从"规则自动化"跃迁至"预测自主化"。依托世界模型与空间智能，突破传统被动响应局限， 实现对物理世界的理解与推演，重构轨道交通的"运、控、能、维"。
AutoMetro 在 ATP / ATO / ATS / IXL 四大子系统的覆盖边界，以及各自动化等级（GoA 0 – 4）的触达范围
| 功能域 | GoA 0 | GoA 1 | GoA 2 | GoA 3 | GoA 4 | AutoMetro 边界 |
|---|---|---|---|---|---|---|
|
ATP
列车自动防护
|
— | ✓ | ✓ | ✓ | ✓ | 全覆盖 — 基于世界模型的移动授权引擎，替代传统硬件信标，实现软件定义的超速防护、紧急制动与安全包络 |
|
ATO
列车自动运行
|
— | — | ✓ | ✓ | ✓ | GoA 2–4 — 预测式驾驶策略引擎：精准停车、节能曲线优化、自适应速度规划，GoA 3/4 支持无人驾驶全流程 |
|
ATS
列车自动监控
|
✓ | ✓ | ✓ | ✓ | ✓ | 全覆盖 — 智能调度与运力编排：实时时刻表调整、跨线协同、客流预测驱动的动态运力分配 |
|
IXL
联锁系统
|
✓ | ✓ | ✓ | ✓ | ✓ | 全覆盖 — 软件联锁内核：进路搜索与冲突检测、道岔/信号控制、安全侧输出，支持形式化验证 |
面对万亿级存量资产，传统改造模式面临"成本高、周期长、停运难"的困境。 AutoMetro 以软件定义列车，打破"重建式高成本"魔咒。
从单点控制进化为全网协同，重构轨道交通的"运、控、能、维"
基于多模态客流预测，提前推演拥堵风险；从"按图行车"进化为"秒级动态运力编排"。
融合空间智能与动力学模型，突破传统信号边界，实现极端天气下的安全控车与精准停车。
打通"调度-列控-电网"数据壁垒，实现再生能量的极致利用与削峰填谷。
从"计划修"转向"状态修"，利用虚拟验证（影子模式）替代实车试错，构建诊-修-验闭环。
传统 AI 依赖"规则与概率"，容易产生物理幻觉。艾科自研 NSPWS 架构， 将生成式 AI 的想象力与辛拉格朗日动力学的物理守恒定律结合，构建"懂逻辑、守物理"的下一代轨交大脑。
不依赖人工穷举的规则库覆盖复杂世界；安全边界继承自既有信号/联锁体系，在安全约束内推演未来、寻找最优路径。
在既有系统正常运营下影子部署，采集控制指令与联锁状态。世界模型通过"旁听"学习并消化既有安全逻辑，用证据链逐级走向可控接管。
把联锁/信号/退化策略蒸馏为可验证安全约束，配合独立 Safety Bag 监视器与 SOTIF 防御体系，确保 AI 决策收敛于安全边界内。
相比传统 CBTC/FAO 改造方案的代际优势
| 核心指标 | 传统改造方案 (CBTC/FAO) | 艾科 AutoMetro 方案 |
|---|---|---|
| 建设成本 (CAPEX) | ¥1,800 万元/km (高昂) | < ¥500 万元/km (降低 >70%) |
| 施工周期 | 3-5 年 (停运风险高) | 2 年内 (非侵入式叠加) |
| 运能提升 | +10% (理论极限) | +45% (动态时距优化) |
| 维护模式 | 大量轨旁设备，夜间人工维护 | 轨旁归零，AI预测性维护 |