DE102022210424A1 - Self-localization of a rail vehicle - Google Patents
Self-localization of a rail vehicle Download PDFInfo
- Publication number
- DE102022210424A1 DE102022210424A1 DE102022210424.2A DE102022210424A DE102022210424A1 DE 102022210424 A1 DE102022210424 A1 DE 102022210424A1 DE 102022210424 A DE102022210424 A DE 102022210424A DE 102022210424 A1 DE102022210424 A1 DE 102022210424A1
- Authority
- DE
- Germany
- Prior art keywords
- rail vehicle
- pose
- probability distribution
- filter
- system state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009826 distribution Methods 0.000 claims abstract description 85
- 230000033001 locomotion Effects 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003534 oscillatory effect Effects 0.000 claims description 2
- 238000013459 approach Methods 0.000 description 19
- 230000004807 localization Effects 0.000 description 16
- 230000006399 behavior Effects 0.000 description 9
- 230000007704 transition Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 2
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L25/00—Recording or indicating positions or identities of vehicles or vehicle trains or setting of track apparatus
- B61L25/02—Indicating or recording positions or identities of vehicles or vehicle trains
- B61L25/025—Absolute localisation, e.g. providing geodetic coordinates
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or vehicle train for signalling purposes ; On-board control or communication systems
- B61L15/0072—On-board train data handling
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L25/00—Recording or indicating positions or identities of vehicles or vehicle trains or setting of track apparatus
- B61L25/02—Indicating or recording positions or identities of vehicles or vehicle trains
- B61L25/026—Relative localisation, e.g. using odometer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L2205/00—Communication or navigation systems for railway traffic
- B61L2205/04—Satellite based navigation systems, e.g. GPS
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/396—Determining accuracy or reliability of position or pseudorange measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/50—Determining position whereby the position solution is constrained to lie upon a particular curve or surface, e.g. for locomotives on railway tracks
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Navigation (AREA)
Abstract
Es wird ein Verfahren zur Ermittlung der Wahrscheinlichkeitsverteilung (p(P)) einer Pose (P) eines Schienenfahrzeugs (1) beschrieben. Bei dem erfindungsgemäßen Verfahren wird eine formale Struktur eines Systemzustands (x), welcher eine Pose (P) des Schienenfahrzeugs (1) repräsentiert, und ein Bewegungsmodells (BM) des Schienenfahrzeugs (1), welches eine Wahrscheinlichkeitsverteilung einer Posenänderung (DP) in Abhängigkeit von der Zeit repräsentiert, definiert, wobei eine mögliche Pose (P) des Schienenfahrzeugs (1) auf Basis des Verlaufs von Schienenstrecken in Gleiskartendaten (GKD) eingeschränkt wird, aber eine teilweise Kompensation der Restriktion auf Basis einer modellbasiert definierten möglichen Abweichung der Pose (P) des Schienenfahrzeugs (1) von der eingeschränkten möglichen Pose (P) erfolgt. Zudem werden Sensormodelle (SM) zur Charakterisierung des Messverhaltens von Sensoren des Schienenfahrzeugs (1), welche für die Ermittlung der Wahrscheinlichkeitsverteilung (p(P)) der Pose (P) des Schienenfahrzeugs (1) auf Basis von Sensordaten (SD) verwendet werden, definiert. Weiterhin wird ein Bayes-Filter (BF) auf Basis des Systemzustands (x), des Bewegungsmodells (BM) und der Sensormodelle (SM) ermittelt. Außerdem wird eine Wahrscheinlichkeitsverteilung (p(x0)) eines initialen Zustands (x0) des Schienenfahrzeugs (1) konfiguriert. Während einer Fahrt des Schienenfahrzeugs werden Sensordaten (SD) durch die Sensoren zur Ermittlung der Pose (P) des Schienenfahrzeugs (1) erfasst und es wird die Wahrscheinlichkeitsverteilung (p(P)) der Pose (P) des Schienenfahrzeugs (1) durch Anwendung des Bayes-Filters (BF) auf die erfassten Sensordaten (SD) und auf die Wahrscheinlichkeitsverteilung (p(x0)) des initialen Systemzustands (x0) des Schienenfahrzeugs (1) als Eingangsgrößen ermittelt. Es wird auch eine Selbstlokalisierungseinrichtung (30) beschrieben. Ferner wird ein Schienenfahrzeug (1) beschrieben.A method for determining the probability distribution (p(P)) of a pose (P) of a rail vehicle (1) is described. In the method according to the invention, a formal structure of a system state (x), which represents a pose (P) of the rail vehicle (1), and a motion model (BM) of the rail vehicle (1), which represents a probability distribution of a pose change (DP) as a function of time, are defined, wherein a possible pose (P) of the rail vehicle (1) is restricted on the basis of the course of rail routes in track map data (GKD), but a partial compensation of the restriction takes place on the basis of a model-based defined possible deviation of the pose (P) of the rail vehicle (1) from the restricted possible pose (P). In addition, sensor models (SM) are defined for characterizing the measurement behavior of sensors of the rail vehicle (1), which are used for determining the probability distribution (p(P)) of the pose (P) of the rail vehicle (1) on the basis of sensor data (SD). Furthermore, a Bayes filter (BF) is determined on the basis of the system state (x), the motion model (BM) and the sensor models (SM). In addition, a probability distribution (p(x0)) of an initial state (x0) of the rail vehicle (1) is configured. During a journey of the rail vehicle, sensor data (SD) is recorded by the sensors to determine the pose (P) of the rail vehicle (1) and the probability distribution (p(P)) of the pose (P) of the rail vehicle (1) is determined by applying the Bayes filter (BF) to the recorded sensor data (SD) and to the probability distribution (p(x0)) of the initial system state (x0) of the rail vehicle (1) as input variables. A self-localization device (30) is also described. A rail vehicle (1) is also described.
Description
Die Erfindung betrifft ein Verfahren zur Ermittlung der Wahrscheinlichkeitsverteilung einer Pose eines Schienenfahrzeugs. Außerdem betrifft die Erfindung eine Selbstlokalisierungseinrichtung. Überdies betrifft die Erfindung ein Schienenfahrzeug.The invention relates to a method for determining the probability distribution of a pose of a rail vehicle. The invention also relates to a self-localization device. The invention also relates to a rail vehicle.
Die Kenntnis der Pose eines Schienenfahrzeugs wird für sehr viele unterschiedliche Anwendungen im Bereich des Schienenverkehrs benötigt. Wenn von einer Pose eines Schienenfahrzeugs gesprochen wird, so umfasst diese Größe sowohl die Position des Schienenfahrzeugs als auch dessen Orientierung im Raum. Beispielsweise können Fahrgastinformationssysteme den Fahrgästen Informationen übermitteln, welche im Zusammenhang mit einer aktuellen Position des Schienenfahrzeugs stehen. Weiterhin können diese Daten für die Planung des Fahrbetriebs genutzt werden. Zum Beispiel kann auf Basis einer ermittelten Position eines Zugs eine Verspätung des Zugs vorausberechnet und angezeigt werden oder es können Blockabstände zwischen Zügen reduziert werden. Außerdem kann eine notwendige Wartung vorhergesagt werden. In diesem Zusammenhang können Informationen hinsichtlich der Geometrie bzw. des Verlaufs eines Gleisabschnitts dazu genutzt werden, Vibrationsmessungen auszuwerten. Posendaten können auch dazu genutzt werden, um eine automatisierte Signalerkennung durch Vorhersagen der Position eines Signals in einem Kamerabild zu implementieren und damit ein ADAS-System (ADAS = Advanced Driver Assistance System = weiterentwickeltes Fahrerassistenzsystem) zu unterstützen. Posendaten können auch für eine Hindernisdetektion und eine Reaktion auf ein solches Hindernis genutzt werden. Auf deren Basis kann eine Trajektorie ermittelt werden, um detektierte Objekte als kritisch oder unkritisch einzustufen.Knowledge of the pose of a rail vehicle is required for many different applications in the field of rail transport. When we talk about the pose of a rail vehicle, this value includes both the position of the rail vehicle and its orientation in space. For example, passenger information systems can provide passengers with information related to the current position of the rail vehicle. This data can also be used to plan train operations. For example, based on the determined position of a train, a train delay can be predicted and displayed, or block distances between trains can be reduced. In addition, necessary maintenance can be predicted. In this context, information regarding the geometry or course of a track section can be used to evaluate vibration measurements. Pose data can also be used to implement automated signal detection by predicting the position of a signal in a camera image and thus support an ADAS system (ADAS = Advanced Driver Assistance System). Pose data can also be used for obstacle detection and a reaction to such an obstacle. On this basis, a trajectory can be determined in order to classify detected objects as critical or non-critical.
Die Genauigkeitsanforderungen für eine Lokalisierungslösung sind in Abhängigkeit von der Anwendung recht unterschiedlich. The accuracy requirements for a localization solution vary considerably depending on the application.
Beispielsweise benötigen Fahrgastinformationssysteme lediglich Genauigkeiten im Meterbereich und die Orientierung des Schienenfahrzeugs ist unwichtig. Für eine Hindernisdetektion dagegen muss die Position und Orientierung des Schienenfahrzeugs mit hoher Genauigkeit bekannt sein, um Hindernisse in großen Entfernungen, zum Beispiel einige 100 Meter bis 1 km entfernt, zu detektieren und exakt zu lokalisieren.For example, passenger information systems only require precision in the meter range and the orientation of the rail vehicle is unimportant. For obstacle detection, on the other hand, the position and orientation of the rail vehicle must be known with high accuracy in order to detect and precisely localize obstacles at large distances, for example a few 100 meters to 1 km away.
Herkömmliche Verfahren zur Lokalisierung von Schienenfahrzeugen können auf einem naiven „Karten-Einrasten“-Algorithmus („map-snapping“-Algorithmus) basieren. Dabei wird eine einzelne Sensorinformation, typischerweise eine GNSS-Position (GNSS = Global Navigation Satellite System = globales Satellitennavigationssystem), mit einer Schienenkarte abgeglichen. In der Schienenkarte wird der nächste Punkt zu dieser GNSS-Position auf einem Schienenstrang ausgewählt und als wahrscheinlichste Position des Schienenfahrzeugs eingestuft und diese Position wird als die Position des Schienenfahrzeugs an einen Benutzer ausgegeben.Conventional methods for locating rail vehicles can be based on a naive “map-snapping” algorithm. A single piece of sensor information, typically a GNSS position (GNSS = Global Navigation Satellite System), is compared with a rail map. In the rail map, the closest point to this GNSS position on a rail track is selected and classified as the most likely position of the rail vehicle and this position is output to a user as the position of the rail vehicle.
Eine zweite Herangehensweise bzw. eine ganze Gruppe von Lösungsansätzen kann als ein Lösungsansatz klassifiziert werden, der auf der Anwendung eines Bayesschen Filters beruht.A second approach or a whole group of approaches can be classified as a solution approach based on the application of a Bayesian filter.
In einem Bayesschen Filter wird ein Systemzustand geschätzt und über eine Zeit verfolgt, so dass eine nachfolgende zusätzliche Berücksichtigung von zusätzlichen Sensormessdaten zu einer verbesserten Schätzung führt. Bayessche Filter für eine Schienenfahrzeuglokalisation umfassen ein Bewegungsmodell, welches die wahrscheinliche Bewegung eines Schienenfahrzeugs zwischen zwei Zeitpunkten vorhersagt, und einen Satz von Sensormodellen, welche den wahrscheinlichen Zustand der geschätzten Pose aktualisieren, immer wenn Sensordaten verfügbar werden.In a Bayesian filter, a system state is estimated and tracked over time, such that subsequent consideration of additional sensor measurement data leads to an improved estimate. Bayesian filters for rail vehicle localization comprise a motion model that predicts the likely motion of a rail vehicle between two points in time, and a set of sensor models that update the likely state of the estimated pose whenever sensor data becomes available.
Ein Bayes-Filter wird dazu genutzt, einen n-dimensionalen Systemzustand
In der Regel ist es sinnvoll, im Bayes-Filter den Systemzustand nicht allein durch die Variablen zu definieren, die direkt die Pose eines Schienenfahrzeugs angeben. Stattdessen kann die Schätzung erheblich verbessert werden, wenn zusätzliche Variablen über die Zeit verfolgt werden. Beispielsweise kann mit einer Schätzung der aktuellen Geschwindigkeit des Schienenfahrzeugs im Bewegungsmodell eine erheblich bessere Vorhersage des Systemzustandes erfolgen als allein basierend auf der zuletzt geschätzten Position oder Pose des Schienenfahrzeugs. Weitere Werte, welche Teil des Systemzustandes darstellen können, umfassen die Bias-Werte für einzelne Sensoren, insbesondere Inertialsensoren, oder den Uhrenfehler in einem GNSS-Empfänger. Das Bewegungsmodell umfasst also die physikalische Bewegung des Schienenfahrzeuges, es beschreibt aber zusätzlich auch die zeitliche Entwicklung anderer physikalischer Größen, die Teil des Systemzustandes sind. Der Begriff Bewegungsmodell bezieht sich also nicht allein auf die physikalische Bewegung des Schienenfahrzeugs, sondern beschreibt allgemeiner die zeitliche Entwicklung des Systemzustandes.As a rule, it is sensible not to define the system state in the Bayesian filter solely by the variables that directly indicate the pose of a rail vehicle. Instead, the estimation can be significantly improved if additional variables are tracked over time. For example, an estimate of the current speed of the rail vehicle in the motion model can provide a significantly better prediction of the system state than based solely on the last estimated position or pose of the rail vehicle. Other values that can represent part of the system state include the bias values for individual sensors, in particular inertial sensors, or the clock error in a GNSS receiver. The motion model therefore includes the physical movement of the rail vehicle, but it also describes the temporal development of other physical quantities that are part of the system state. The term motion model therefore does not only refer to the physical movement of the rail vehicle. tool, but describes more generally the temporal development of the system state.
Die Schätzung des Zustands, auch als Systemzustand oder Bewegungszustand bezeichnet, wird in wahrscheinlichkeitstheoretischer Form dargestellt, zum Beispiel als Wahrscheinlichkeitsdichte, auch als Verteilungsdichte bezeichnet, für kontinuierliche Zustandsvariablen. Enthält der Zustand auch diskrete Variablen, so wird eine diskrete Wahrscheinlichkeitsverteilung oder eine Kombination aus diskreter Verteilung und Verteilungsdichte benötigt. Für die folgenden Gleichungen wird von kontinuierlichen Zustandsgrößen und somit Verteilungsdichten ausgegangen, um die Notation zu erleichtern.The estimate of state, also called system state or motion state, is represented in probabilistic form, for example as probability density, also called distribution density, for continuous state variables. If the state also contains discrete variables, a discrete probability distribution or a combination of discrete distribution and distribution density is required. The following equations assume continuous state variables and thus distribution densities in order to simplify the notation.
Der Zustandsschätzung liegt eine initiale Schätzung des Zustandes zugrunde, welche in der Regel eine sehr hohe Unsicherheit abbildet, da der Systemzustand erst im Verlauf eingehender Messdaten genauer geschätzt werden kann. Die aktuelle Zustandsschätzung wird zunächst durch ein Bewegungsmodell bestimmt. Ein solches Bewegungsmodell wird repräsentiert durch die bedingte Wahrscheinlichkeitsdichte:
Dieser Ausdruck beschreibt die bedingte Wahrscheinlichkeit des Zustands x zum Zeitpunkt k in Abhängigkeit von dem Zustand x zum Zeitpunkt k-1. Zusätzlich erfolgen zu diskreten Zeitpunkten Aktualisierungen der Schätzung gemäß Gleichung (2) in Folge von Messungen bzw. Sensordaten z, welche durch ein Sensormodell oder mehrere Sensormodelle dargestellt werden. Ein solches Sensormodell wird repräsentiert durch die Wahrscheinlichkeitsverteilung:
Das Sensormodell beschreibt eine bedingte Wahrscheinlichkeitsverteilung von Sensormessdaten z zum Zeitpunkt k in Abhängigkeit von dem Zustand x zum Zeitpunkt k.The sensor model describes a conditional probability distribution of sensor measurement data z at time k depending on the state x at time k.
Die Aktualisierung der Zustandsschätzung durch das Bewegungsmodell sowie die Aktualisierung durch die Sensormodelle erfolgen typischerweise im Wechsel, so dass vor jeder Aktualisierung mit Sensordaten eine Aktualisierung durch das Bewegungsmodell erfolgt. Der Satz von Bayes liefert die Gleichung, um die Schätzung der aktualisierten Bewegungsdaten durch die Sensormessung zu ermitteln.The update of the state estimate by the movement model and the update by the sensor models typically take place alternately, so that an update by the movement model takes place before each update with sensor data. Bayes' theorem provides the equation to determine the estimate of the updated motion data from the sensor measurement.
Die Aktualisierung durch das Bewegungsmodell erfolgt gemäß:
Der durch die Gleichungen für die Aktualisierung durch Bewegungsmodell und Sensormodell beschriebene Algorithmus wird aufgrund der rekursiven Zustandsberechnung aus dem zurückliegenden Zeitschritt im Zusammenhang mit einer Lokalisierung auch als Markov-Lokalisierung bezeichnet. Diese Markov-Lokalisierung ist zum Beispiel in Sebastian Thrun et al. „Probabilistic Robotics (Intelligent Robotics and Autonomous Agents)“. The MIT Press, 2005. beschrieben.The algorithm described by the equations for updating by motion model and sensor model is also called Markov localization due to the recursive state calculation from the previous time step in connection with localization. This Markov localization is described, for example, in Sebastian Thrun et al. "Probabilistic Robotics (Intelligent Robotics and Autonomous Agents)". The MIT Press, 2005.
Allerdings ist die exakte Berechnung der Wahrscheinlichkeitsdichten bzw. Wahrscheinlichkeitsverteilungen eines Systemzustands zum Zeitpunkt k in Folge der vorgenannten Gleichungen für allgemeine Formulierungen der Bewegungs- und Sensormodelle nicht möglich. Unter gewissen vereinfachenden Bedingungen für das Bewegungsmodell, die Sensormodelle sowie die Wahrscheinlichkeitsverteilung bzw. Wahrscheinlichkeitsdichte des Systemzustands, können spezielle Filter verwendet werden, die eine effiziente und exakte Berechnung der Aktualisierungsschritte erlauben. So kann für lineare Gaußsche Systeme das klassische Kalman-Filter herangezogen werden. Für nicht-lineare Aktualisierungsmodelle kann unter gewissen Einschränkungen (wie weiterhin quasi-Gaußsche Verteilungen) das Extended Kalman Filter, das Unscented Kalman Filter oder das Error-State Extended Kalman Filter angewendet werden. Für Systeme mit signifikant nicht-Gaußschen Wahrscheinlichkeitsverteilungen dagegen können unter gewissen Bedingungen Multi-Hypothesen Filter verwendet werden.However, the exact calculation of the probability densities or probability distributions of a system state at time k is not possible as a result of the aforementioned equations for general formulations of the motion and sensor models. Under certain simplifying conditions for the motion model, the sensor models and the probability distribution or probability density of the system state, special filters can be used that allow efficient and precise calculation of the update steps. The classic Kalman filter can be used for linear Gaussian systems. For non-linear update models, the Extended Kalman Filter, the Unscented Kalman Filter or the Error-State Extended Kalman Filter can be used under certain restrictions (such as quasi-Gaussian distributions). For systems with significantly non-Gaussian probability distributions, however, multi-hypothesis filters can be used under certain conditions.
Wenn sich die Wahrscheinlichkeitsdichte auf einzelne signifikante Peaks verteilt, welche im Idealfall beispielsweise annähernd Gaußsches Verhalten zeigen, ist es möglich, die einzelnen Peaks als separate Hypothesen zu verfolgen, insbesondere durch leistungsstarke Filter wie das Extended Kalman-Filter und das Unscented Kalman-Filter. Parallel zu den Parametern der einzelnen Hypothesen (zum Beispiel Mittelwert und Kovarianz) wird dann das Gewicht der einzelnen Hypothesen verfolgt, woraus durch gewichtete Addition der einzelnen Hypothesen die Funktion für die gesamte Verteilung folgt.If the probability density is distributed over individual significant peaks, which ideally show, for example, approximately Gaussian behavior, it is possible to track the individual peaks as separate hypotheses, in particular by means of powerful filters such as the Extended Kalman filter and the Unscented Kalman filter. In parallel to the parameters of the individual hypotheses (for example, mean and covariance), the weight of the individual hypotheses is then tracked, from which the function for the entire distribution follows through weighted addition of the individual hypotheses.
Die maximale Flexibilität gegenüber nichtlinearen Aktualisierungsgleichungen sowie nicht-Gaußschen Verteilungen ist durch das Partikel-Filter, auch als Sequential Monte Carlo Filter bezeichnet, gegeben. Zusätzlich existiert mit dem Rao-Blackwell Partikel-Filter die Möglichkeit, das Partikel-Filter mit, zum Beispiel, dem Kalman-Filter zu kombinieren.The maximum flexibility towards nonlinear update equations and non- Gaussian distributions are given by the particle filter, also known as the sequential Monte Carlo filter. In addition, the Rao-Blackwell particle filter offers the possibility of combining the particle filter with, for example, the Kalman filter.
Lokalisierungsverfahren für Schienenfahrzeuge, welche Bayessche Filter nutzen, können in zwei größere Klassen eingeteilt werden:
- Zum einen existieren kommerzielle Lokalisierungslösungen, welche eine zentimetergenaue Position und eine geforderte Genauigkeit der Orientierung liefern können. Diese Verfahren basieren gewöhnlich auf Echtzeitkinematiken (RTK = Real Time Kinematics) und gekoppelter Inertialnavigation. Diese Genauigkeiten werden allerdings typischerweise nur unter idealen Umweltbedingungen erreicht, bei denen Satellitendaten verfügbar sind. Außerdem sind die leistungsstärksten dieser Systeme besonders teuer aufgrund der Nutzung hochpräziser Trägheitsmesstechnologie. Bei diesen kommerziellen Lösungen wird typischerweise die Fahrzeugpose in einem Lösungsraum mit vollen 6 Freiheitsgraden geschätzt, wobei Einschränkungen, die sich für Schienenfahrzeuge anhand von Gleis-Kartendaten ergeben, nicht berücksichtigt werden. In einigen Fällen wird eine teilweise Nutzung von Gleis-Kartendaten untersucht, um die Lokalisierung auf eine breitere Datenbasis zu stellen, wobei die spezielle Dynamik in Folge des Schienenverlaufs berücksichtigt wird. Eine solche Vorgehensweise ist in C. Reimer et al. „INS/GNSS/Odometer Data Fusion in Railway Applications“. In Symposium Inertial Sensors & Systems 2016. beschrieben.
- On the one hand, there are commercial localization solutions that can provide a centimeter-accurate position and the required orientation accuracy. These methods are usually based on real-time kinematics (RTK) and coupled inertial navigation. However, these accuracies are typically only achieved under ideal environmental conditions where satellite data is available. Additionally, the most powerful of these systems are particularly expensive due to the use of high-precision inertial measurement technology. These commercial solutions typically estimate vehicle pose in a solution space with a full 6 degrees of freedom, ignoring limitations that arise for rolling stock from track map data. In some cases, partial use of track map data is being investigated to provide localization on a broader database, taking into account the specific dynamics resulting from the track's path. Such an approach is described in C. Reimer et al. “INS/GNSS/Odometer Data Fusion in Railway Applications”. Described in Symposium Inertial Sensors & Systems 2016.
Eine mögliche Darstellung eines Systemzustandes x für ein Bayes-Filter, welches keine Gleiskarten verwendet, wäre:
Dabei sind lon, lat, alt die sogenannten WGS84-Koordinaten (Das World Geodetic System 1984 ist ein geodätisches Referenzsystem als einheitliche Grundlage für Positionsangaben auf der Erde und im erdnahen Weltraum), φ, θ, ψ die Euler-Winkel, welche die Orientierung des Schienenfahrzeugs angeben, vx, vy, vz die linearen Geschwindigkeitswerte in drei Dimensionen, bax, bay, baz die Bias-Werte für einen 3D-Accelerometer und terr ein GNSS-Uhrenfehler. Teil des Zustands x sind also unter anderem auch 6 Koordinaten lon, lat, alt, φ, θ, ψ, die eine Pose P des Schienenfahrzeugs beschreiben.Here, lon, lat, alt are the so-called WGS84 coordinates (The World Geodetic System 1984 is a geodetic reference system as a uniform basis for position information on Earth and in near-Earth space), φ, θ, ψ are the Euler angles that indicate the orientation of the rail vehicle, v x , v y , v z are the linear speed values in three dimensions, b ax , b ay , b az are the bias values for a 3D accelerometer and t err is a GNSS clock error. Part of the state x are therefore also 6 coordinates lon, lat, alt, φ, θ, ψ, which describe a pose P of the rail vehicle.
Als Sensor-Bias werden quasi-statische Fehler in Messgeräten bezeichnet, welche sich nur sehr langsam, zum Beispiel in Abhängigkeit von der Umgebungstemperatur ändern. Die Nichtberücksichtigung solcher Fehler ist insbesondere dann problematisch, wenn die gemessenen Werte über die Zeit integriert werden, zum Beispiel bei der Ermittlung von Geschwindigkeit und Position über Integration der Beschleunigung, da sich konstante Anteile im Messfehler in der Zustandsschätzung aufsummieren (Drift). Gleichzeitig ist es möglich, den Einfluss der quasi-statischen Fehler zu minimieren, indem mithilfe anderer Sensor-Modalitäten die Bias-Werte als Teil des Systemzustandes online geschätzt werden. Die Schätzung von Bias-Werten in Beschleunigungssensoren ist zum Beispiel durch die Messung der absoluten Position durch driftfreie Sensoren, wie zum Beispiel GNSS, möglich.Sensor bias refers to quasi-static errors in measuring devices that only change very slowly, for example depending on the ambient temperature. Failure to take such errors into account is particularly problematic when the measured values are integrated over time, for example when determining speed and position by integrating acceleration, since constant components of the measurement error add up in the state estimate (drift). At the same time, it is possible to minimize the influence of the quasi-static errors by using other sensor modalities to estimate the bias values online as part of the system state. Estimating bias values in acceleration sensors is possible, for example, by measuring the absolute position using drift-free sensors such as GNSS.
Als Beispiel für ein in der Literatur genutztes Bewegungsmodell für einen Ansatz ohne die Nutzung von Gleiskarten wird an dieser Stelle auf Sebastian Thrun et al. „Probabilistic Robotics (Intelligent Robotics and Autonomous Agents)“. The MIT Press, 2005. verwiesen. Dort wird ein Bewegungsmodell für einen mobilen Roboter in der Ebene beschrieben. Das „Velocity Motion Model“ berechnet die resultierende Wahrscheinlichkeitsverteilung zum Zeitpunkt k für die Zustandsvariablen x, y, ψ, also die 2D-Postion und den Gierwinkel, in der Ebene. In diesem Beispiel werden die translatorische und die rotatorische Geschwindigkeit als Steuergrößen, also als für die Zustandsaktualisierung bekannte Eingangsgrößen, betrachtet. Zustandsmodelle für kommerzielle Lokalisierungslösungen betrachten selbstverständlich höherdimensionale Zustandsdarstellungen und komplexere Bewegungsmodelle.As an example of a motion model used in the literature for an approach without the use of track maps, reference is made here to Sebastian Thrun et al. "Probabilistic Robotics (Intelligent Robotics and Autonomous Agents)". The MIT Press, 2005. This describes a motion model for a mobile robot in the plane. The "Velocity Motion Model" calculates the resulting probability distribution at time k for the state variables x, y, ψ, i.e. the 2D position and the yaw angle, in the plane. In this example, the translational and rotational speeds are considered as control variables, i.e. as known input variables for the state update. State models for commercial localization solutions naturally consider higher-dimensional state representations and more complex motion models.
Die Implementierung eines geeigneten Bayes-Filters für einen solchen hochdimensionalen Systemzustand wird üblicherweise mit einem sogenannten Extended Kalman-Filter oder einem Error State Kalman-Filter realisiert, die mit hohen Systemdimensionen umgehen können und nicht-lineare Zusammenhänge von Bewegungsmodellen und Sensormodellen abbilden können.The implementation of a suitable Bayes filter for such a high-dimensional system state is usually realized with a so-called extended Kalman filter or an error state Kalman filter, which can handle high system dimensions and can map non-linear relationships between motion models and sensor models.
Bei einer anderen herkömmlichen Vorgehensweise zur Lokalisierung von Schienenfahrzeugen wird der bekannte Schienenverlauf der Gleise, auf denen sich ein zu lokalisierendes Schienenfahrzeug gerade befindet, für eine Einschränkung des Lösungsraums genutzt, da sich das Schienenfahrzeug irgendwo auf den Gleisen befinden muss. Eine solche Vorgehensweise ist zum Beispiel in O. Heirich. „Localization of Trains and Mapping of Railway Tracks“. PhD Thesis, 2020. beschrieben.Another conventional approach to localizing rail vehicles uses the known track layout of the tracks on which a rail vehicle to be localized is currently located to restrict the solution space, since the rail vehicle must be located somewhere on the tracks. Such an approach is described, for example, in O. Heirich. “Localization of Trains and Mapping of Railway Tracks”. PhD Thesis, 2020.
Meist wird das Lokalisierungsproblem auf diese Weise auf ein 1D-Lokalisierungsproblem zurückgeführt, wobei mit dem Bayesschen Filter nur noch die Frage beantwortet werden muss, welche Distanz das Schienenfahrzeug aktuell zurückgelegt hat. Dabei können auch mehrere Hypothesen eingebunden werden, welche berücksichtigen, dass das Schienenfahrzeug eine Weiche mit unbekanntem Zustand überfährt. Allerdings wird mit dieser Vorgehensweise unter Umständen keine sonderlich hohe Genauigkeit erreicht, da mit diesem Modell in der Regel ein realer Zustand eines Schienenfahrzeugs nicht exakt abgebildet werden kann, da es keine Abweichungen der Pose des Schienenfahrzeugs von einer durch den Verlauf einer Schienenstrecke festgelegten Pose zulässt.In this way, the localization problem is usually traced back to a 1D localization problem, whereby the Bayesian filter only needs to answer the question of what distance the rail vehicle has currently traveled. Several hypotheses can also be included, which take into account that the rail vehicle drives over a switch with an unknown status. However, this approach may not achieve a particularly high level of accuracy, since this model generally cannot accurately represent the real state of a rail vehicle, since it does not allow the pose of the rail vehicle to deviate from a pose determined by the course of a rail route.
Eine mögliche Definition eines Systemzustands x eines Schienenfahrzeugs unter Verwendung einer Gleiskarte wird repräsentiert durch:
Dabei geben id, s und d die topologische Pose des Schienenfahrzeugs wieder und v die Geschwindigkeit des Schienenfahrzeugs entlang des Gleises. Im Einzelnen repräsentiert id die Gleissegment-ID, s den Offset auf dem Gleissegment und d die Richtung auf dem Gleissegment. In einer solchen Zustandsdarstellung ist die geographische Pose des Schienenfahrzeugs eindeutig durch die topologische Pose vorgegeben. Abweichungen beispielsweise des Gierwinkels oder des Rollwinkels gegenüber der Gleisgeometrie, wie sie durch die elastische Aufhängung des Wagenkastens oder aufgrund des Abstandes zwischen Vorder- und Hinterachse in Kurven auftreten können, werden von einem solchen Zustandsmodell bzw. einer solchen Struktur eines Systemzustands nicht erfasst.id, s and d represent the topological pose of the rail vehicle and v the speed of the rail vehicle along the track. Specifically, id represents the track segment ID, s represents the offset on the track segment, and d represents the direction on the track segment. In such a state representation, the geographical pose of the rail vehicle is clearly specified by the topological pose. Deviations, for example, of the yaw angle or the roll angle compared to the track geometry, as can occur due to the elastic suspension of the car body or due to the distance between the front and rear axles in curves, are not recorded by such a state model or such a structure of a system state.
Im Folgenden wird der Veranschaulichung halber ein vereinfachtes gleisbasiertes Bewegungsmodell beschrieben. Vereinfachend wird angenommen, dass die Gleiskarte aus einem einzelnen Gleis besteht, so dass zum Beispiel immer die Gleissegment-ID id = 1 angenommen werden kann. Außerdem sei die ursprüngliche Orientierung d0 des Schienenfahrzeugs auf dem Gleis bekannt, zum Beispiel d0 = „vorwärts“. Das Bewegungsmodell definiert den folgenden Übergang für die Zustandsgrößen:
Im vorbeschriebenen Beispiel mit nur einem Gleissegment und bekannter Orientierung des Fahrzeuges können id und d aus dem Systemzustand und dem Bewegungsmodell entfernt werden, da sie stets unverändert und bekannt sind und die Übergangswahrscheinlichkeit in Gleichung (2) für s und v folgt direkt aus Gleichung (10) und Gleichung (11).In the above example with only one track segment and known orientation of the vehicle, id and d can be removed from the system state and the motion model, since they are always unchanged and known and the transition probability in equation (2) for s and v follows directly from equation (10) and equation (11).
Als Beispiel für ein Sensormodell für sowohl gleiskartenbasierte und gleiskartenlose Ansätze soll hier ein Gaußsches GNSS-Positions-Sensormodell beschrieben werden. Bei einem solchen GNSS-Positions-Sensormodell wird die Messung durch einen Gaußschen Fehlerterm gestört. Das Sensormodell p(zGNSS|x) wird durch eine einfache mehrdimensionale Gauß-Verteilung N beschrieben:
Dabei ist der Mittelwert µ durch den Längengrad, den Breitengrad und die Höhe über Null, welche aus dem aktuellen Systemzustand hervorgehen, wiedergegeben.The mean value µ is represented by the longitude, latitude and altitude above zero, which result from the current system state.
Diese Werte folgen:
- - für den Systemzustand ohne Gleiskarte direkt aus dem Längengrad lon, dem Breitengrad lat, und der Höhe alt im Systemzustand,
- - für den Systemzustand mit Gleiskarte indirekt aus den topologischen Parametern Gleissegment-ID id, Offset s auf dem Gleissegment (die Orientierung d auf dem Gleis spielt für die Position keine Rolle), wobei die Geometrieinformation aus der Gleiskarte bezogen werden muss, also eine Funktion f: id, s -> lon, lat, alt (13).
- - for the system state without track map directly from the longitude lon, the latitude lat, and the altitude alt in the system state,
- - for the system state with track map indirectly from the topological parameters track segment ID id, offset s on the track segment (the orientation d on the track plays no role for the position), whereby the geometry information must be obtained from the track map, i.e. a function f: id, s -> lon, lat, alt (13).
Die Kovarianzmatrix Σ kann in einem einfachen Modell als konstant angenommen werden, es ist jedoch auch möglich, die tatsächliche Unsicherheit einer GNSS-Messung zu berücksichtigen, beispielsweise infolge der Anzahl und Konstellation der verfügbaren Satelliten.The covariance matrix Σ can be assumed to be constant in a simple model, but it is also possible to take into account the actual uncertainty of a GNSS measurement, for example due to the number and constellation of available satellites.
Wie bereits erwähnt, bringen die vorstehend ausführlich beschriebenen Ansätze gewisse teilweise komplementäre Limitierungen mit sich, was die Genauigkeit der Posenermittlung betrifft.As already mentioned, the approaches described in detail above bring with them certain, partially complementary, limitations when it comes to the accuracy of pose determination.
Es besteht also die Aufgabe, eine im Vergleich zum Stand der Technik exaktere, zuverlässigere und robustere Selbstlokalisierung eines Schienenfahrzeugs zu ermöglichen.The task is therefore to enable self-localization of a rail vehicle that is more precise, reliable and robust compared to the state of the art.
Diese Aufgabe wird durch ein Verfahren zur Ermittlung einer Wahrscheinlichkeitsverteilung einer Pose eines Schienenfahrzeugs gemäß Patentanspruch 1, eine Selbstlokalisierungseinrichtung gemäß Patentanspruch 11 und ein Schienenfahrzeug gemäß Patentanspruch 12 gelöst.This object is achieved by a method for determining a probability distribution of a pose of a rail vehicle according to patent claim 1, a self-localization device according to patent claim 11 and a rail vehicle according to patent claim 12.
Bei dem erfindungsgemäßen Verfahren zur Ermittlung einer Wahrscheinlichkeitsverteilung einer Pose eines Schienenfahrzeugs werden bei dem Schritt i) eine formale Struktur eines Systemzustands, welcher eine Pose des Schienenfahrzeugs repräsentiert, und ein Bewegungsmodell des Schienenfahrzeugs, welches eine Wahrscheinlichkeitsverteilung einer Posenänderung in Abhängigkeit von der Zeit repräsentiert, ermittelt bzw. definiert. Mit einer „formalen Struktur“ soll hier beschrieben werden, dass an dieser Stelle kein konkreter Systemzustand mit einer konkreten Pose ermittelt wird, sondern modellhaft eine mathematische Formelstruktur bzw. die mathematische Form des Systemzustands, wie sie zum Beispiel weiter unten in Gln. (14) beschrieben wird, formuliert bzw. definiert wird. Wie bereits erläutert, kann der Systemzustand neben der Pose noch weitere Informationen über den Zustand des Schienenfahrzeugs umfassen, wie zum Beispiel die Geschwindigkeit des Schienenfahrzeugs. Dabei wird eine mögliche Pose des Schienenfahrzeugs auf Basis des Verlaufs von Schienenstrecken in Gleiskartendaten eingeschränkt, aber es erfolgt eine teilweise Kompensation der Restriktion auf Basis einer modellbasiert definierten möglichen Abweichung der Pose des Schienenfahrzeugs von der eingeschränkten möglichen Pose. Insbesondere das Bewegungsmodell lässt sich auf Basis spezifischer Parameterwerte an konkrete Szenarien anpassen.In the method according to the invention for determining a probability distribution of a pose of a rail vehicle, in step i) a formal structure of a system state, which represents a pose of the rail vehicle, and a motion model of the rail vehicle, which represents a probability distribution of a pose change as a function of time, are determined or defined. A "formal structure" is used here to describe that at this point no concrete system state with a concrete pose is determined, but rather a mathematical formula structure or the mathematical form of the system state, as described for example further below in equation (14), is formulated or defined as a model. As already explained, the system state can include further information about the state of the rail vehicle in addition to the pose, such as the speed of the rail vehicle. In this case, a possible pose of the rail vehicle is restricted on the basis of the course of rail routes in track map data, but the restriction is partially compensated on the basis of a model-based defined possible deviation of the pose of the rail vehicle from the restricted possible pose. In particular, the movement model can be adapted to concrete scenarios based on specific parameter values.
Zudem werden bei dem Schritt ii) Sensormodelle zur Charakterisierung des Messverhaltens von Sensoren des Schienenfahrzeugs, welche für die Ermittlung der Wahrscheinlichkeitsverteilung der Pose des Schienenfahrzeugs auf Basis von Sensordaten verwendet werden, definiert. Wie die Sensormodelle aussehen, ist in der Praxis letztendlich dadurch bestimmt, welche Sensoren in einer bestimmten Anwendung verfügbar sind. In addition, in step ii), sensor models are defined for characterizing the measurement behavior of sensors of the rail vehicle, which are used to determine the probability distribution of the pose of the rail vehicle based on sensor data. In practice, what the sensor models look like is ultimately determined by which sensors are available in a particular application.
Weiterhin lassen sich die Sensormodelle ähnlich wie das Bewegungsmodell auf Basis spezifischer Parameterwerte an konkrete Szenarien anpassen.Furthermore, the sensor models can be adapted to specific scenarios based on specific parameter values, similar to the motion model.
Auf Basis des Systemzustands, des Bewegungsmodells und des Sensormodells wird bei dem Schritt iii) ein Bayes-Filter ermittelt. Wie bereits erläutert, umfasst ein Bayes-Filter ein rekursives probabilistisches Verfahren zur Schätzung von Wahrscheinlichkeitsverteilungen unbeobachteter Systemzustände auf Basis von beobachteten Messwerten. Das Bayes-Filter dient später dazu, auf Basis eines zuletzt ermittelten Systemzustands und auf Basis von erfassten Sensordaten eine neuen bzw. aktuellen Systemzustand und eine entsprechende Pose des Schienenfahrzeugs zu ermitteln.Based on the system state, the movement model and the sensor model, a Bayesian filter is determined in step iii). As already explained, a Bayes filter includes a recursive probabilistic method for estimating probability distributions of unobserved system states based on observed measured values. The Bayes filter is later used to determine a new or current system state and a corresponding pose of the rail vehicle based on a last determined system state and based on recorded sensor data.
Zudem wird bei dem Schritt iv) eine Wahrscheinlichkeitsverteilung eines initialen Systemzustands des Schienenfahrzeugs konfiguriert. Ein solcher initialer Systemzustand kann zum Beispiel auf Basis externer Informationen bekannt sein. Beispielsweise ist mit vordefinierter Genauigkeit bekannt, von welcher Position aus im Schienennetz bzw. mit welcher Pose das Schienenfahrzeug startet.In addition, in step iv) a probability distribution of an initial system state of the rail vehicle is configured. Such an initial system state can be known, for example, based on external information. For example, it is known with predefined accuracy from which position in the rail network or with which pose the rail vehicle starts.
Weiterhin werden bei dem Schritt v) Sensordaten durch die Sensoren zur Ermittlung der Pose des Schienenfahrzeugs erfasst.Furthermore, in step v), sensor data is recorded by the sensors to determine the pose of the rail vehicle.
Unter Sensordaten sind Messdaten zu verstehen, welche für eine Posenermittlung geeignet sind. Typische Messdaten sind GNSS-Daten, Odometriedaten, Sensordaten zur Abtastung der Umgebung, mit denen Landmarken erkannt werden können usw.Sensor data refers to measurement data that is suitable for determining poses. Typical measurement data are GNSS data, odometry data, sensor data for scanning the environment with which landmarks can be detected, etc.
Schließlich wird bei dem Schritt vi) eine Wahrscheinlichkeitsverteilung eines Systemzustands und damit auch eine Wahrscheinlichkeitsverteilung der Pose des Schienenfahrzeugs durch Anwendung des Bayes-Filters auf die erfassten Sensordaten und auf die Wahrscheinlichkeitsverteilung des initialen Systemzustands des Schienenfahrzeugs als Eingangsgrößen ermittelt.Finally, in step vi), a probability distribution of a system state and thus also a probability distribution of the pose of the rail vehicle is determined by applying the Bayes filter to the recorded sensor data and to the probability distribution of the initial system state of the rail vehicle as input variables.
Vorzugsweise während einer Fahrt des Schienenfahrzeugs werden dann bevorzugt die Schritte v) und vi) mehrfach wiederholt, wobei jeweils eine aktualisierte Pose des Schienenfahrzeugs bzw. deren Wahrscheinlichkeitsverteilung ermittelt wird.Preferably during a journey of the rail vehicle, steps v) and vi) are then repeated several times, with an updated pose of the rail vehicle or its probability distribution being determined in each case.
Hierzu wird bei dem Schritt vi) anstatt der Wahrscheinlichkeitsverteilung des initialen Systemzustands des Schienenfahrzeugs eine Wahrscheinlichkeitsverteilung eines im Zusammenhang mit der zuletzt ermittelten Wahrscheinlichkeitsverteilung der Pose des Schienenfahrzeugs zuletzt ermittelten Systemzustands des Schienenfahrzeugs als Eingangsgröße für das Bayes-Filter verwendet.For this purpose, in step vi), instead of the probability distribution of the initial system state of the rail vehicle, a probability distribution of a system state of the rail vehicle last determined in connection with the last determined probability distribution of the pose of the rail vehicle is used as an input variable for the Bayesian filter.
Anders ausgedrückt umfasst der zuletzt geschätzte Systemzustand nach jeder weiteren Iteration bzw. Wiederholung der Schritte v) und vi) den zuletzt bei der Anwendung des Bayes-Filters zur Posenermittlung ermittelten Systemzustand. Die Schritte zum Erfassen von Sensordaten und zum Ermitteln der Wahrscheinlichkeitsverteilung der Pose des Schienenfahrzeugs werden also während einer Fahrt wiederholt ausgeführt bzw. i-teriert, um aus der zuletzt ermittelten Pose bzw. dem diese Pose umfassenden zuletzt ermittelten Systemzustand einen neuen aktuellen Systemzustand und eine neue aktuelle Pose des Schienenfahrzeugs zu ermitteln.In other words, the last estimated system state after each further iteration or repetition of steps v) and vi) includes the system state last determined when the Bayesian filter was used to determine the pose. The steps for acquiring sensor data and for determining the probability distribution of the pose of the rail vehicle are therefore carried out or iterated repeatedly during a journey in order to create a new current system state and a new one from the last determined pose or the last determined system state comprising this pose to determine the current pose of the rail vehicle.
Die Kenntnis der wahrscheinlichen Pose des Schienenfahrzeugs kann für posenabhängige Aktionen, Reaktionen, insbesondere Anwendungen, die in der Einleitung beschrieben wurden, genutzt werden.The knowledge of the likely pose of the rail vehicle can be used for pose-dependent actions, reactions, especially applications described in the introduction.
Auf Basis der Sensordaten und auf Basis von Gleiskartendaten, bevorzugt hochgenauen Gleiskartendaten, welche einen Streckenabschnitt umfassen bzw. darstellen, auf dem sich das Schienenfahrzeug aktuell befindet, wird anschaulich gesprochen, ein eingeschränkter Lösungsraum, welcher die gesuchte Pose umfasst, aber Abweichungen der Pose von einer allein streckenbasiert ermittelten Pose erlaubt, ermittelt. Der eingeschränkte Lösungsraum ergibt sich aus der Kenntnis der durch die Gleisgeometrie vorgegebenen nominellen Trajektorie, auf der sich das Schienenfahrzeug befindet, sowie aus der Kenntnis möglicher Abweichungen der Pose des Schienenfahrzeugs von dieser Trajektorie. Die Trajektorie ergibt sich anhand des Verlaufs eines Schienenabschnitts bzw. Streckenabschnitts, welcher dem Schienenfahrzeug auf Basis der vorzugsweise hochgenauen Landkartendaten sowie der Sensordaten und älterer Posendaten zugeordnet wird. Für die Einschränkung des Lösungsraums kann zunächst einfach davon ausgegangen werden, dass die im eingeschränkten Lösungsraum erlaubten Abweichungen von einem nominellen Verhalten der Pose des Schienenfahrzeugs „klein“ sind gegenüber den Beträgen der Zustandsgrößen, die ohne die Einschränkung durch die Gleisdaten möglich wären. Hochgenaue Gleiskartendaten sind mit einer vorbestimmten Genauigkeit dargestellt. Die benötigte Genauigkeit hängt von den Anwendungen ab, für die die Selbstlokalisierung genutzt werden soll. Bevorzugt sind hochgenaue Gleiskartendaten mit einer maximalen relativen Abweichung von 5 cm und einer maximalen absoluten Abweichung von 20 cm abgebildet. Besonders bevorzugt beträgt die relative Abweichung 5 cm und die maximale absolute Abweichung nur 10 cm. Mit einer größeren Genauigkeit der Gleiskarte erhöht sich auch die erreichbare Genauigkeit bei der Ermittlung der Pose des Schienenfahrzeugs. Es sei an dieser Stelle angemerkt, dass mit dem erfindungsgemäßen Verfahren auch relativ ungenaue Gleiskarten genutzt werden können, die im Stand der Technik Probleme bereiten, da erfindungsgemäß Abweichungen der Pose des Schienenfahrzeugs gegenüber der Gleiskarte zugelassen werden.Based on the sensor data and on the basis of track map data, preferably high-precision track map data, which include or represent a section of route on which the rail vehicle is currently located, a limited solution space is clearly stated, which includes the sought pose, but deviations of the pose from one Pose determined based on distance alone is allowed to be determined. The restricted solution space results from the knowledge of the nominal trajectory given by the track geometry on which the rail vehicle is located, as well as from the knowledge of possible deviations of the pose of the rail vehicle from this trajectory. The trajectory is determined based on the course of a rail section or route section, which is assigned to the rail vehicle on the basis of the preferably highly accurate map data as well as the sensor data and older pose data. To restrict the solution space, it can initially simply be assumed that the deviations from a nominal behavior of the rail vehicle pose permitted in the restricted solution space are “small” compared to the amounts of the state variables that would be possible without the restriction caused by the track data. Highly accurate track map data is displayed with a predetermined accuracy. The accuracy required depends on the applications for which self-location is to be used. Highly accurate track map data with a maximum relative deviation of 5 cm and a maximum absolute deviation of 20 cm are preferably displayed. The relative deviation is particularly preferably 5 cm and the maximum absolute deviation is only 10 cm. With greater accuracy of the track map, the accuracy that can be achieved when determining the pose of the rail vehicle also increases. It should be noted at this point that with the method according to the invention, relatively imprecise track maps can also be used, which cause problems in the prior art, since according to the invention, deviations in the pose of the rail vehicle compared to the track map are permitted.
Ein Bewegungsmodell definiert den Übergang der Zustandsgrößen eines Systemzustands x zwischen den Zeitpunkten k-1 und k. Beispiele für solche Bewegungsmodelle sind in den Gleichungen (10) und (11) oder im „Velocity Motion Model“ in Sebastian Thrun et al. „Probabilistic Robotics (Intelligent Robotics and Autonomous Agents)“ beschrieben. The MIT Press, 2005. A motion model defines the transition of the state variables of a system state x between the times k-1 and k. Examples of such motion models are described in equations (10) and (11) or in the “Velocity Motion Model” in Sebastian Thrun et al. “Probabilistic Robotics (Intelligent Robotics and Autonomous Agents)”. The MIT Press, 2005.
Veranschaulicht. Ein Sensormodell definiert einen Zusammenhang zwischen einem Systemzustand und der Wahrscheinlichkeitsverteilung/-verteilungsdichte eines bestimmten Messwertes bzw. Sensormesswertes. Ein Beispiel für ein solches Sensormodell ist in den Gleichungen (12) und (13) veranschaulicht. Vorteilhaft vereinfacht sich die Definition eines Systemzustands und eines Bewegungsmodells aufgrund der Annahme eines eingeschränkten Lösungsraumes im Vergleich zu einer herkömmlichen Vorgehensweise ohne eine solche Einschränkung, wie später noch im Detail veranschaulicht wird. Andererseits wird eine erhöhte Präzision einer Schätzung eines Systemzustands und damit einer Pose eines Schienenfahrzeugs ermöglicht, weil das Verfahren Abweichungen der Position und Pose von einer Trajektorie eines Streckenabschnitts, auf dem sich das Schienenfahrzeug gerade befindet, erlaubt.Illustrated. A sensor model defines a relationship between a system state and the probability distribution/distribution density of a specific measured value or sensor measured value. An example of such a sensor model is illustrated in equations (12) and (13). The definition of a system state and a motion model is advantageously simplified due to the assumption of a restricted solution space compared to a conventional approach without such a restriction, as will be illustrated in detail later. On the other hand, an increased precision of an estimate of a system state and thus of a pose of a rail vehicle is made possible because the method allows deviations of the position and pose from a trajectory of a section of track on which the rail vehicle is currently located.
Die Pose des Schienenfahrzeugs wird bevorzugt durch eine Anwendung eines Bayesschen Filters auf eine Kombination aus einem Bewegungsmodell und einem Satz von Sensormodellen ermittelt. Anschaulich gesprochen wird also einerseits eine ungefähre Pose des Schienenfahrzeugs auf Basis von bevorzugt hochgenauen Gleiskartendaten ermittelt. Andererseits wird auf Basis der ungefähren Pose ein reduzierter Lösungsraum ermittelt, in dem sich eine exakte Pose des Schienenfahrzeugs wahrscheinlich befindet. Vorteilhaft vereinfacht sich die Struktur eines Filteralgorithmus aufgrund der Einschränkung des Lösungsraums beträchtlich, so dass sich der Rechenaufwand im Vergleich zu einer generischen Herangehensweise, insbesondere gegenüber gleiskartenlosen Ansätzen, reduziert.The pose of the rail vehicle is preferably determined by applying a Bayesian filter to a combination of a motion model and a set of sensor models. In other words, an approximate pose of the rail vehicle is determined on the one hand based on preferably highly accurate track map data. On the other hand, a reduced solution space is determined on the basis of the approximate pose, in which an exact pose of the rail vehicle is likely to be found. The Structure of a filter algorithm is considerably reduced due to the restriction of the solution space, so that the computational effort is reduced compared to a generic approach, especially compared to track-mapless approaches.
Anders als bei einer herkömmlichen gleiskartenbasierten Vorgehensweise werden jedoch Abweichungen der Pose des Schienenfahrzeugs von einem „nominellen“ Verhalten des Schienenfahrzeugs im Bewegungsmodell bzw. von der gleiskartenbasiert ermittelten ungefähren Pose in dem reduzierten Lösungsraum ermittelt, um so exaktere Werte für eine Pose des Schienenfahrzeugs zu ermitteln.However, unlike a conventional track map-based approach, deviations of the pose of the rail vehicle from a "nominal" behavior of the rail vehicle in the motion model or from the approximate pose determined based on the track map in the reduced solution space are determined in order to determine more precise values for a pose of the rail vehicle.
Der Systemzustand x eines Schienenfahrzeugs kann nun wie folgt beschrieben werden:
Dabei geben id, s, d die topologische Pose des Schienenfahrzeugs wieder, v die Geschwindigkeit entlang des Gleises, Δφ, Δθ, Δψ, Δy, Δz die Posenabweichung, d.h. die Abweichung der Orientierung und die Translation in Quer- und Vertikalrichtung an.Here, id, s, d represent the topological pose of the rail vehicle, v the speed along the track, Δφ, Δθ, Δψ, Δy, Δz the pose deviation, i.e. the deviation of the orientation and the translation in transverse and vertical directions.
Allerdings kann der Systemzustand noch vereinfacht dargestellt werden. Denn es können bestimmte Eigenschaften des physikalischen Systems berücksichtigt werden, um die Dimension des Systemzustandes zu reduzieren. Beispielsweise sind die Abweichungen Δψ der Schienenfahrzeugpose gegenüber der Gleisgeometrie um die Gierachse oder auch die Abweichungen Δφ gegenüber der Gleisgeometrie um die Rollachse erheblich signifikanter als die Abweichungen Δθ um die Nickachse. Ebenfalls können die translatorischen Abweichungen Δy, Δz in vielen Anwendungen vernachlässigt werden. Auf diese Weise erhält man einen vereinfachten Systemzustand der Form:
Δφ gibt die Rollwinkelabweichung an und Δψ die Gierwinkelabweichung an.Δφ indicates the roll angle deviation and Δψ indicates the yaw angle deviation.
Vorteilhaft wird durch die Einbeziehung von Gleiskarten der Lösungsraum für die Ermittlung des Systemzustands stark reduziert. Im Gegensatz zu den herkömmlichen Lösungen mit Gleiskarte werden jedoch auch Abweichungen der Pose der Schienenfahrzeuge von der Gleisgeometrie zugelassen und nachverfolgt.The inclusion of track maps advantageously greatly reduces the solution space for determining the system status. In contrast to conventional solutions with track maps, deviations in the pose of the rail vehicles from the track geometry are also permitted and tracked.
Aufgrund der Beschränkung auf einen Bereich um den Gleisverlauf können Posenabweichungen nur sehr klein ausfallen, wodurch sich für die Berechnung der Abweichungen eine lineare Darstellung mit einer Gaußschen Verteilung anbietet. Die kleinen Abweichungen ermöglichen es außerdem, unterschiedliche Freiheitsgrade entkoppelt zu betrachten.Due to the restriction to an area around the track, pose deviations can only be very small, which means that a linear representation with a Gaussian distribution is suitable for calculating the deviations. The small deviations also make it possible to consider different degrees of freedom in a decoupled manner.
In dem erfindungsgemäßen Bewegungsmodell wird also zusätzlich zur Transition des topologischen Zustandes auch eine Transition für die Posenabweichung bzw. die Abweichung der Orientierung definiert. Im Fall, dass lediglich eine Abweichung im Gierwinkel betrachtet wird, lautet diese dann zum Beispiel
Der Term σψw in Gleichung (16) drückt ähnlich wie bei der Geschwindigkeit in Gleichung (11) aus, welche Änderungen in der Gierwinkel-Abweichung Δψk zwischen zwei Zeitpunkten k - 1 und k zu erwarten sind. Die Aktualisierung der Posenabweichung kann bei Bedarf auch komplexere Darstellungen enthalten, zum Beispiel um Trägheitseffekte abzubilden. Weiterhin kann hier aber von linearem Verhalten ausgegangen werden.The term σ ψ w in equation (16) expresses, similarly to the speed in equation (11), which changes in the yaw angle deviation Δψ k are to be expected between two times k - 1 and k. The pose deviation update can also include more complex representations if necessary, for example to reflect inertial effects. However, linear behavior can still be assumed here.
Für den Systemzustand mit Gleiskarte plus Posenabweichung kann das Sensormodell ebenfalls aus der Gleiskarte ermittelt werden.For the system status with track map plus pose deviation, the sensor model can also be determined from the track map.
Für ein Sensormodell für eine Positionsmessung müssen die Geokoordinaten aus der Gleiskarte noch um die Positionsabweichungen Δy und Δz angepasst werden. Es kann dann die folgende Funktion f definiert werden:
Die erfindungsgemäße Selbstlokalisierungseinrichtung weist eine Filterermittlungseinheit zum Ermitteln eines Bayes-Filters durch das Definieren einer formalen Struktur eines Systemzustands, welcher eine Pose eines Schienenfahrzeugs repräsentiert, und eines Bewegungsmodells des Schienenfahrzeugs, welches eine Posenänderung des Schienenfahrzeugs in Abhängigkeit von der Zeit repräsentiert, auf. Dabei wird eine mögliche Pose des Schienenfahrzeugs auf Basis des Verlaufs von Schienenstrecken in Gleiskartendaten eingeschränkt, aber es erfolgt eine teilweise Kompensation der Restriktion auf Basis einer modellbasiert definierten möglichen Abweichung der Pose des Schienenfahrzeugs von der eingeschränkten möglichen Pose.The self-localization device according to the invention has a filter determination unit for determining a Bayesian filter by defining a formal structure of a system state, which represents a pose of a rail vehicle, and a movement model of the rail vehicle, which represents a change in pose of the rail vehicle as a function of time represents, on. A possible pose of the rail vehicle is restricted based on the course of rail routes in track map data, but the restriction is partially compensated for based on a model-based possible deviation of the pose of the rail vehicle from the restricted possible pose.
Die Filterermittlungseinrichtung ist außerdem dazu eingerichtet, Sensormodelle zur Charakterisierung des Messverhaltens von Sensoren des Schienenfahrzeugs, welche für die Ermittlung der Wahrscheinlichkeitsverteilung der Pose des Schienenfahrzeugs auf Basis von Sensordaten verwendet werden, zu definieren.The filter determination device is also designed to define sensor models for characterizing the measurement behavior of sensors of the rail vehicle, which are used to determine the probability distribution of the pose of the rail vehicle based on sensor data.
Zudem ist die Filterermittlungseinrichtung dazu eingerichtet, ein Bayes-Filter auf Basis des Systemzustands, des Bewegungsmodells und des Sensormodells zu ermitteln.In addition, the filter determination device is configured to determine a Bayesian filter based on the system state, the motion model and the sensor model.
Teil der erfindungsgemäßen Selbstlokalisierungseinrichtung ist auch eine Konfigurationseinheit zum Konfigurieren einer Wahrscheinlichkeitsverteilung eines initialen Zustands des Schienenfahrzeugs.Part of the self-localization device according to the invention is also a configuration unit for configuring a probability distribution of an initial state of the rail vehicle.
Weiterhin umfasst die erfindungsgemäße Selbstlokalisierungseinrichtung eine Sensordatenschnittstelle zum Erfassen von Sensordaten von Sensoren des Schienenfahrzeugs zur Ermittlung der Pose des Schienenfahrzeugs und eine Posenermittlungseinheit zum Ermitteln einer Wahrscheinlichkeitsverteilung einer aktuellen Systemzustands und damit auch der Wahrscheinlichkeitsverteilung einer Pose des Schienenfahrzeugs durch Anwendung des Bayes-Filters auf die erfassten Sensordaten auf die Wahrscheinlichkeitsverteilung des initialen Systemzustands des Schienenfahrzeugs als Eingangsgrößen.Furthermore, the self-localization device according to the invention comprises a sensor data interface for acquiring sensor data from sensors of the rail vehicle to determine the pose of the rail vehicle and a pose determination unit for determining a probability distribution of a current system state and thus also the probability distribution of a pose of the rail vehicle by applying the Bayes filter to the recorded sensor data on the probability distribution of the initial system state of the rail vehicle as input variables.
Bevorzugt ist die Posenermittlungseinheit dazu eingerichtet anstatt der Wahrscheinlichkeitsverteilung des initialen Systemzustands bei einer wiederholten Posenermittlung eine Wahrscheinlichkeitsverteilung eines zuletzt geschätzten Systemzustands des Schienenfahrzeugs als Eingangsgröße für das Bayes-Filter zu verwenden. Dieser zuletzt geschätzte Systemzustand umfasst nach jeder weiteren Iteration den zuletzt bei der Anwendung des Bayes-Filters zur Posenermittlung ermittelten Systemzustand des Schienenfahrzeugs.Preferably, the pose determination unit is set up to use a probability distribution of a last estimated system state of the rail vehicle as an input variable for the Bayesian filter instead of the probability distribution of the initial system state in a repeated pose determination. After each further iteration, this last estimated system state includes the system state of the rail vehicle that was last determined when the Bayesian filter was used to determine the pose.
Mithin ist die Posenermittlungseinheit also dazu eingerichtet, bei einer wiederholten Posenermittlung anstatt der Wahrscheinlichkeitsverteilung des initialen Systemzustands des Schienenfahrzeugs eine Wahrscheinlichkeitsverteilung eines im Zusammenhang mit der zuletzt ermittelten Wahrscheinlichkeitsverteilung der Pose des Schienenfahrzeugs zuletzt ermittelten Systemzustands des Schienenfahrzeugs als Eingangsgröße für das Bayes-Filter zu verwenden.Therefore, the pose determination unit is designed to use a probability distribution of a system state of the rail vehicle last determined in connection with the last determined probability distribution of the pose of the rail vehicle as the input variable for the Bayes filter during a repeated pose determination, instead of the probability distribution of the initial system state of the rail vehicle.
Die erfindungsgemäße Selbstlokalisierungseinrichtung teilt die Vorteile des erfindungsgemäßen Verfahrens zur Ermittlung einer Wahrscheinlichkeitsverteilung einer Pose eines Schienenfahrzeugs.The self-localization device according to the invention shares the advantages of the method according to the invention for determining a probability distribution of a pose of a rail vehicle.
Das erfindungsgemäße Schienenfahrzeug weist eine Sensoreinheit zum Erfassen von Sensordaten zum Ermitteln einer Pose des Schienenfahrzeugs auf. Zudem umfasst das erfindungsgemäße Schienenfahrzeug die erfindungsgemäße Lokalisierungseinrichtung, welche dazu eingerichtet ist, auf Basis der erfassten Sensordaten die Pose des Schienenfahrzeugs zu ermitteln. Optional umfasst das erfindungsgemäße Schienenfahrzeug eine Einrichtung zum Durchführen einer Aktion auf Basis der Kenntnis der Pose des Schienenfahrzeug, wie zum Beispiel eine Steuerungseinrichtung zum Steuern eines Fahrverhaltens des Schienenfahrzeugs in Abhängigkeit von einer durch die Lokalisierungseinrichtung ermittelten Pose. Das erfindungsgemäße Schienenfahrzeug teilt die Vorteile der erfindungsgemäßen Selbstlokalisierungseinrichtung.The rail vehicle according to the invention has a sensor unit for recording sensor data for determining a pose of the rail vehicle. In addition, the rail vehicle according to the invention comprises the localization device according to the invention, which is set up to determine the pose of the rail vehicle on the basis of the recorded sensor data. Optionally, the rail vehicle according to the invention comprises a device for carrying out an action based on knowledge of the pose of the rail vehicle, such as a control device for controlling a driving behavior of the rail vehicle depending on a pose determined by the localization device. The rail vehicle according to the invention shares the advantages of the self-localization device according to the invention.
Ein Großteil der zuvor genannten Komponenten der Selbstlokalisierungseinrichtung können ganz oder teilweise in Form von Softwaremodulen in einem Prozessor eines entsprechenden Rechensystems realisiert werden, z.B. von einer Steuereinheit eines Schienenfahrzeugs. Eine weitgehend softwaremäßige Realisierung hat den Vorteil, dass auch schon bisher verwendete Rechensysteme auf einfache Weise durch ein Software-Update nachgerüstet werden können, um auf die erfindungsgemäße Weise zu arbeiten. Insofern wird die Aufgabe auch durch ein entsprechendes Computerprogrammprodukt mit einem Computerprogramm gelöst, welches direkt in ein Rechensystem ladbar ist, mit Programmabschnitten, um die Schritte des erfindungsgemäßen Verfahrens, zumindest die durch einen Computer ausführbaren Schritte, insbesondere den Schritt zum Definieren eines Bewegungsmodells des Schienenfahrzeugs, beispielsweise durch eine konkrete Parameterwahl, den Schritt zum Definieren von Sensormodellen, beispielsweise durch eine konkrete Parameterwahl, den Schritt zum Ermitteln eines Bayes-Filters, den Schritt zum Konfigurieren einer Wahrscheinlichkeitsverteilung eines initialen Systemzustands des Schienenfahrzeugs und den Schritt zum Ermitteln einer Wahrscheinlichkeitsverteilung der Pose des Schienenfahrzeugs, auszuführen, wenn das Programm in dem Rechensystem ausgeführt wird. Ein solches Computerprogrammprodukt kann neben dem Computerprogramm gegebenenfalls zusätzliche Bestandteile, wie z. B. eine Dokumentation, und/oder zusätzliche Komponenten, auch Hardware-Komponenten, wie z.B. Hardware-Schlüssel (Dongles etc.) zur Nutzung der Software, umfassen.A majority of the aforementioned components of the self-localization device can be implemented entirely or partially in the form of software modules in a processor of a corresponding computing system, for example by a control unit of a rail vehicle. A largely software-based implementation has the advantage that previously used computing systems can also be easily retrofitted by a software update in order to work in the manner according to the invention. In this respect, the task is also solved by a corresponding computer program product with a computer program which can be loaded directly into a computing system, with program sections to carry out the steps of the method according to the invention, at least the steps that can be carried out by a computer, in particular the step for defining a movement model of the rail vehicle, for example by a concrete parameter selection, the step for defining sensor models, for example by a concrete parameter selection, the step for determining a Bayesian filter, the step for configuring a probability distribution of an initial system state of the rail vehicle and the step for determining a probability distribution of the pose of the rail vehicle , to be executed when the program is executed in the computing system. In addition to the computer program, such a computer program product may optionally contain additional components, such as: B. documentation and/or additional components, also include hardware components, such as hardware keys (dongles, etc.) for using the software.
Zum Transport zum Rechensystem bzw. zur Steuereinheit und/oder zur Speicherung an oder in dem Rechensystem bzw. der Steuereinheit kann ein computerlesbares Medium, z.B. ein Memorystick, eine Festplatte oder ein sonstiger transportabler oder fest eingebauter Datenträger dienen, auf welchem die von einem Rechensystem einlesbaren und ausführbaren Programmabschnitte des Computerprogramms gespeichert sind. Das Rechensystem kann z.B. hierzu einen oder mehrere zusammenarbeitende Mikroprozessoren oder dergleichen aufweisen.A computer-readable medium, e.g. a memory stick, a hard disk or another portable or permanently installed data storage device, on which the program sections of the computer program that can be read and executed by a computer system are stored, can be used for transport to the computer system or the control unit and/or for storage on or in the computer system or the control unit. The computer system can, for example, have one or more microprocessors or the like that work together for this purpose.
Die abhängigen Ansprüche sowie die nachfolgende Beschreibung enthalten jeweils besonders vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung. Dabei können insbesondere die Ansprüche einer Anspruchskategorie auch analog zu den abhängigen Ansprüchen einer anderen Anspruchskategorie und deren Beschreibungsteilen weitergebildet sein. Zudem können im Rahmen der Erfindung die verschiedenen Merkmale unterschiedlicher Ausführungsbeispiele und Ansprüche auch zu neuen Ausführungsbeispielen kombiniert werden.The dependent claims and the following description each contain particularly advantageous refinements and developments of the invention. In particular, the claims of one claim category can also be developed analogously to the dependent claims of another claim category and their descriptive parts. In addition, within the scope of the invention, the various features of different exemplary embodiments and claims can also be combined to form new exemplary embodiments.
In einer Ausgestaltung des erfindungsgemäßen Verfahrens zur Ermittlung der Wahrscheinlichkeitsverteilung einer Pose eines Schienenfahrzeugs wird eine Gaußsche Verteilung für die mögliche Abweichung angenommen. Eine solche Gaußsche Verteilung kann insbesondere bei der Annahme kleiner Abweichungen angenommen werden, was aufgrund der Einschränkung des Lösungsraums auf Posen, die mit dem Gleisverlauf, in den der PosenErmittlung zugrundeliegenden Gleiskartendaten zumindest grob vereinbar sind, ermöglicht wird. Insbesondere kann unter Annahme kleiner Abweichungen und einer Gaußschen Verteilung vorteilhaft ein besonders leistungsfähiges Kalman-Filter (oder Erweiterungen davon) eingesetzt werden, mit dem der Rechenaufwand reduziert und die Genauigkeit der Schätzung der Pose des Schienenfahrzeugs besonders hoch ist.In one embodiment of the method according to the invention for determining the probability distribution of a pose of a rail vehicle, a Gaussian distribution is assumed for the possible deviation. Such a Gaussian distribution can be assumed in particular when small deviations are assumed, which is made possible due to the restriction of the solution space to poses that are at least roughly compatible with the track course in the track map data on which the pose determination is based. In particular, assuming small deviations and a Gaussian distribution, a particularly powerful Kalman filter (or extensions thereof) can advantageously be used, with which the computational effort is reduced and the accuracy of the estimate of the pose of the rail vehicle is particularly high.
In einer Ausgestaltung des erfindungsgemäßen Verfahrens zur Ermittlung einer Pose eines Schienenfahrzeugs wird ein linearisiertes und entkoppeltes Bewegungsmodell für die mögliche Abweichung, welche eine oszillatorische Bewegung des Schienenfahrzeugs um die eingeschränkte Pose des Schienenfahrzeugs umfasst, angewendet. Eine exakte Verfolgung der Wahrscheinlichkeitsverteilungen der Bewegungszustände und Sensormesszustände ist möglich, wenn das Bewegungsmodell und das Sensormodell durch lineare Funktionen beschrieben werden, sowie die Ausgangsverteilung des Systems als Gaußverteilung angenommen wird. Eine solche lineare Gestalt des Bewegungsmodells und des Sensormodells wird aufgrund der nur relativ kleinen Abweichungen der realen Pose von einer durch die Einschränkung des Lösungsraums ermittelbaren ungenauen bzw. ungefähren Pose ermöglicht.In one embodiment of the method according to the invention for determining a pose of a rail vehicle, a linearized and decoupled motion model is used for the possible deviation, which includes an oscillatory movement of the rail vehicle around the restricted pose of the rail vehicle. Exact tracking of the probability distributions of the motion states and sensor measurement states is possible if the motion model and the sensor model are described by linear functions and the output distribution of the system is assumed to be a Gaussian distribution. Such a linear shape of the motion model and the sensor model is made possible due to the only relatively small deviations of the real pose from an inaccurate or approximate pose that can be determined by restricting the solution space.
Sind die einzelnen Komponenten der Zustände entkoppelt, so ist es oft möglich, zur Ermittlung der Abweichungen der exakten Pose die Anzahl der möglichen Dimensionen der Abweichungen von der eingeschränkt möglichen Pose zu reduzieren. Vorteilhaft wird durch die Dimensionsreduktion der Rechenaufwand zur Ermittlung der Wahrscheinlichkeitsverteilungen der Bewegungszustände reduziert.If the individual components of the states are decoupled, it is often possible to reduce the number of possible dimensions of the deviations from the restricted possible pose in order to determine the deviations of the exact pose. The reduction in dimensions advantageously reduces the computational effort for determining the probability distributions of the motion states.
Dabei werden bevorzugt die Abweichungen von einem Neigungswinkel der ungefähren Pose vernachlässigt, denn die Nickneigung eines Schienenfahrzeugs gegenüber der Gleisgeometrie ist gewöhnlich minimal. Ebenfalls können bevorzugt die translatorischen Abweichungen in Quer- und Vertikalrichtung vernachlässigt werden, da sie als klein gegenüber den typischerweise erforderlichen translatorischen Genauigkeiten angenommen werden können. Vorteilhaft wird durch die Dimensionsreduktion der Rechenaufwand zur Ermittlung der Wahrscheinlichkeitsdichten der Bewegungszustände reduziert.The deviations from an inclination angle of the approximate pose are preferably neglected, because the pitching tendency of a rail vehicle compared to the track geometry is usually minimal. The translational deviations in the transverse and vertical directions can also preferably be neglected, since they can be assumed to be small compared to the typically required translational accuracies. The reduction in dimensions advantageously reduces the computational effort required to determine the probability densities of the motion states.
Besonders bevorzugt wird für das Ermitteln der Pose des Schienenfahrzeugs eines der folgenden Filter angewendet:
- - ein Kalman-Filter,
- - ein Partikel-Filter,
- - ein Multi-Hypothesen-Filter.
- - a Kalman filter,
- - a particle filter,
- - a multi-hypothesis filter.
Ein Kalman-Filter eignet sich für ein linearisiertes Zustandssystem. Es kann typischerweise für ein relativ hochdimensionales System angewendet werden, beispielsweise für eine Dimension n = 20. Für Systeme, die zwar nicht exakt linear sind, jedoch um den jeweiligen Systemzustand angemessen linearisiert werden können und eine annähernde Gaußverteilung aufweisen, kann das klassische Kalman-Filter erweitert werden. Ein Kalman-Filter zeichnet sich dadurch aus, dass es unter den genannten Voraussetzungen die mathematisch exakte sowie effizienteste Lösung liefert.A Kalman filter is suitable for a linearized state system. It can typically be used for a relatively high-dimensional system, for example for a dimension n = 20. For systems that are not exactly linear, but can be appropriately linearized around the respective system state and have an approximate Gaussian distribution, the classic Kalman filter be expanded. A Kalman filter is characterized by the fact that it delivers the mathematically exact and most efficient solution under the stated conditions.
Partikel-Filter sind eher für Lösungen in Systemen mit niedriger Dimensionszahl geeignet, da sie einen hohen Rechenaufwand mit steigender Dimension mit sich bringen. Für ein System mit einem signifikant nichtlinearen Verhalten und nicht Gauß-förmiger Wahrscheinlichkeitsverteilung stellt das Partikel-Filter die wichtigste Implementierung eines Bayes-Filters dar. Es ist besonders flexibel einsetzbar, da auch komplexe nicht-lineare Bewegungsmodelle und Sensormodelle damit bearbeitet werden können. Partikel-Filter können unter Umständen einen vergleichsweise hohen Rechenaufwand mit sich bringen, insbesondere, wenn eine große Anzahl von Partikeln benötigt wird, um die Verteilung ausreichend exakt wiederzugeben. Gleichzeitig ist die Systemdimension deutlich eingeschränkt, da hochdimensionale Systeme (zum Beispiel mit n > 5) nur schlecht durch eine endliche Anzahl von Partikeln abgebildet werden können.Particle filters are more suitable for solutions in systems with a low number of dimensions, as they entail a high computational effort with increasing dimension. For a system with a significantly nonlinear behavior and non-Gaussian probability distribution, the particle filter represents the most important implementation of a Bayesian filter. It is particularly flexible in use, as complex non-linear motion models and sensor models can also be processed with it. Particle filters can sometimes involve a relatively high computational effort, especially if a large number of particles are required to reproduce the distribution with sufficient accuracy. At the same time, the system dimension is significantly limited, since high-dimensional systems (for example with n > 5) can only be poorly represented by a finite number of particles.
Die zwei wichtigsten komplexeren Varianten des Kalman-Filters sind das sogenannte erweiterte Kalman-Filter (im Englischen Extended Kalman-Filter) und das Unscented Kalman-Filter. Im Vergleich zu dem einfachen Kalman-Filter sind das Extended Kalman-Filter und das Unscented Kalman-Filter rechenaufwändiger, da zu jedem Zeitpunkt eine Linearisierung um den aktuellen Systemzustand erfolgt. Dennoch ist der Rechenaufwand in der Regel vergleichbar mit dem des einfachen Kalman-Filters, so dass auch hier vergleichsweise hochdimensionale Systeme betrachtet werden können. Außerdem verlieren die Erweiterungen des Kalman-Filters die Eigenschaft der Exaktheit des einfachen Kalman-Filters.The two most important, more complex variants of the Kalman filter are the so-called extended Kalman filter and the unscented Kalman filter. Compared to the simple Kalman filter, the extended Kalman filter and the unscented Kalman filter are more computationally intensive, since linearization around the current system state takes place at every point in time. Nevertheless, the computational effort is usually comparable to that of the simple Kalman filter, so that comparatively high-dimensional systems can also be considered here. In addition, the extensions of the Kalman filter lose the exactness of the simple Kalman filter.
Eine Variante des Extended Kalman-Filter ist das Error-State Extended Kalman-Filter, welches im Gegensatz zu dem einfachen Extended Kalman-Filter nicht den physikalischen Systemzustand verfolgt, sondern stattdessen die Abweichung von einem nominellen Verlauf des Systemzustandes. Diese Variante hat den Vorteil, dass die Abweichungen typischerweise nur kleine Magnituden besitzen und somit die im Extended Kalman-Filter angewendeten Linearisierungen bessere Gültigkeit besitzen, so dass die Posenschätzung mit erhöhter Genauigkeit erfolgt.A variant of the Extended Kalman filter is the Error-State Extended Kalman filter, which, in contrast to the simple Extended Kalman filter, does not track the physical system state, but instead the deviation from a nominal course of the system state. This variant has the advantage that the deviations typically only have small magnitudes and therefore the linearizations used in the extended Kalman filter have better validity, so that the pose estimation is carried out with increased accuracy.
Eine Art Kombination von Varianten des Kalman-Filters und des Partikel-Filters bildet das Rao-Blackwell Partikel-Filter, bei welchem der Systemzustand in einen linearen und einen nichtlinearen Anteil, xl, xnl aufgeteilt wird. Vereinfacht formuliert kann somit für den nichtlinearen Anteil xnl ein Partikel-Filter genutzt werden und für die linearen Komponenten xl kann ein Kalman-Filter genutzt werden. Vorteilhaft werden der Rechenaufwand und die Genauigkeit der Posenschätzung bei dieser hybriden Vorgehensweise im Vergleich zu einer exklusiven Beschränkung auf ein Partikel-Filter oder ein Kalman-Filter optimiert.A kind of combination of variants of the Kalman filter and the particle filter is the Rao-Blackwell particle filter, in which the system state is divided into a linear and a non-linear part, x l , x nl . In simplified terms, a particle filter can be used for the non-linear part x nl and a Kalman filter can be used for the linear components x l . The computational effort and the accuracy of the pose estimation are advantageously optimized with this hybrid approach compared to an exclusive restriction to a particle filter or a Kalman filter.
Die Erfindung wird im Folgenden unter Hinweis auf die beigefügten Figuren anhand von Ausführungsbeispielen noch einmal näher erläutert. Es zeigen:
-
1 eine Darstellung von unterschiedlichen Lösungsräumen für unterschiedliche Ansätze zur Ermittlung einer Pose eines Schienenfahrzeugs, -
2 ein Flussdiagramm, welches ein Verfahren zur Ermittlung der Wahrscheinlichkeitsverteilung einer Pose eines Schienenfahrzeugs gemäß einem Ausführungsbeispiel der Erfindung veranschaulicht, -
3 eine schematische Darstellung einer Selbstlokalisierungseinrichtung gemäß einem Ausführungsbeispiel der Erfindung, -
4 ein Schienenfahrzeug gemäß einem Ausführungsbeispiel der Erfindung.
-
1 a representation of different solution spaces for different approaches to determining a pose of a rail vehicle, -
2 a flowchart illustrating a method for determining the probability distribution of a pose of a rail vehicle according to an exemplary embodiment of the invention, -
3 a schematic representation of a self-localization device according to an embodiment of the invention, -
4 a rail vehicle according to an embodiment of the invention.
In
In einer Darstellung 10a oben links in
Oben rechts in einer Darstellung 10b ist das gesamte Rechteck, das den bereits in der Darstellung 10 oben links gezeigten Streckenabschnitt S umfasst, als Lösungsraum L symbolisiert. D.h., bei dieser Variante wird der Lösungsraum L für den Zustand des Schienenfahrzeugs 1, insbesondere dessen Pose, vorab nicht eingeschränkt, so dass der Rechenaufwand und die Ungenauigkeit bei der Berechnung des Zustands des Schienenfahrzeugs 1 mit Hilfe eines Filters sehr hoch sind. Diese Variante entspricht der Vorgehensweise in J. Wendel. „Integrierte Navigationssysteme“. München, 2011, Oldenbourg Verlag.At the top right of a representation 10b, the entire rectangle, which includes the section S already shown in the top left of the representation 10, is symbolized as a solution space L. That is, in this variant, the solution space L for the state of the rail vehicle 1, in particular its pose, is not restricted in advance, so that the computational effort and the inaccuracy when calculating the state of the rail vehicle 1 using a filter are very high. This variant corresponds to the procedure in J. Wendel. “Integrated navigation systems”. Munich, 2011, Oldenbourg Verlag.
Unten links in
Unten rechts in
In
Bei dem Schritt 2.1 wird zunächst ein komplexes Modell erstellt, welches einen Systemzustand und ein Bewegungsmodell strukturell definiert. Hierbei werden der Systemzustand x und das Bewegungsmodell BM unter der Festlegung strukturiert, dass eine mögliche Pose P des Schienenfahrzeugs auf Basis des Verlaufs von Schienenstrecken in Gleiskartendaten GKD eingeschränkt wird, aber eine teilweise Kompensation der Restriktion auf Basis einer modellbasiert definierten möglichen Abweichung DP der Pose P des Schienenfahrzeugs von der eingeschränkten möglichen Pose erfolgt.In step 2.1, a complex model is first created, which structurally defines a system state and a movement model. Here, the system state x and the movement model BM are structured under the stipulation that a possible pose P of the rail vehicle is restricted based on the course of rail routes in track map data GKD, but a partial compensation of the restriction is based on a model-based defined possible deviation DP of the pose P of the rail vehicle from the restricted possible pose.
Bei dem Schritt 2.II werden Sensormodelle SM definiert, welche das unterschiedliche Messverhalten unterschiedlicher Sensoren des Schienenfahrzeugs, welche zur Ermittlung der Wahrscheinlichkeitsverteilung p(P) der Pose P des Schienenfahrzeugs verwendet werden, beschreiben.In step 2.II, sensor models SM are defined which describe the different measurement behavior of different sensors of the rail vehicle, which are used to determine the probability distribution p(P) of the pose P of the rail vehicle.
In Konsequenz der oben beschriebenen Konstruktion des Systemzustands x, des Bewegungsmodells BM und der Sensormodelle SM resultiert ein eingeschränkter Lösungsraum L, so dass die Pose des Schienenfahrzeugs 1 relativ zu einer durch den Verlauf der Schienenstränge determinierten Orientierung leicht variieren kann. Diese Variation erstreckt sich insbesondere auf die Orientierung des Schienenfahrzeugs 1, da aufgrund der Freiheitsgrade der Orientierung des Schienenfahrzeugs 1 relativ zu der Orientierung des Schienenstrangs eine Abweichung der Orientierung des Schienenfahrzeugs 1 von der kartenbasiert zu erwartenden Orientierung wahrscheinlich ist. Weiterhin kann aber auch eine Abweichung der Position des Schienenfahrzeugs 1 von einer auf Basis eines Streckenverlaufs geschätzten Position auftreten, wenn zum Beispiel der Wagenkasten aufgrund der elastischen Aufhängung seitliche Schwingungen ausführt.As a consequence of the above-described construction of the system state x, the movement model BM and the sensor models SM, a restricted solution space L results, so that the pose of the rail vehicle 1 can vary slightly relative to an orientation determined by the course of the rail tracks. This variation extends in particular to the orientation of the rail vehicle 1, since due to the degrees of freedom of the orientation of the rail vehicle 1 relative to the orientation of the rail track, a deviation of the orientation of the rail vehicle 1 from the orientation to be expected based on the map is likely. Furthermore, a deviation of the position of the rail vehicle 1 from a position estimated on the basis of a route can also occur if, for example, the car body performs lateral vibrations due to the elastic suspension.
Das Bewegungsmodell BM kann mit einem Zustand x, wie er in der Gleichung (15) mit einer möglichen Rollwinkelabweichung und einer Gierwinkelabweichung definiert ist, und einer Transition, wie sie in der Gleichung (16) dargestellt ist, festgelegt werden. Das Sensormodell SM kann wie in Gleichung (17) angepasst werden, wobei die Geokoordinaten aus der Gleiskarte noch um Positionsabweichungen Δy und Δz korrigiert werden, sofern diese als Teil des Systemzustands verfolgt werden.The motion model BM can be defined with a state x as defined in equation (15) with a possible roll angle deviation and a yaw angle deviation, and a transition as shown in equation (16). The sensor model SM can be adapted as in equation (17), whereby the geocoordinates from the track map are corrected for position deviations Δy and Δz, provided that these are tracked as part of the system state.
Bei dem Schritt 2. III wird ein Bayes-Filter BF auf Basis des Systemzustands x, des Bewegungsmodells BM und des Sensormodells SM ermittelt. Als Bayes-Filter BF kann zum Beispiel ein Kalman-Filter genutzt werden.In
Bei dem Schritt 2.IV wird nun ein initialer Systemzustand x0 des Schienenfahrzeugs bzw. dessen Wahrscheinlichkeitsverteilung p(x0) konfiguriert. Für die Konfiguration p(x0) des Systemzustands x0 kann zum Beispiel eine vorbekannte Startpose und deren Unsicherheit genutzt werden.In step 2.IV, an initial system state x 0 of the rail vehicle or its probability distribution p(x 0 ) is now configured. For the configuration p(x 0 ) of the system state x 0 , for example, a previously known starting pose and its uncertainty can be used.
Bei dem Schritt 2.V werden nun während einer Fahrt des Schienenfahrzeugs Sensordaten SD durch die Sensoren des Schienenfahrzeugs erfasst.In step 2.V, sensor data SD are recorded by the rail vehicle’s sensors while the rail vehicle is traveling.
Weiterhin werden bei der Fahrt des Schienenfahrzeugs 1 bei dem Schritt 2.VI auf Basis von Sensormesswerten zk und der bedingten Wahrscheinlichkeitsdichte p(xk|xk-1) des jeweils neuesten ehemaligen Zustands xk des Schienenfahrzeugs 1 aktualisierte Werte für die Wahrscheinlichkeitsdichte p(xk) des Zustands xk ermittelt. Auf Basis der Wahrscheinlichkeitsdichte p(x) des Systemzustands x wird während der Fahrt laufend eine aktuelle Pose P des Schienenfahrzeugs 1 ermittelt.Furthermore, when the rail vehicle 1 is traveling in step 2.VI, updated values for the probability density p are updated based on sensor measured values z k and the conditional probability density p(x k |x k-1 ) of the most recent former state x k of the rail vehicle 1 (x k ) of the state x k is determined. Based on the probability density p(x) of the system state x, a current pose P of the rail vehicle 1 is continuously determined while driving.
In
Weiterhin umfasst die Selbstlokalisierungseinrichtung 30 eine Filterermittlungseinheit 32. Die Filterermittlungseinheit 32 ist dazu eingerichtet, ein Bayes-Filter BF zu ermitteln bzw. zu definieren. Das Bayes-Filter wird, wie im Zusammenhang mit
In der in
Teil der Selbstlokalisierungseinrichtung 30 ist auch eine Konfigurationseinheit 33, welche dazu eingerichtet ist, eine Wahrscheinlichkeitsverteilung p(x0) eines initialen Systemzustands x0 zu konfigurieren. Die Konfigurationseinheit 33 weist ebenfalls eine Schnittstelle auf, über die ein initialer Systemzustand x0 oder den initialen Systemzustand x0 konfigurierende Parameterwerte pw in die Konfigurationseinheit 33 eingegeben werden können.Part of the self-
Die Selbstlokalisierungseinrichtung 30 umfasst zudem eine in
Weiterhin umfasst die Posenermittlungseinheit 34 eine Ausgabe-Schnittstelle 34b, welche die aktuelle Schätzung in ein durch Nutzer verwertbares Format verwandelt. Insbesondere kann auf Basis einer statistischen Verteilung p(x) ein Mittelwert gebildet werden, um einen konkreten Zustand x zu ermitteln und eine Pose P auszugeben. Beispielsweise kann bei einer Implementierung eines Partikel-Filters anhand von gewichteten Partikeln ein Mittelwert berechnet werden, der als Systemzustand x oder Pose P ausgegeben wird.Furthermore, the
Auf Basis der Wahrscheinlichkeitsdichte p(x) des Zustands x wird während der Fahrt laufend eine aktuelle Pose P des Schienenfahrzeugs 1 ermittelt.Based on the probability density p(x) of the state x, a current pose P of the rail vehicle 1 is continuously determined while driving.
In
Es wird abschließend noch einmal darauf hingewiesen, dass es sich bei den vorbeschriebenen Verfahren und Vorrichtungen lediglich um bevorzugte Ausführungsbeispiele der Erfindung handelt und dass die Erfindung vom Fachmann variiert werden kann, ohne den Bereich der Erfindung zu verlassen, soweit er durch die Ansprüche vorgegeben ist. Es wird der Vollständigkeit halber auch darauf hingewiesen, dass die Verwendung der unbestimmten Artikel „ein“ bzw. „eine“ nicht ausschließt, dass die betreffenden Merkmale auch mehrfach vorhanden sein können. Ebenso schließt der Begriff „Einheit“ nicht aus, dass diese aus mehreren Komponenten besteht, die gegebenenfalls auch räumlich verteilt sein können.Finally, it should be pointed out once again that the methods and devices described above are merely preferred exemplary embodiments of the invention and that the invention can be varied by a person skilled in the art without departing from the scope of the invention, insofar as it is specified by the claims. For the sake of completeness, it should also be noted that the use of the indefinite articles “a” or “an” does not exclude the fact that the characteristics in question can be present multiple times. Likewise, the term “unit” does not exclude the fact that it consists of several components, which may also be spatially distributed.
Claims (14)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022210424.2A DE102022210424A1 (en) | 2022-09-30 | 2022-09-30 | Self-localization of a rail vehicle |
PCT/EP2023/072661 WO2024068128A1 (en) | 2022-09-30 | 2023-08-17 | Self-localisation of a rail vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022210424.2A DE102022210424A1 (en) | 2022-09-30 | 2022-09-30 | Self-localization of a rail vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022210424A1 true DE102022210424A1 (en) | 2024-04-04 |
Family
ID=87847965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022210424.2A Pending DE102022210424A1 (en) | 2022-09-30 | 2022-09-30 | Self-localization of a rail vehicle |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102022210424A1 (en) |
WO (1) | WO2024068128A1 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021104425A1 (en) | 2021-02-24 | 2022-08-25 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method for determining at least one system state using a Kalman filter |
DE102021204372A1 (en) | 2021-04-30 | 2022-11-03 | Siemens Mobility GmbH | Orientation-based position determination of rail vehicles |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2579415B (en) * | 2018-11-30 | 2021-11-10 | Thales Holdings Uk Plc | Method and apparatus for determining a position of a vehicle |
-
2022
- 2022-09-30 DE DE102022210424.2A patent/DE102022210424A1/en active Pending
-
2023
- 2023-08-17 WO PCT/EP2023/072661 patent/WO2024068128A1/en unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021104425A1 (en) | 2021-02-24 | 2022-08-25 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method for determining at least one system state using a Kalman filter |
DE102021204372A1 (en) | 2021-04-30 | 2022-11-03 | Siemens Mobility GmbH | Orientation-based position determination of rail vehicles |
Also Published As
Publication number | Publication date |
---|---|
WO2024068128A1 (en) | 2024-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102010005293B4 (en) | System and method for tracking path estimation using a sensor combination | |
DE112018006161B4 (en) | System and method for controlling a vehicle | |
DE112016007047B4 (en) | LANE ESTIMATION SYSTEM | |
DE102011120497B4 (en) | Systems and methods for precise vehicle position determination within a lane | |
WO2017016799A1 (en) | Determining arrangement information for a vehicle | |
DE102013107861A1 (en) | Tracking of road vehicles with sensors of different types | |
DE102016113903A1 (en) | Vehicle route determination | |
DE102018114808A1 (en) | Method for the automatic lateral guidance of a following vehicle in a vehicle platoon | |
DE102013015705B4 (en) | Method for determining a current position of a motor vehicle in a geodetic coordinate system and motor vehicle | |
EP3581886B1 (en) | Method and device for determining a position of a motor vehicle | |
DE102020102962A1 (en) | VEHICLE TARGET TRACKING | |
EP3610224B1 (en) | Method, device, and computer-readable storage medium with instructions for estimating the pose of a motor vehicle | |
DE102020104427A1 (en) | VEHICLE PATH PROCESSING | |
DE102017205973A1 (en) | Method for determining an offset contained in a yaw rate signal of a yaw rate sensor of a motor vehicle and control device and motor vehicle | |
DE102019132150A1 (en) | Method for automatically calibrating an environment sensor, in particular a lidar sensor, of a vehicle on the basis of occupancy cards and computing device | |
DE102017213806A1 (en) | Calibration of vehicle sensors | |
DE112017004221T5 (en) | Vehicle control system, own vehicle position calculation apparatus, vehicle control apparatus, own vehicle position calculation program, and vehicle control program | |
EP3155454B1 (en) | Method and system for adapting a navigation system | |
DE102019217648A1 (en) | Graph-based method for the holistic fusion of measurement data | |
DE102022210424A1 (en) | Self-localization of a rail vehicle | |
EP4220079A1 (en) | Radar altimeter inertial vertical loop | |
DE102020105619A1 (en) | SYSTEM AND PROCEDURE FOR DETERMINING VEHICLE POSITION | |
DE112019001961T5 (en) | SENSOR DETECTION INTEGRATION DEVICE | |
DE102012209311A1 (en) | Method for locating position of train in rail topological network, involves multiplying initial weight of hypothesis with all weights of rating obtained by measurements such that hypotheses with high weights is determined | |
DE112022002046T5 (en) | DRIVING DEVICE, VEHICLE AND METHOD FOR AUTOMATED DRIVING AND/OR ASSISTED DRIVING |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |