模型参数值，而参数值往往随着特定车辆和驾驶条件而改变。

重载货运列车往往连挂数十到上百节车厢^[16]，机车以外不产生牵引/制动力的车厢受到的作用力主要来自于车钩力，后方车厢的运动与首部机车牵引力施加存在时间延迟，多个车厢受力情况及运动学特性也会随着坡道或弯道等线路环境变化而不同，而这种相对的差异性过大时所带来的纵向冲动会给安全运行带来隐患，单质点模型已无法适用。多质点模型^[17]通过分析每节车辆受到的纵向作用力影响，其动力学方程如式(2)所示。

\left\{\begin{array}{l}{m}_{\mathrm{1}}\frac{{\mathrm{d}}^{\mathrm{2}}{p}_{\mathrm{1}}}{\mathrm{d}{t}^{\mathrm{2}}}=u_{\mathrm{1}}-k_{\mathrm{1}}\left(p_{\mathrm{1}}-p_{\mathrm{2}}\right)-d_{\mathrm{1}}\left(v_{\mathrm{1}}-v_{\mathrm{2}}\right)-\\ \left(a+b{v}_{\mathrm{1}}\right)m_{\mathrm{1}}-c{v}_{\mathrm{1}}^{\mathrm{2}}\left({\displaystyle \sum _{i=\mathrm{1}}^n}{m}_i\right)-\\ \mathrm{9.98}\mathrm{s}\mathrm{i}\mathrm{n}{\theta }_{\mathrm{1}}{m}_{\mathrm{1}}-\mathrm{0.004}{D}_{\mathrm{1}}{m}_{\mathrm{1}}\\ m_i\frac{{\mathrm{d}}^{\mathrm{2}}{p}_i}{\mathrm{d}{t}^{\mathrm{2}}}=u_i-k_i\left(p_i-p_{i+\mathrm{1}}\right)-k_{i-\mathrm{1}}\left(p_i-p_{i-\mathrm{1}}\right)-\\ d_i\left(v_i-v_{i+\mathrm{1}}\right)-d_{i-\mathrm{1}}\left(v_i-v_{i-\mathrm{1}}\right)-\\ \left(a+b{v}_i\right)m_i-\mathrm{9.98}\mathrm{s}\mathrm{i}\mathrm{n}{\theta }_i{m}_i-\mathrm{0.004}{D}_i{m}_i\\ i=\mathrm{2},\dots ,n-\mathrm{1}\\ m_n\frac{{\mathrm{d}}^{\mathrm{2}}{p}_n}{\mathrm{d}{t}^{\mathrm{2}}}=u_n-k_{n-\mathrm{1}}\left(p_n-p_{n-\mathrm{1}}\right)-\\ d_{n-\mathrm{1}}\left(v_n-v_{n-\mathrm{1}}\right)-\left(a+b{v}_n\right)m_n-\\ \mathrm{9.98}\mathrm{s}\mathrm{i}\mathrm{n}{\theta }_n{m}_n-\mathrm{0.004}{D}_n{m}_n\end{array}\right.(2)

式中：p_i，v_i，m_i分别为第i节车厢的位移、速度和质量；u_i为第i节车厢的牵引输入；k_i，d_i分别为车厢间的弹性系数和阻尼系数；{\theta }_i，D_i为第i节车厢运行线路的坡度角和曲率。

面向群组运行对更短行车间隔及复杂线路环境的考虑，仍需结合轨道数据进一步精细化多质点动力学模型研究。

2.2　比例-积分-微分控制

比例-积分-微分控制(Proportional-Integral-Derivative，PID)方法因其结构简单、容易实现而被广泛应用于现实各个领域控制过程^[18]，目前铁路列车上仍大多采用该方法跟踪目标曲线来控制列车速度，比例-积分-微分控制原理示意图如图2所示，控制律如式(3)所示。

u\left(t\right)=K_{p}e\left(t\right)+K_i\int e\left(t\right)\mathrm{d}t+K_d\frac{\mathrm{d}e\left(t\right)}{\mathrm{d}t}(3)

式中：u\left(t\right)为控制器输出；e\left(t\right)为系统误差；K_p，K_i，K_d分别为比例、积分和微分系数。

通过调节比例、积分和微分3项系数获得安全稳定的闭环调节性能^[19]。

杨宏阔等^[20]研究预测模糊PID控制算法，通过引入列车真实参数进行模型寻优设计，提高了高速列车速度控制精度；李俊聪等^[21]设计了自适应模糊PID控制器，并基于精英策略的非支配排序对参数进行优化，明显改善了转向架构架横向振动控制效果；田帅涛等^[22]提出牵引制动约束的无模型自适应PID控制方法，可自适应更新控制器参数并证明了算法的有效性、稳定性和收敛性；Havaei等^[23]提出基于PID的智能控制方法，可包含列车运行状态信息预设性能约束、多平台系统设备自身非线性扰动以及运行环境干扰等参数，Khodadadi等^[24]提出可自动调谐的PID控制算法，实现系统参数在线调整以增强对外部环境变化的自适应能力，满足实时控制要求。

2.3　模型预测控制

模型预测控制(Model Predictive Control，MPC)用于处理控制过程中的非线性和时变性因素取得了很好的效果^[25]，模型预测控制原理示意图如图3所示，基本思路即在每一个时间步长通过反复的预测加优化来求解，根据采样信号在线求解有限时域的开环优化结果^[26]，并将所得最优控制输出作用于被控平台或系统，再通过反馈与不断重复更新迭代从而实现平台的最优控制。

MPC通过目标函数来评估特定解决方案，目标函数中包含变量、控制目标和约束等，控制律在约束条件下通过调整变量优化目标函数，即将优化问题公式化为目标数最小化问题，以最小行车间隔为主要目标，通过权重因子调整位置、速度、加速度及加速度变化率等各部分比例，再结合单独或组合不同列车运行条件，从而获得具有最小目标函数的最优解，一组典型的目标函数和约束条件如式(4)所示。

\left\{\begin{array}{l}\mathrm{m}\mathrm{i}\mathrm{n}J\left(y,u\right)={\displaystyle \sum _{k=\mathrm{1}}^N}{‖y\left(t+k\right)-\widehat{y}\left(t+k\right)‖}^{\mathrm{2}}\\ \mathrm{s}.\mathrm{t}.y\left(t+\mathrm{1}\right)=f\left(y\left(t\right),u\left(t\right)\right)\\ u\left(t\right)\in \left[u_{\mathrm{m}\mathrm{i}\mathrm{n}},u_{\mathrm{m}\mathrm{a}\mathrm{x}}\right]t\in T\\ y\left(t\right)\in \left[y_{\mathrm{m}\mathrm{i}\mathrm{n}},y_{\mathrm{m}\mathrm{a}\mathrm{x}}\right]t\in T\end{array}\right.(4)

式中：y\left(t\right)，\widehat{y}\left(t\right)分别为t时刻系统状态和期望状态；J为目标函数，表示系统状态和期望状态在未来N个时间步长内的状态接近程度；u_{\mathrm{m}\mathrm{i}\mathrm{n}}，u_{\mathrm{m}\mathrm{a}\mathrm{x}}，y_{\mathrm{m}\mathrm{i}\mathrm{n}}，y_{\mathrm{m}\mathrm{a}\mathrm{x}}分别为控制量和状态量在T时域内的上下限约束。

利用约束式表示被控对象的动态特性，通过最小化目标函数，再求解对应控制量，从而获得满足预测时域内与期望状态尽量接近的优化控制。

目标函数可以让MPC实现多目标优化，包括在列车运行舒适性和能量消耗等方面获得较好性能等，约束条件可以帮助构建更加符合现实场景的系统模型，增加控制器的实用性，Bemporad等^[27]证明了MPC的可靠性取决于模型构建的准确性，但目前往往更准确的模型也意味着更复杂的组成结构，也会因此带来计算性能上的负担。Tong等^[28]通过集成MPC和时刻表实现对包括备用列车在内的所有列车合理分配；Felez等^[29]提出了鲁棒模型预测控制，在满足优化约束条件下处理更多MPC中未考虑的干扰和不确定性，但进一步增加了计算成本；Lucia等^[30]提出了多阶段模型预测控制，考虑系统在扰动下的可能演进结果，但随着不确定性增加，系统产生的问题呈指数性增加；Zeilinger等^[31]提出一种实时模型预测控制方法，通过牺牲一部分的控制性能从而换取较短的计算时间；Yang等^[32]提出一种基于分布式的预测框架，从一定程度增加MPC的实时性。

2.4　一致性控制

群组以及虚拟联挂等列控系统都需要采取列车间的不一致误差项作为反馈来调节列车运动状态，即所有受控列车将在所需的零跟踪误差上达成共识从而满足列车分布式协同控制的可行性，一致性控制(Consensus-Based Control，CBC)能够很好地应对状态信息不完整、系统复杂动态以及外部干扰等问题，近年来针对列车的一致性控制算法研究也成为了热点。

基于CBC的列车控制目标是通过设计分布式控制律使所有智能单元列车最终达成一致的决策或状态，从而实现系统的整体协同^[33]。一致性控制原理示意图如图4所示。每一列车根据自身信息和来自其他列车的信息进行决策，并通过信息交换不断调整自己的决策，最终使所有列车达成一致的运行速度、行车间隔、牵引制动期间速度变化或者其他的状态变量^[34]，一种基于有限时间一致性的控制律如式(5)所示^[35]。

u_i=p_{\mathrm{1}}{\sum _{v_j\in N_i}{a}_{ij}\mathrm{s}\mathrm{i}\mathrm{g}\left(\tilde{x}-\tilde{x}\right)}^{{\alpha }_{\mathrm{1}}}+p_{\mathrm{2}}{\sum _{v_j\in N_i}{a}_{ij}\mathrm{s}\mathrm{i}\mathrm{g}\left(\tilde{v}-\tilde{v}\right)}^{{\alpha }_{\mathrm{2}}}-a_{i\mathrm{0}}[{\mu }_{\mathrm{1}}\mathrm{s}\mathrm{i}\mathrm{g}{\left(\tilde{x}\right)}^{{\alpha }_{\mathrm{1}}}+{\mu }_{\mathrm{2}}\mathrm{s}\mathrm{i}\mathrm{g}{\left(\tilde{v}\right)}^{{\alpha }_{\mathrm{2}}}]+R\left(v_i\right)(5)

式中：u_i为第i列车控制器输出；\tilde{x}，\tilde{v}分别为第i列车位置、速度与期望值的差值；p_{\mathrm{1}}，p_{\mathrm{2}}，{\mu }_{\mathrm{1}}，{\mu }_{\mathrm{2}}为正常数；a_{ij}为列车间耦合关系连接权重，，{\alpha }_{\mathrm{2}}=\mathrm{2}{\alpha }_{\mathrm{1}}/\left({\alpha }_{\mathrm{1}}+\mathrm{1}\right)；R\left(v_i\right)为第i列车所受阻力。

基于CBC的列车控制准则包含多种类型，Bai等^[36]提出利用相邻列车的局部信息为每列车提供分布式协同跟踪控制律，所有列车都平等参与一致性控制过程的分布式一致性；Zhang等^[37]提出一种基于领导者-跟随者共识的一致性准则，即跟随列车按领航列车的决策进行控制。多列车互相交换信息状态以达成一致，在通信带宽足够的情况下，可传输用于更新建模的状态信息微分方程等，以获得更加接近相似的动力学特性从而实现协同控制；Zhou等^[38]提出一种误差约束反馈的自适应控制方法，可根据系统状态和环境变化进行一致性算法调整；Zhang等^[39]设计了一种基于固定时间理论的跟踪控制器；Bechlioulis等^[40]提出基于预设性能的分布式控制器；Bauso等^[41]基于局部建立非线性模型和反馈控制实现列车虚拟联挂的上层规划监督和底层协同控制，可以保证整个系统的同步和瞬态性能。

2.5　滑模控制

滑模控制(Sliding Mode Control，SMC)将被控目标状态牵引至构建的核心滑模面上^[42]，以列车为例，滑模面如式(6)所示。

s=e^{sp}+\kappa e^{sv}(6)

式中：s为滑动变量；e^{sp}，e^{sv}分别为位置误差和速度误差；\kappa为速度误差权重系数。

滑模控制原理示意图如图5所示。根据实际运动状态增加加速度误差等状态变量及其相应权重系数，基于相平面描述法在一个平面上描述系统状态的运行轨迹，通过设计控制律将被控系统的状态牵引至该面上，即s=\mathrm{0}，并使之沿滑模面运动，直接控制目标沿着满足某些系统的速度、位置、加速度等状态要求的表面滑动达到平衡。

SMC通过将系统状态引导向滑模面以及在不受约束时保持系统轨迹趋势不变的情况下慢慢趋于稳定并在有限时间内达到一个平衡点，实现较高控制精度的鲁棒控制。陈昊东^[43]基于非奇异快速终端滑模控制设计了列车跟踪控制器，使列车在有限时间内跟踪上目标曲线，并验证了该方法的有效性和可行性；曹帅等^[44]设计一种基于扰动补偿的自适应滑模黏着控制算法，在系统中存在未知参数时能够控制列车在较短时间内到达最优黏着工作点附近；李中奇等^[45]考虑不确定性扰动对停车过程的影响，提出一种基于扩张状态观测器的终端滑模控制方法，提高列车停车精度和系统鲁棒性；Lin等^[46]基于代数图论建立列车间信息交互模型并提出一种自适应分数阶滑模控制器，抑制滑模控制的抖振，从而提高控制跟踪效率。

2.6　智能控制

智能控制(Intelligent Control)在已有的控制器设计基础上结合了人工智能相关技术与算法^[47]，智能控制原理示意图如图6所示，控制器保留系统的运行操作信息，结合学习算法去修正控制器参数配置，具有准确学习过程的控制器应该能够在没有任何环境先验知识的情况下，考虑当前的不确定性和突发事件，实时达到最优解。

Rosolia等^[48]将机器学习与MPC相结合提出一种简单的策略去改进控制设计数据，可用于参考轨迹未知的重复性任务；Zhang等^[49]提出自适应MPC方法去学习和改进动态系统模型不确定性；Su等^[50]提出一种基于深度学习的MPC方法操作虚拟联挂中的跟随列车，通过最优控制器和长短时记忆神经网络的结合去预测前车控制目标和运行状态；Jia等^[51]提出基于规定性能的两列车虚拟联挂跟踪控制方案，使用模糊逻辑来近似未知阻力来解决控制系统的不确定性；Su等^[52]提出一种协同避障控制框架，基于深度Q网络的马尔可夫决策过程学习跟随列车的安全控制策略构建协同控制模型，从而减少列车追踪间距。

3　控制理论研究评述

群组列控系统的研究大多针对虚拟联挂的控制，二者都依赖车车通信技术实现相对位置、速度的紧追踪，提升区间追踪效率，因此在控制方法研究上有相似之处。但需要指出，群组列控系统的设计与实现针对应用场景考虑实际应用，例如站内联锁增加了短进路方式以提高接发车效率；发车过程中列车在咽喉区运行至与前车处在同一通往区间的进路上时即可完成动态组群；同时针对性改造使群组列控系统可适用于半自动闭塞、自动站间闭塞、三显示自动闭塞、四显示自动闭塞等各种现有闭塞方式以及制式混跑，群组控制中心及其他列控设备间耦合关系对整个列控系统的影响将更为突出。因此未来针对群组的控制研究不能完全借鉴虚拟联挂控制理论研究中的定量分析结论，通过分析控制理论在控制性能方面的优缺点及群组列控系统的适配性，为后续研究提供方向参考。

（1）PID最简单易用，但较难适应未来发展要求。PID算法研究已有百余年历史，因其结构简单易于实现，直到目前仍旧是实用性最强的控制方法。PID属于线性控制器，一般只能在局部达到较好的控制效果，在负载扰动、噪声干扰等影响下，控制参数乃至模型结构都会随时间与运行环境而改变，进一步影响控制精度与控制效果。

列车在群组化运行状态下间隔较小，需要对牵引、制动距离以及相应置信区间的把控更加精准，既要避免因从首车开始都向后预留过多安全裕量导致无法群组运行，也要避免某列车加速跟踪上前车再减速过程中，后车因协同制动不足导致安全裕量可能不足的危险情况发生，传统PID会导致非必要的控制震荡，而这种震荡效果随着列车组群规模的扩增逐步向后累积，诸如精确停车、准点率和舒适度等各种指标也难以保障，近些年基于PID的研究也在向自动调谐、参数自适应化等方向发展，但从未来的发展来看，PID这种线性控制技术依然很难适应高速度、高密度、短间隔的群组列车所处的非线性高动态环境变化。

（2）MPC的滚动预测特点让其备受青睐，但也会因时间成本与控制精度的权衡难以选择。MPC被认为是应用最广泛也是未来最有可能使用的控制技术，一方面因为其预测特性和“前瞻”功能，尤其是针对较重的货运列车，驾驶命令不仅需要考虑当前列车状态，而且需要向前预测一定长度的时间和距离，MPC通过不断地滚动优化机制向前预测，同时结合目标函数和反馈校正等方式还能满足列车的多种运行约束条件及减少系统不确定干扰因素等，因此MPC对于重载货运场景及列车群组运行具有更好的适用性。另一方面还因为其对于控制领域未来需求的适应性，包括随机控制、自适应控制和智能学习控制等性能更优的先进控制方法都可以代入MPC的控制算法内部实现进一步优化。

但MPC的缺点是计算成本较高，需要多步骤预测和相应预测的优化过程，随着预测步骤的增加，MPC的计算时间相对于无需预测或预测步骤较少的控制律成倍增加，优化过程如果涉及到多个约束条件和目标时同样意味着更多的计算时间，一旦控制器输入频率超过阈值甚至难以实现实时输入。列车在群组化运行状态下间隔较小，需要对于群组列控系统的实时性动态变化更加敏感，即在非线性高动态环境下必须对群组列控系统的状态做出几乎近似实时的控制应对，因此在实际应用中必须要考虑计算时间和预测步骤，如何去提前预测列车整个运行过程中不同线路、不同区段下的控制精度需求，继而去平衡控制精度与时间，同时还要为通信、控制执行等必要步骤留出足够的时间余量，这将成为MPC从理论研究向实践应用转化过程中必须要考虑的核心问题。

（3）CBC控制原理非常适合基于车车通信的控制系统，但对外界环境约束条件的适应性尚需进一步研究。CBC近些年同样作为一个研究热点，被广泛用于多智能体的协同控制，群组这种多列车无线通信连接环境下的协同控制在应用场景上很符合CBC的本质特征，中心下达命令给群组首车，群组跟随车以群组首车的目标曲线为准，即遵守领导者-跟随者共识协同控制。同时群组列控系统列车间的通信拓扑较为简单，相应的控制器设计也相对简化，CBC在群组列控系统中有更好的应用前景。但CBC的一个明显缺点是较为有限的约束条件处理能力，目前大多数研究在控制器设计中很少考虑多智能体协同控制系统的约束条件或限制因素，这使CBC在实际场景中难以适应现场变化的线路、环境因素以及复杂的运输组织条件。

（4）SMC因其鲁棒性和易实现的特点，在一些具体场景或功能的控制优化上有独特的优势。SMC的明显特点是与传统控制不同的不连续性控制以及对参数摄动和外界扰动的不变性，同时没有复杂的数学计算，不会出现“微分爆炸”的问题，从数学公式和工程方面都易于实现。但SMC的缺点是对硬件要求很高，所采用的大多是正负值反复交替的不连续控制信号，而一般硬件无法满足这种信号高频反复切换的要求，即列车牵引或制动单元跟不上切换速度，无法执行SMC的高频控制要求。除此之外，信号高频切换也会导致输出信号出现振荡，产生有限频率和振幅的不连续振荡信号使系统状态在所选取的滑模面附近来回抖动而难以消除，而采取缓解措施后的SMC鲁棒性也变得难以证明，因此近年关于SMC的研究更多集中在微观层面针对控制的某一部分结合新的方法进行优化，未来可能会随着特殊种类硬件的应用而重获热度。

（5）智能控制可以更好分析利用控制数据并进行控制决策，研究热度逐年攀升。智能控制在已有控制方法的基础上引入了机器学习作为核心特色，在样本已知且数据量足够的情况下通过数据驱动能够较好适应复杂运行场景、应对一些列车运行中的非线性问题，从而同时优化控车策略、运营质量、节能环保等多个目标。但智能控制的缺点也与机器学习的缺点类似，控制器性能在很大程度上取决于数据集质量和训练过程，目前已知的有限数据集仍多来自于实验室，实际运行所遇到的复杂线路与工况数据较少，同时也无法覆盖不可预测情况，针对新一代列控系统研究的可用数据就更少，导致相应模型在真实场景的可用性较低。并且由于控制算法涉及大量随机过程和高维空间求解，智能控制系统的稳定性和性能也难以进行严格的理论验证与解释，对于控制结果的取信程度和负责机制也是目前较难解决的一个问题。

4　研究展望

群组列控系统依托多种先进技术实现小间隔、高密度、大运能的群组列车高效运行，未来针对关键技术、核心装备及列控方法等方面的优化与创新都将进一步从提高运能运量、加强安全保障、降低改造与运行成本以及提升铁路数智化水平等多个维度支撑群组列控系统和轨道交通高质量发展。

4.1　系统展望

从系统的角度而言，群组列控系统的先进性在于基于站内短进路的划分和区间相对速度的紧追踪模式缩短发车间隔和追踪距离，从而提高重载铁路运能运量，是群组列控在重载领域的典型应用创新，除先进性外，群组列控系统的可复用性、可扩展性和灵活性，在未来还会根据应用制式与场景的不同体现更多的优势。

（1）推广应用方面，群组列控系统的优势是基于我国现有列控体系架构去设计，兼容现有列控体系，在实现时兼顾既有列控系统的最大程度复用，从而减少现场改造工作量和对既有线路运输影响，降低建设和改造成本的同时更容易被推广应用。

（2）架构优化方面，列控系统发展到如今，从创新闭塞制式去缩短追踪距离这一方向演化似乎已接近极限，接下来的发展方向将是以先进技术的融合和装备技术的革新去促进列控系统向更加低成本、高可靠、数智化和轻量化方向发展。在系统架构上，现有列控系统采用“中心+车站+轨旁”三级架构模式，但未来随着先进技术成熟度与接受度的提高以及体积更小、计算和处理性能更加优秀的装备应用，安全云、5G-A、6G以及量子通信等技术的融入将逐步简化列控系统的车站和轨旁部分。

（3）系统演进方面，群组不仅是一种列控系统，更是一种概念和框架，未来随着更加先进的运输组织、调度计划、车地一体化智能调度控制方法以及车联网的研究和成熟、控制算法软件按需自定义配置、轨道交通路网向二维复杂拓扑网演进等，更加多样的运输状态将被释放出来，群组将不再被局限在多车一维组群运行这一场景下，所有的列车都将以独立智能体的存在与其他列车按通信拓扑网点到点信息传输，单车群组、大小列交叉群组动态运行，万车群组网络灵活组解群等将会进一步提升轨道交通的灵活性。

4.2　控制理论展望

协同控制是列车群组化运行控制的核心，是实现群组列车运行时间最小化及追踪密度最大化的关键，未来针对协同控制的理论研究不仅要考虑控制效果，还要从技术可行性、鲁棒安全性、运营适配性以及基础设施支持性等方面进行分析，并且要考虑适配我国重载铁路的多制式并存以及复杂的运输条件等实际应用问题。

（1）构建准确的动力学模型是群组运行协同控制的基础。列车运行阻力模型大多仍基于经验公式建立，不同质量、长度和功率的列车阻力公式参数相差较大，气动阻力系数受气象及特殊环境(如隧道)影响而产生变化，还有车钩力、悬架力、轮轨间作用力、车辆间吸力以及转动惯量等都会产生非线性影响。针对可建模参数的不确定性，可采用更多的精密传感仪表作在线测量，提供车辆、轨道和环境等现场实时信息以满足在线阻力计算，或可根据历史数据细节提取形成更准确的模型公式，基于统计分布描述模型的不确定项特征也将成为一个值得研究的方向。

（2）制定详细的控制策略是群组运行协同控制的核心。随着虚拟联挂、群组以及未来更多列控技术的进化升级，传统的控制方法将难以同时满足行车间隔不断缩短、列车间以及列车与运行环境间更加复杂的耦合影响等约束条件下更加严格的控制需求。在考虑现场基础设施条件和软硬件成本与算力需求的平衡下，群组运行控制方法在逐步发展的过程中不仅要满足高精度、鲁棒、自适应及未来预测功能，还要在细节上完善控制效果，例如减少列车牵引制动的纵向突变过渡、进一步考虑轮轨关系、不同质列车和通信延迟对群组列车运行控制的影响、更加符合速度相关的最大牵引制动力约束条件、更好满足间歇低频和动态耦合的高控制要求以及采取分段控制策略以适合多种复杂场景等。由于群组列控是基于无线通信技术，相应地也要从通信延迟、通信故障的监测处理、通信干扰和攻击的抵抗防御等网络安全方面进行考虑。

目前对于群组列控系统的定义和基于车车通信的群组闭塞制式演化基本已确定，但同时群组列控是一个不断进化并完善的概念，随着铁路通信信号技术、应用技术的突破，以及列控系统整体的过渡升级，群组列控系统在实际应用中的潜力也将不断被挖掘和显现，在群组列控的框架下衍生构建出更多安全、高效、先进、经济的列控系统，并向普速、市域及高速铁路等多种制式转化落地，全面提升我国铁路的数字化、信息化及智能化水平，加快建设交通强国。

5　结束语

针对重载列车群组运行控制系统，从概念、系统架构、组成、设备功能及系统能力方面进行了阐释，相比传统列控系统能有效增加运能运量，相比虚拟联挂可进一步降低建设成本、打通车站等关键堵点、提高作业及运行效率等。针对目前常见的列车运行控制方法研究进行梳理，阐述相应控制原理和控制流程，并结合群组列控相关需求和特点适配进行优劣势分析，为群组列车运行协同控制方法的进一步研究提供参考。

参考文献

[1] 宁　滨，刘朝英. 中国轨道交通列车运行控制技术及应用[J]. 铁道学报，2017，39(2)：1-9.

[2] NING Bin， LIU Chaoying. Technology and Application of Train Operation Control System for China Rail Transit System[J]. Journal of the China Railway Society，2017，39(2)：1-9.

[3] FELEZ J， VAQUERO-SERRANO M A. Virtual Coupling in Railways：A Comprehensive Review[J]. Machines，2023，11(5)：521.

[4] BASILE D， BEEK M H TER， FERRARI A，et al.Exploring the ERTMS/ETCS Full Moving Block Specification：An Experience with Formal Methods[J].International Journal on Software Tools for Technology Transfer，2022，24：351-370.

[5] 丰汉羽，王 涛，石建廷.朔黄铁路移动闭塞信号系统设计与关键技术研究[J].铁道货运，2024，42(1)：50-57.

[6] FENG Hanyu， WANG Tao， SHI Jianting.Design and Key Technology Research on Moving Block Signal System for Shuohuang Railway[J].Railway Freight Transport，2024，42(1)：50-57.

[7] BOCK U， BIKKER G. Design and Development of a Future Freight Train Concept： “Virtually Coupled Train Formations”[J]. IFAC Proceedings Volumes，2000，33(9)：395-400.

[8] DI MEO C， DI VAIO M， FLAMMINI F，et al. ERTMS/ETCS Virtual Coupling：Proof of Concept and Numerical Analysis[J]. IEEE Transactions on Intelligent Transportation Systems，2020，21(6)：2545-2556.

[9] 李育瑾，张 琦.虚拟编组技术“大小交路跳停”列车组织策略研究[J].铁道运输与经济，2025，47(2)：152-160.

[10] LI Yujin， ZHANG Qi.Organization Strategy of “Train Skip Stops on Long and Short Routings” Based on Virtual Marshalling Technology[J].Railway Transport and Economy，2025，47(2)：152-160.

[11] SONG Zongying， DING Hui， WANG Xingzhong，et al.Review of Heavy Haul Railway Transportation Organization Based on Group Train Operation[J].Railway Transport and Economy，2024，46(10)：73-81，97.

[12] 宋宗莹，丁　辉，王兴中，等. 基于列车群组运行的重载铁路运输组织研究综述[J]. 铁道运输与经济，2024，46(10)：73-81，97.

[13] SONG Zongying， DING Hui， WANG Xingzhong，et al. Review of Heavy Haul Railway Transportation Organization Based on Group Train Operation[J]. Railway Transport and Economy，2024，46(10)：73-81，97.

[14] 谢和欢.基于公网的重载铁路列控系统车-地通信技术研究[J].铁路通信信号工程技术，2024，21(3)：29-35.

[15] XIE Hehuan. Research on Vehicle-Ground Communication Technology Based on Public Network for Train Control System of Heavy Haul Railways[J]. Railway Signalling & Communication Engineering，2024，21(3)：29-35.

[16] 张辰东，王文斌. 重载列车群组运行控制系统研究[J]. 铁路通信信号工程技术，2024，21(7)：1-6.

[17] ZHANG Chendong， WANG Wenbin. Research on Heavy Haul Group Train Operation Control System[J]. Railway Signalling & Communication Engineering，2024，21(7)：1-6.

[18] 邓澄远，王　卓，陈虹兵，等. 虚拟编组条件下列车区间解耦和耦合适用性分析[J]. 铁道运输与经济，2024，46(8)：198-204，242.

[19] DENG Chengyuan， WANG Zhuo， CHEN Hongbing，et al. Applicability of Train Decoupling and Coupling in Sections Based on Virtual Coupling[J]. Railway Transport and Economy，2024，46(8)：198-204，242.

[20] 杨晓明，杨在旭，宋宗莹. 基于虚拟编组技术的单线重载铁路通过能力计算方法研究[J]. 铁道运输与经济，2024，46(6)：17-26，41.

[21] YANG Xiaoming， YANG Zaixu， SONG Zongying. Calculation Method for the Capacity of Single-Track Heavy-Haul Railway Line Based on Virtual-Coupling Technology[J]. Railway Transport and Economy，2024，46(6)：17-26，41.

[22] 张万强. 基于群组运行控制的列车追踪间隔时间计算方法[J]. 铁路通信信号工程技术，2025，22(2)：24-31.

[23] ZHANG Wanqiang. Calculation Method of Train Headway Time Based on Group Operation Control[J]. Railway Signalling & Communication Engineering，2025，22(2)：24-31.

[24] IWNICKI S， IWNICKI S. Longitudinal Train Dynamics[M]//Handbook of Railway Vehicle Dynamics. Boca Raton：CRC Press，2006：252-291.

[25] 吴　晨. 高速列车编队分布式固定时间协同控制方法[D]. 北京：北京交通大学，2021.

[26] 周黄标，杜凯冰，罗　源，等. 基于多质点模型的重载列车平稳操纵仿真研究[J]. 控制与信息技术，2021(2)：8-17.

[27] ZHOU Huangbiao， DU Kaibing， LUO Yuan，et al. Simulation Research on the Smooth Operation of Heavy-Haul Train Based on Multi-Particle Model[J]. Control and Information Technology，2021(2)：8-17.

[28] 李紫宜，周艳丽，杨　辉，等. 面向节能的重载列车辅助驾驶模型预测控制研究[J]. 铁道科学与工程学报，2024，21(8)：3107-3118.

[29] LI Ziyi， ZHOU Yanli， YANG Hui，et al. Study on Model Predictive Control of Energy Saving Assisted Driving for Heavy-Haul Trains[J]. Journal of Railway Science and Engineering，2024，21(8)：3107-3118.

[30] BORASE R P， MAGHADE D K， SONDKAR S Y，et al. A Review of PID Control，Tuning Methods and Applications[J]. International Journal of Dynamics and Control，2021，9(2)：818-827.

[31] ANG K H， CHONG G， LI Y. PID Control System Analysis，Design，and Technology[J]. IEEE Transactions on Control Systems Technology，2005，13(4)：559-576.

[32] 杨宏阔，侯　涛，陈　昱. 基于预测模糊PID控制算法的高速列车优化控制研究[J]. 铁道运输与经济，2022，44(8)：130-136.

[33] YANG Hongkuo， HOU Tao， CHEN Yu. Research on Optimal Control of High Speed Trains Based on Predictive Fuzzy PID Control Algorithm[J]. Railway Transport and Economy，2022，44(8)：130-136.

[34] 李俊聪，黄　翔，曾　京，等. 高速列车蛇行稳定性自适应控制策略研究[J]. 现代制造工程，2025(2)：61-68.

[35] LI Juncong， HUANG Xiang， ZENG Jing，et al. Study on Adaptive Control Strategy of Hunting Stability for High Speed Trains[J]. Modern Manufacturing Engineering，2025(2)：61-68.

[36] 田帅涛，侯忠生. 多列车系统数据驱动无模型自适应PID控制[J]. 控制与决策，2025，40(5)：1447-1456.

[37] TIAN Shuaitao， HOU Zhongsheng. Data-Driven Model-Free Adaptive PID Control for Multi-Train Systems[J]. Control and Decision，2025，40(5)：1447-1456.

[38] HAVAEI P， SANDIDZADEH M ALI. Intelligent-PID Controller Design for Speed Track in Automatic Train Operation System with Heuristic Algorithms[J]. Journal of Rail Transport Planning & Management，2022，22：100321.

[39] KHODADADI H， GHADIRI H. Self-Tuning PID Controller Design Using Fuzzy Logic for Half Car Active Suspension System[J]. International Journal of Dynamics and Control，2018，6(1)：224-232.

[40] MAYNE D Q， RAWLINGS J B， RAO C V，et al. Constrained Model Predictive Control：Stability and Optimality[J]. Automatica，2000，36(6)：789-814.

[41] 林正南，俞花珍，邰国璇，等. 基于改进MPC的重载铁路移动闭塞系统下列车编队控制方法研究[J]. 铁道学报，2024，46(2)：74-81.

[42] LIN Zhengnan， YU Huazhen， TAI Guoxuan，et al. Research on Virtually Coupled Train Formation Control of Heavy-Haul Train Based on Improved MPC under Moving Block System[J]. Journal of the China Railway Society，2024，46(2)：74-81.

[43] BEMPORAD A， MORARI M. Robust Model Predictive Control：A Survey[C]//Robustness in Identification and Control. London：Springer，1999：207-226.

[44] TONG Y， XU W， DOTOLI M，et al. An Integrated Model Predictive Control Method for the Rescheduling of Metro Traffic with Backup Trains[C]//2022 American Control Conference (ACC). June 8-10，2022，Atlanta，GA.USA： IEEE，2022：4648-4653.

[45] FELEZ J， VAQUERO-SERRANO M A， DE DIOS SANZ J. A Robust Model Predictive Control for Virtual Coupling in Train Sets[J]. Actuators，2022，11(12)：372.

[46] LUCIA S， ENGELL S. Potential and Limitations of Multi-Stage Nonlinear Model Predictive Control[J]. IFAC-PapersOnLine，2015，48(8)：1015-1020.

[47] ZEILINGER M N， RAIMONDO D M， DOMAHIDI A，et al. On Real-Time Robust Model Predictive Control[J]. Automatica，2014，50(3)：683-694.

[48] YANG Y M， YAN F. Research on Train Dynamic Coupling Strategy Based on Distributed Model Predictive Control[J]. Journal of Physics：Conference Series，2022，2183(1)：012029.

[49] GULZAR M M， RIZVI S T H， JAVED M Y，et al. Multi-Agent Cooperative Control Consensus：A Comparative Review[J]. Electronics，2018，7(2)：22.

[50] DU H B， WEN G H， YU X H，et al. Finite-Time Consensus of Multiple Nonholonomic Chained-Form Systems Based on Recursive Distributed Observer[J]. Automatica，2015，62：236-242.

[51] 葛俊德. 基于多智能体的高速动车组分布式协同巡航控制研究[D]. 兰州：兰州交通大学，2021.

[52] BAI W Q， LIN Z L， DONG H R，et al. Distributed Cooperative Cruise Control of Multiple High Speed Trains under a State-Dependent Information Transmission Topology[J]. IEEE Transactions on Intelligent Transportation Systems，2019，20(7)：2750-2763.

[53] ZHANG Y J， YANG Y. Finite-Time Consensus of Second-Order Leader-Following Multi-Agent Systems without Velocity Measurements[J]. Physics Letters A，2013，377(3-4)：243-249.

[54] ZHOU Q， DU P H， LI H Y，et al. Adaptive Fixed-Time Control of Error-Constrained Pure-Feedback Interconnected Nonlinear Systems[J]. IEEE Transactions on Systems，Man，and Cybernetics：Systems，2021，51(10)：6369-6380.

[55] ZHANG Z X， SONG H F， WANG H W，et al. Cooperative Multi-Scenario Departure Control for Virtual Coupling Trains：A Fixed-Time Approach[J]. IEEE Transactions on Vehicular Technology，2021，70(9)：8545-8555.

[56] BECHLIOULIS C P， ROVITHAKIS G A. Robust Adaptive Control of Feedback Linearizable MIMO Nonlinear Systems with Prescribed Performance[J]. IEEE Transactions on Automatic Control，2008，53(9)：2090-2099.

[57] BAUSO D， FECAROTTI C， KHALEGHI A. Cooperative Control and Stability Analysis for Virtual Coupling of Rail Vehicles[J]. Control Engineering Practice，2023，133：105452.

[58] GAMBHIRE S J， KISHORE D R， LONDHE P S，et al. Review of Sliding Mode Based Control Techniques for Control System Applications[J]. International Journal of Dynamics and Control，2021，9(1)：363-378.

[59] 陈昊东. 基于终端滑模的高速列车非线性运动控制研究[D]. 大连：大连交通大学，2023.

[60] 曹　帅，王　嵩，唐杰萍，等. 基于扰动补偿的高速列车自适应滑模黏着控制[J]. 铁道科学与工程学报，2024，21(3)：913-923.

[61] CAO Shuai， WANG Song， TANG Jieping，et al. Adaptive Sliding Mode Adhesion Control of High Speed Train Based on Disturbance Compensation[J]. Journal of Railway Science and Engineering，2024，21(3)：913-923.

[62] 李中奇，张俊豪，唐博伟. 高速列车精确停车的超扭曲非奇异终端滑模控制方法[J]. 铁道学报，2023，45(12)：83-91.

[63] LI Zhongqi， ZHANG Junhao， TANG Bowei. Super-Twisting Nonsingular Terminal Sliding Mode Control Method for Accurate Stopping of High Speed Trains[J]. Journal of the China Railway Society，2023，45(12)：83-91.

[64] LIN J T， NI M J， LIANG H D. High Speed Train Cooperative Control Based on Fractional-Order Sliding Mode Adaptive Algorithm[J]. Railway Sciences，2023，2(1)：84-100.

[65] GAO S G， DONG H R， NING B，et al. Neural Adaptive Coordination Control of Multiple Trains under Bidirectional Communication Topology[J]. Neural Computing and Applications，2016，27(8)：2497-2507.

[66] ROSOLIA U， ZHANG X J， BORRELLI F. Robust Learning Model-Predictive Control for Linear Systems Performing Iterative Tasks[J]. IEEE Transactions on Automatic Control，2021，67(2)：856-869.

[67] ZHANG K W， SHI Y. Adaptive Model Predictive Control for a Class of Constrained Linear Systems with Parametric Uncertainties[J]. Automatica，2020，117：108974.

[68] SU H X， CHAI M， CHEN L J，et al. Deep Learning-Based Model Predictive Control for Virtual Coupling Railways Operation[C]//2021 IEEE International Intelligent Transportation Systems Conference (ITSC). September 19-22，2021，Indianapolis，IN.USA： IEEE，2021：3490-3495.

[69] JIA Y Q， HUANG D Q， LI X F. Tracking Control of Two Virtually Coupled Trains via Prescribed Performance Control Method[C]//2022 IEEE 11th Data Driven Control and Learning Systems Conference (DDCLS). August 3-5，2022.China： IEEE，2022：268-273.

[70] SU S， LIU W T， ZHU Q Y，et al. A Cooperative Collision-Avoidance Control Methodology for Virtual Coupling Trains[J]. Accident Analysis & Prevention，2022，173：106703.

基金资助

国家能源投资集团有限责任公司重点科技项目(GJNY-22-7)

北京全路通信信号研究设计院集团有限公司科研项目(2300-K1220053)