EP3768568B1 - Schienenfahrzeug mit steuereinrichtung - Google Patents

Schienenfahrzeug mit steuereinrichtung Download PDF

Info

Publication number
EP3768568B1
EP3768568B1 EP19721218.6A EP19721218A EP3768568B1 EP 3768568 B1 EP3768568 B1 EP 3768568B1 EP 19721218 A EP19721218 A EP 19721218A EP 3768568 B1 EP3768568 B1 EP 3768568B1
Authority
EP
European Patent Office
Prior art keywords
rail vehicle
control
rail
trained
rail vehicles
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.)
Active
Application number
EP19721218.6A
Other languages
English (en)
French (fr)
Other versions
EP3768568C0 (de
EP3768568A1 (de
Inventor
Laurentiu GOGA
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Mobility GmbH
Original Assignee
Siemens Mobility GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens Mobility GmbH filed Critical Siemens Mobility GmbH
Publication of EP3768568A1 publication Critical patent/EP3768568A1/de
Application granted granted Critical
Publication of EP3768568B1 publication Critical patent/EP3768568B1/de
Publication of EP3768568C0 publication Critical patent/EP3768568C0/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0081—On-board diagnosis or maintenance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L2210/00—Vehicle systems
    • B61L2210/02—Single autonomous vehicles

Definitions

  • the invention relates to a rail vehicle with a control device for controlling the rail vehicle.
  • rail vehicles are controlled via higher-level monitoring devices in the form of signal boxes.
  • Such control or monitoring by the signal box requires a permanent communication connection to the rail vehicles in the track section controlled by the signal box.
  • the disclosure document DE 10 2006 007 788 A1 discloses a method for computer-aided monitoring of the operation of a rail vehicle.
  • the invention is based on the object of specifying a rail vehicle that enables more independent driving than before.
  • the control device is based on artificial intelligence and has been trained to control the rail vehicle on at least a predetermined route.
  • the rail vehicle also has a communication device for direct communication with other rail vehicles.
  • a significant advantage of the rail vehicle according to the invention can be seen in the fact that it is based on artificial intelligence and, in view of the computing power available today, can be very easily enabled to make a railway track system completely self-sufficient, in particular, for example, without Interlocking monitoring, or at least largely to drive independently in a safe manner.
  • a signal box can also be used to increase security, but this is not always necessary.
  • control device has been trained using machine learning on the basis of external data.
  • control device has been trained on the basis of measurement data that was previously recorded during previous journeys of the rail vehicle or another rail vehicle with the same driving behavior on the specified route.
  • control device can be or have been trained in an advantageous manner on the basis of route data which describes the predetermined route.
  • control device records measurement data while driving on the specified route, stores it and uses it for subsequent machine learning for the purpose of improving its control behavior, i.e. improves its control behavior with the recorded measurement data within the framework of machine learning.
  • the control device has been trained in such a way that when controlling the rail vehicle, it takes into account information from other rail vehicles traveling on the route, in particular a rail vehicle in front, in particular location information, speed information and / or timetable information from other rail vehicles.
  • the control device is preferably trained in particular in such a way that it maintains a predetermined minimum distance from a rail vehicle in front when controlling the rail vehicle.
  • control device For routes with an available, higher-level monitoring device, in particular a signal box, it is advantageous if the control device has been trained in such a way that it takes into account, in particular executes, control commands from the higher-level monitoring device or the signal box when controlling the rail vehicle.
  • the control device has preferably been trained for an ATO driving operation, in particular an ATO driving operation with automation level 4, and/or for a driving operation according to ETCS Level 3.
  • the invention also relates to a method for operating rail vehicles according to claim 9.
  • the rail vehicles are controlled by the vehicle's own control devices, which are based on artificial intelligence and have been trained to control the respective rail vehicle on the route to be traveled, whereby the rail vehicles communicate directly with each other.
  • the rail vehicles preferably drive autonomously.
  • control devices when controlling their rail vehicle, take into account information from other rail vehicles traveling on the route, in particular a rail vehicle in front, in particular location information, speed information and / or timetable information from other rail vehicles.
  • control devices record measurement data while driving on the specified route, store them and use them for subsequent machine learning, thereby increasing their artificial intelligence.
  • a higher-level monitoring device in particular a signal box, preferably takes over the control of the rail vehicles in whole or in part. For this purpose, it preferably transmits control commands to the control devices of the rail vehicles.
  • the Figure 1 shows a railway track system 5, which is driven by three rail vehicles 10, 11, 12.
  • the rail vehicles 10, 11 and 12 each have a control device 100 which is based on artificial intelligence and has been trained to control their respective rail vehicle on at least a predetermined route.
  • control devices 100 of the rail vehicles 10, 11 and 12 are each programmed in such a way that the rail vehicles 10, 11 and 12 move from a starting point 20 of the railway track system 5 to an upper destination point 21 in Figure 1 and/or a lower one Can drive to destination point 22 and can return to the starting point 20 from the two destination points 21 and 22 in a corresponding manner.
  • the rail vehicles 10, 11 and 12 communicate with one another by means of communication devices (not shown in detail), which can be arranged in or outside the control devices 100.
  • Such communication can be based, for example, on radio signals F, as exemplified in the Figure 1 is shown.
  • Radio communication can based on the GSM-R mobile radio system known in railway technology or on another mobile radio system.
  • the rail vehicles 10, 11 and 12 communicate with each other directly via radio, i.e. without using a higher-level communication network.
  • the Figure 2 shows a second exemplary embodiment of a railway track system 5, which is driven by three rail vehicles 10, 11 and 12.
  • the rail vehicles 10, 11 and 12 each have control devices 100 which are based on artificial intelligence and have been trained to control the respective rail vehicle with a view to driving at least a predetermined route, here between the starting point 20 and the two destination points 21 and 22 are.
  • an interlocking 30 is provided, which forms a higher-level monitoring device and can transmit control commands SB to the rail vehicles 10, 11 and 12, which are to be taken into account by the rail vehicles 10, 11 and 12.
  • Such monitoring or additional control of rail vehicle traffic on the railway track 5 by the signal box 30 is carried out in particular when the signal box 30 determines that the rail vehicles 10, 11 and 12 traveling on the railway track 5 are in a dangerous situation or are approaching a dangerous situation .
  • the control device 100 has been trained on the rail vehicles 10, 11 and 12 by machine learning in such a way that the rail vehicles 10, 11 and 12 can drive in an automatic driving mode, also known in technical terms as ATO driving mode. Particularly preferably, completely autonomous driving according to automation level 4 is achieved.
  • the rail vehicles 10, 11 and 12 communicate with one another by means of their control devices 100;
  • control devices 100 In this regard, reference is made to the above explanations in connection with FIG.
  • the signal box 30 will transmit any control commands SB for controlling or influencing the driving behavior of the rail vehicles 10, 11 and 12, preferably via radio. It is advantageous if the signal box 30 uses the same radio system as the rail vehicles 10, 11 and 12 as part of their communication with one another.
  • the Figure 3 shows an exemplary embodiment of a control device 100, which is used in the rail vehicles 10, 11 and 12 according to the Figures 1 and 2 can be used.
  • the control device 100 according to Figure 3 has a computer 110 and a memory 120.
  • a control program module SPM is stored in the memory 120, which determines the behavior of the computer 110 and thus the control behavior of the control device 100 as a whole.
  • the control program module SPM is in accordance with the exemplary embodiment Figure 3 been generated by machine learning using an external training device 200.
  • the external training device 200 preferably uses external data De, which is supplied by external sources, to train the control program module SPM or to form the control program module SPM.
  • the external data can include, for example, driving behavior data that describes the driving behavior of the respective rail vehicle 10, 11 or 12.
  • the training device uses 200 according to Figure 3 For training the control program SPM, preferably measurement data Dm, which were obtained from previous journeys of the respective rail vehicle or another rail vehicle with the same or similar driving behavior on the specified route or the railway track system 5 according to Figures 1 and 2 have been previously recorded.
  • the training device 200 will advantageously use route data Ds to train the control program SPM, which shows the routes to be traveled between the starting point 20 and the two destination points 21 and 22 or the railway track system 5 according to Figures 1 and 2 describe completely.
  • the training device 200 For training the control device 100, the training device 200 preferably has a training program TPM stored in a memory 220, which is executed by a computing device 210 of the training device 200.
  • control program module SPM and thus the control behavior of the control device 100 is completely determined before the rail vehicles 10, 11 and 12 are put into operation and remains unchanged afterwards.
  • Such a design of the control device 100 is particularly advantageous in view of the fact that it is possible to understand at any time on which data set the artificial intelligence of the control device 100 is based or on what level of knowledge the control device 100 works on in its control behavior.
  • the Figure 4 shows a second exemplary embodiment of a control device 100, which is used in the rail vehicles 10, 11 and 12 according to the Figures 1 and 2 can be used.
  • the control device 100 according to Figure 4 has been trained using an external training device 200 or an external training program TPM, as described in connection with Figure 3 has already been explained above.
  • the external training using the external training device 200 can be based on external data De, measurement data Dm and route data Ds; In this context, please refer to the above explanations in connection with Figure 3 referred.
  • the memory 120 additionally contains its own training program TPMe, which enables further training of the control device 100 and thus a further improvement of the artificial intelligence of the control device 100.
  • the further training of the control device 100 using the own or internal training program TPMe is preferably based on current measurement data Dma, which is recorded and processed during current journeys of the respective rail vehicle 10, 11 or 12, i.e. after completion of the external training by the external training device 200 become.
  • An advantage of the exemplary embodiment according to Figure 4 is that a further improvement of the artificial intelligence and thus the control behavior of the control device 100 can be achieved by additionally using current measurement data Dma for training after the external training has been completed by the external training device 200, so that the control behavior and thus the Driving behavior of the rail vehicle can be improved on further journeys compared to the original level of knowledge or the original learning success.
  • the Figure 5 shows a third exemplary embodiment of a control device 100, which is used in the rail vehicles 10, 11 and 12 according to the Figures 1 and 2 can be used.
  • the control device 100 has a computer 110 and a memory 120 and in this respect corresponds to the exemplary embodiments according to Figures 3 and 4 .
  • a training program TPMe is stored, which carries out the machine learning and thus the generation of the artificial intelligence of the SPM control program entirely on its own.
  • the control device's own Training program TPMe preferably use external data De, measurement data Dm, route data Ds and current measurement data Dma, as is the case in connection with the Figures 3 and 4 has been explained above.
  • An advantage of the embodiment variant according to Figure 5 is that an external training device 200, as in the exemplary embodiments according to Figures 3 and 4 is provided, can be dispensed with since the control program module SPM can be generated solely on the basis of the own training program TPMe in the memory 120 of the control device 100.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Description

  • Die Erfindung bezieht sich auf ein Schienenfahrzeug mit einer Steuereinrichtung zum Steuern des Schienenfahrzeugs.
  • Schienenfahrzeuge werden heutzutage über übergeordnete Überwachungseinrichtungen in Form von Stellwerken gesteuert. Eine solche Steuerung bzw. Kontrolle durch das Stellwerk setzt eine permanente Kommunikationsverbindung zu den Schienenfahrzeugen in dem vom Stellwerk kontrollierten Gleisabschnitt voraus.
  • Die Offenlegungsschrift DE 10 2006 007 788 A1 offenbart ein Verfahren zur rechnergestützten Überwachung des Betriebs eines Schienenfahrzeugs.
  • Der Erfindung liegt die Aufgabe zugrunde, ein Schienenfahrzeug anzugeben, das einen selbständigeren Fahrbetrieb als bisher ermöglicht.
  • Diese Aufgabe wird erfindungsgemäß durch ein Schienenfahrzeug mit den Merkmalen gemäß Patentanspruch 1 gelöst. Vorteilhafte Ausgestaltungen des erfindungsgemäßen Schienenfahrzeugs sind in Unteransprüchen angegeben.
  • Danach ist erfindungsgemäß vorgesehen, dass die Steuereinrichtung auf künstlicher Intelligenz basiert und zum Steuern des Schienenfahrzeugs auf zumindest einer vorgegebenen Strecke trainiert worden ist. Das Schienenfahrzeug weist erfindungsgemäß außerdem eine Kommunikationseinrichtung für eine direkte Kommunikation mit anderen Schienenfahrzeugen auf.
  • Ein wesentlicher Vorteil des erfindungsgemäßen Schienenfahrzeugs ist darin zu sehen, dass dieses auf künstlicher Intelligenz basiert und insofern mit Blick auf die heutzutage zur +Verfügung stehende Rechenleistung von Rechnern in sehr einfacher Weise in die Lage versetzt werden kann, eine Eisenbahngleisanlage vollständig autark, insbesondere beispielsweise ohne stellwerkseitige Überwachung, oder zumindest weitgehend autark in sicherer Weise zu befahren. Selbstverständlich kann zusätzlich zur Erhöhung der Sicherheit noch ein Stellwerk eingesetzt werden, jedoch ist dies nicht immer erforderlich.
  • Vorteilhaft ist es, wenn die Steuereinrichtung auf der Basis externer Daten durch maschinelles Lernen trainiert worden ist.
  • Besonders vorteilhaft ist es, wenn die Steuereinrichtung auf der Basis von Messdaten trainiert worden ist, die bei früheren Fahrten des Schienenfahrzeugs oder eines anderen Schienenfahrzeugs mit gleichem Fahrverhalten auf der vorgegebenen Strecke zuvor aufgenommen worden sind.
  • Zusätzlich oder alternativ kann die Steuereinrichtung in vorteilhafter Weise auf der Basis von Streckendaten trainiert werden bzw. worden sein, die die vorgegebene Strecke beschreiben.
  • Auch ist es vorteilhaft, wenn die Steuereinrichtung während Fahrten auf der vorgegebenen Strecke Messdaten erfasst, diese speichert und zum nachfolgenden maschinellen Lernen zum Zwecke der Verbesserung ihres Steuerverhaltens verwendet, also mit den erfassten Messdaten im Rahmen maschinellen Lernens ihr Steuerverhalten verbessert.
  • Erfindungsgemäß ist die Steuereinrichtung derart trainiert worden, dass sie bei der Steuerung des Schienenfahrzeugs Informationen anderer auf der Strecke fahrender Schienenfahrzeuge, insbesondere eines vorausfahrenden Schienenfahrzeugs, berücksichtigt, insbesondere Ortsinformationen, Geschwindigkeitsinformationen und/oder Fahrplaninformationen anderer Schienenfahrzeuge.
  • Die Steuereinrichtung wird vorzugsweise insbesondere derart trainiert, dass sie bei der Steuerung des Schienenfahrzeugs einen vorgegebenen Mindestabstand zu einem vorausfahrenden Schienenfahrzeug einhält.
  • Für Strecken mit einer verfügbaren, übergeordneten Überwachungseinrichtung, insbesondere einem Stellwerk, ist es vorteilhaft, wenn die Steuereinrichtung derart trainiert worden ist, dass sie bei der Steuerung des Schienenfahrzeugs Steuerbefehle der übergeordneten Überwachungseinrichtung bzw. des Stellwerks, berücksichtigt, insbesondere ausführt.
  • Die Steuereinrichtung ist vorzugsweise für einen ATO-Fahrbetrieb, insbesondere einen ATO-Fahrbetrieb mit der Automatisierungsstufe 4, und/oder für einen Fahrbetrieb gemäß ETCS Level 3 trainiert worden.
  • Die Erfindung bezieht sich darüber hinaus auf ein Verfahren zum Betreiben von Schienenfahrzeugen gemäß Patentanspruch 9. Erfindungsgemäß ist vorgesehen, dass die Schienenfahrzeuge von fahrzeugeigenen Steuereinrichtungen gesteuert werden, die auf künstlicher Intelligenz basieren und zum Steuern des jeweiligen Schienenfahrzeugs auf der zu befahrenden Strecke trainiert worden sind, wobei die Schienenfahrzeuge direkt miteinander kommunizieren. Bezüglich der Vorteile des erfindungsgemäßen Verfahrens sei auf die obigen Ausführungen im Zusammenhang mit dem erfindungsgemäßen Schienenfahrzeug verwiesen.
  • Die Schienenfahrzeuge fahren vorzugsweise autonom.
  • Die Steuereinrichtungen berücksichtigen bei der Steuerung ihres Schienenfahrzeugs erfindungsgemäß Informationen anderer auf der Strecke fahrender Schienenfahrzeuge, insbesondere eines vorausfahrenden Schienenfahrzeugs, insbesondere Ortsinformationen, Geschwindigkeitsinformationen und/oder Fahrplaninformationen anderer Schienenfahrzeuge.
  • Auch ist es vorteilhaft, wenn die Steuereinrichtungen während Fahrten auf der vorgegebenen Strecke Messdaten erfassen, diese speichern und zum nachfolgenden maschinellen Lernen verwenden und dadurch ihre künstliche Intelligenz erhöhen.
  • Im Falle einer erkannten Gefahrensituation übernimmt vorzugsweise eine übergeordnete Überwachungseinrichtung, insbesondere ein Stellwerk, die Steuerung der Schienenfahrzeuge ganz oder in Teilen. Bevorzugt übermittelt sie zu dem Zwecke Steuerbefehle an die Steuereinrichtungen der Schienenfahrzeuge.
  • Die Erfindung wird nachfolgend anhand von Ausführungsbeispielen näher erläutert; dabei zeigen beispielhaft
    • Figur 1
    ein Ausführungsbeispiel für eine Eisenbahngleisanlage, die von Ausführungsbeispielen für erfindungsgemäße Schienenfahrzeuge befahren wird, wobei anhand der Eisenbahngleisanlage gemäß Figur 1 ein Ausführungsbeispiel für ein erfindungsgemäßes Verfahren näher erläutert wird,
    Figur 2
    ein Ausführungsbeispiel für eine Eisenbahngleisanlage, bei der eine übergeordnete Überwachungseinrichtung in Form eines Stellwerks vorhanden ist, das auf das Verhalten der die Eisenbahngleisanlage befahrenden Schienenfahrzeuge Einfluss nehmen kann,
    Figur 3
    ein Ausführungsbeispiel für eine Steuereinrichtung, die bei den Schienenfahrzeugen gemäß den Figuren 1 und 2 eingesetzt werden kann, wobei die Steuereinrichtung gemäß Figur 3 durch eine externe Trainiereinrichtung trainiert worden ist,
    Figur 4
    ein Ausführungsbeispiel für eine Steuereinrichtung, die bei den Schienenfahrzeugen gemäß den Figuren 1 und 2 eingesetzt werden kann, wobei die Steuereinrichtung sowohl durch eine externe Trainiereinrichtung als auch durch ein internes Trainierprogramm trainiert worden ist bzw. trainiert wird, und
    Figur 5
    ein Ausführungsbeispiel für eine Steuereinrichtung, die bei den Schienenfahrzeugen gemäß den Figuren 1 und 2 eingesetzt werden kann, wobei die Steuereinrichtung ausschließlich durch ein internes Trainierprogramm trainiert wird bzw. worden ist.
  • In den Figuren werden der Übersicht halber für identische oder vergleichbare Komponenten stets dieselben Bezugszeichen verwendet.
  • Die Figur 1 zeigt eine Eisenbahngleisanlage 5, die von drei Schienenfahrzeugen 10, 11, 12 befahren wird. Die Schienenfahrzeuge 10, 11 und 12 weisen jeweils eine Steuereinrichtung 100 auf, die auf künstlicher Intelligenz basiert und zum Steuern ihres jeweiligen Schienenfahrzeugs auf zumindest einer vorgegebenen Strecke trainiert worden ist.
  • Bei dem Ausführungsbeispiel gemäß Figur 1 wird beispielhaft davon ausgegangen, dass die Steuereinrichtungen 100 der Schienenfahrzeuge 10, 11 und 12 jeweils derart programmiert sind, dass die Schienenfahrzeuge 10, 11 und 12 von einem Startpunkt 20 der Eisenbahngleisanlage 5 zu einem in der Figur 1 oberen Zielpunkt 21 und/oder einem unteren Zielpunkt 22 fahren können und in entsprechender Weise von den beiden Zielpunkten 21 und 22 jeweils wieder zum Startpunkt 20 zurückkehren können.
  • Um ein abgestimmtes Fahrverhalten der Schienenfahrzeuge 10, 11 und 12 untereinander zu ermöglichen, kommunizieren e Schienenfahrzeuge 10, 11 und 12 mittels nicht näher gezeigter Kommunikationseinrichtungen, die in oder außerhalb der Steuereinrichtungen 100 angeordnet sein können, untereinander. Eine solche Kommunikation kann beispielsweise auf Funksignalen F basieren, wie dies beispielhaft in der Figur 1 gezeigt ist. Die Funkkommunikation kann auf dem in der Eisenbahntechnik bekannten GSM-R-Mobilfunksystem basieren oder auf einem anderen Mobilfunksystem. Die Schienenfahrzeuge 10, 11 und 12 kommunizieren unmittelbar per Funk miteinander, also ohne Inanspruchnahme eines übergeordneten Kommunikationsnetzes. Die Figur 2 zeigt ein zweites Ausführungsbeispiel für eine Eisenbahngleisanlage 5, die von drei Schienenfahrzeugen 10, 11 und 12 befahren wird. Auch bei der Eisenbahngleisanlage 5 gemäß Figur 2 weisen die Schienenfahrzeuge 10, 11 und 12 jeweils Steuereinrichtungen 100 auf, die auf künstlicher Intelligenz basieren und zum Steuern des jeweiligen Schienenfahrzeugs mit Blick auf das Befahren zumindest einer vorgegebenen Strecke, hier also zwischen dem Startpunkt 20 und den beiden Zielpunkten 21 und 22, trainiert worden sind.
  • Im Unterschied zu dem Ausführungsbeispiel gemäß Figur 1 ist bei der Eisenbahngleisanlage 5 gemäß Figur 2 zusätzlich ein Stellwerk 30 vorgesehen, das eine übergeordnete Überwachungseinrichtung bildet und an die Schienenfahrzeuge 10, 11 und 12 Steuerbefehle SB übermitteln kann, die von den Schienenfahrzeugen 10, 11 und 12 zu berücksichtigen sind. Eine solche Überwachung bzw. zusätzliche Steuerung des Schienenfahrzeugverkehrs auf der Eisenbahngleisanlage 5 durch das Stellwerk 30 wird insbesondere dann vorgenommen, wenn das Stellwerk 30 feststellt, dass sich die die Eisenbahngleisanlage 5 befahrenden Schienenfahrzeuge 10, 11 und 12 in einer Gefahrensituation befinden oder sich einer Gefahrensituation nähern.
  • Die Steuereinrichtung 100 ist bei den Schienenfahrzeugen 10, 11 und 12 durch maschinelles Lernen derart trainiert worden, dass die Schienenfahrzeuge 10, 11 und 12 in einem automatischen Fahrbetrieb, fachsprachlich auch ATO-Fahrbetrieb genannt, fahren können. Besonders bevorzugt wird ein vollständig autonomes Fahren gemäß der Automatisierungsstufe 4 erreicht.
  • Um ein abgestimmtes Fahrverhalten der Schienenfahrzeuge 10, 11 und 12 untereinander zu ermöglichen, kommunizieren die Schienenfahrzeuge 10, 11 und 12 mittels ihrer Steuereinrichtungen 100 untereinander; diesbezüglich sei auf die obigen Erläuterungen im Zusammenhang mit der Figur 1 verwiesen.
  • Das Stellwerk 30 gemäß Figur 2 wird etwaige Steuerbefehle SB zum Steuern bzw. Beeinflussen des Fahrverhaltens der Schienenfahrzeuge 10, 11 und 12 vorzugsweise über Funk übermitteln. Vorteilhaft ist es, wenn das Stellwerk 30 das gleiche Funksystem verwendet wie die Schienenfahrzeuge 10, 11 und 12 im Rahmen ihrer Kommunikation untereinander.
  • Die Figur 3 zeigt ein Ausführungsbeispiel für eine Steuereinrichtung 100, die bei den Schienenfahrzeugen 10, 11 und 12 gemäß den Figuren 1 und 2 eingesetzt werden kann. Die Steuereinrichtung 100 gemäß Figur 3 weist einen Rechner 110 und einen Speicher 120 auf. In dem Speicher 120 ist ein Steuerprogrammmodul SPM abgespeichert, das das Verhalten des Rechners 110 und damit das Steuerverhalten der Steuereinrichtung 100 insgesamt festlegt.
  • Das Steuerprogrammmodul SPM ist bei dem Ausführungsbeispiel gemäß Figur 3 durch maschinelles Lernen mittels einer externen Trainiereinrichtung 200 erzeugt worden. Die externe Trainiereinrichtung 200 verwendet zum Trainieren des Steuerprogrammmoduls SPM bzw. zum Bilden des Steuerprogrammmoduls SPM vorzugsweise externe Daten De, die von externen Quellen geliefert werden. Die externen Daten können beispielsweise Fahrverhaltensdaten umfassen, die das Fahrverhalten des jeweiligen Schienenfahrzeugs 10, 11 bzw. 12 beschreiben.
  • Darüber hinaus verwendet die Trainiereinrichtung 200 gemäß Figur 3 zum Trainieren des Steuerprogramms SPM vorzugsweise Messdaten Dm, die bei früheren Fahrten des jeweiligen Schienenfahrzeugs oder eines anderen Schienenfahrzeugs mit gleichem oder ähnlichem Fahrverhalten auf der vorgegebenen Strecke bzw. der Eisenbahngleisanlage 5 gemäß den Figuren 1 und 2 zuvor aufgenommen worden sind.
  • Alternativ oder zusätzlich wird die Trainiereinrichtung 200 in vorteilhafter Weise Streckendaten Ds zum Trainieren des Steuerprogramms SPM heranziehen, die die zu befahrenen Strecken zwischen dem Startpunkt 20 und den beiden Zielpunkten 21 und 22 bzw. die Eisenbahngleisanlage 5 gemäß den Figuren 1 und 2 vollständig beschreiben.
  • Die Trainiereinrichtung 200 weist zum Trainieren der Steuereinrichtung 100 vorzugsweise ein in einem Speicher 220 gespeichertes Trainierprogramm TPM auf, das von einer Recheneinrichtung 210 der Trainiereinrichtung 200 ausgeführt wird.
  • Bei dem Ausführungsbeispiel gemäß Figur 3 wird das Steuerprogrammmodul SPM und damit das Steuerverhalten der Steuereinrichtung 100 vor der Inbetriebnahme der Schienenfahrzeuge 10, 11 und 12 also vollständig festgelegt und bleibt danach unverändert. Eine solche Ausgestaltung der Steuereinrichtung 100 ist insbesondere mit Blick darauf von Vorteil, dass zu jedem Zeitpunkt nachvollziehbar ist, auf welchem Datensatz die künstliche Intelligenz der Steuereinrichtung 100 basiert bzw. auf welchem Wissensstand die Steuereinrichtung 100 bei ihrem Steuerverhalten arbeitet.
  • Die Figur 4 zeigt ein zweites Ausführungsbeispiel für eine Steuereinrichtung 100, die bei den Schienenfahrzeugen 10, 11 und 12 gemäß den Figuren 1 und 2 eingesetzt werden kann. Die Steuereinrichtung 100 gemäß Figur 4 ist mittels einer externen Trainiereinrichtung 200 bzw. einem externen Trainierprogramm TPM trainiert worden, wie dies im Zusammenhang mit der Figur 3 oben bereits erläutert worden ist. Das externe Trainieren mittels der externen Trainiereinrichtung 200 kann auf externen Daten De, Messdaten Dm und Streckendaten Ds beruhen; in diesem Zusammenhang sei auf die obigen Erläuterungen im Zusammenhang mit der Figur 3 verwiesen.
  • Im Unterschied zu dem Ausführungsbeispiel gemäß Figur 3 weist die Steuereinrichtung 100 gemäß Figur 4 im Speicher 120 zusätzlich ein eigenes Trainierprogramm TPMe auf, das ein weiteres Trainieren der Steuereinrichtung 100 und damit eine weitere Verbesserung der künstlichen Intelligenz der Steuereinrichtung 100 ermöglicht. Das weitere Trainieren der Steuereinrichtung 100 mittels des eigenen bzw. internen Trainierprogramms TPMe basiert vorzugsweise auf aktuellen Messdaten Dma, die bei aktuellen Fahrten des jeweiligen Schienenfahrzeugs 10, 11 bzw. 12, also nach Abschluss des externen Trainierens durch die externe Trainiereinrichtung 200, erfasst und verarbeitet werden.
  • Ein Vorteil des Ausführungsbeispiels gemäß Figur 4 besteht darin, dass eine weitere Verbesserung der künstlichen Intelligenz und damit des Steuerverhaltens der Steuereinrichtung 100 dadurch erreicht werden kann, dass nach Abschluss des externen Trainierens durch die externe Trainiereinrichtung 200 zusätzlich noch aktuelle Messdaten Dma zum Trainieren herangezogen werden, so dass das Steuerverhalten und damit das Fahrverhalten des Schienenfahrzeugs bei weiteren Fahrten gegenüber dem ursprünglichen Wissensstand bzw. dem ursprünglichen Lernerfolg verbessert werden kann.
  • Die Figur 5 zeigt ein drittes Ausführungsbeispiel für eine Steuereinrichtung 100, die bei den Schienenfahrzeugen 10, 11 und 12 gemäß den Figuren 1 und 2 eingesetzt werden kann. Die Steuereinrichtung 100 weist einen Rechner 110 und einen Speicher 120 auf und entspricht insoweit den Ausführungsbeispielen gemäß den Figuren 3 und 4.
  • Im Unterschied zu den Ausführungsbeispielen gemäß den Figuren 3 und 4 ist in dem Speicher 120 der Steuereinrichtung 100 gemäß Figur 5 ein Trainierprogramm TPMe abgespeichert, das das maschinelle Lernen und damit die Erzeugung der künstlichen Intelligenz des Steuerprogramms SPM vollständig allein selbst durchführt. Zu diesem Zweck wird das steuereinrichtungseigene Trainierprogramm TPMe vorzugsweise externe Daten De, Messdaten Dm, Streckendaten Ds und aktuelle Messdaten Dma heranziehen, wie dies im Zusammenhang mit den Figuren 3 und 4 oben erläutert worden ist.
  • Ein Vorteil der Ausführungsvariante gemäß Figur 5 besteht darin, dass auf eine externe Trainiereinrichtung 200, wie sie bei den Ausführungsbeispielen gemäß den Figuren 3 und 4 vorgesehen ist, verzichtet werden kann, da das Steuerprogrammmodul SPM allein auf der Basis des eigenen Trainierprogramms TPMe im Speicher 120 der Steuereinrichtung 100 erzeugt werden kann.
  • Obwohl die Erfindung im Detail durch bevorzugte Ausführungsbeispiele näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt, sondern ausschließlich durch die Merkmale der unabhängigen Ansprüche definiert.
    • Bezugszeichenliste
    • 5
    Eisenbahngleisanlage
    10
    Schienenfahrzeug
    11
    Schienenfahrzeug
    12
    Schienenfahrzeug
    20
    Startpunkt
    21
    Zielpunkt
    22
    Zielpunkt
    30
    Stellwerk
    100
    Steuereinrichtung
    110
    Rechner
    120
    Speicher
    200
    Trainiereinrichtung
    210
    Recheneinrichtung
    220
    Speicher
    De
    Daten
    Dm
    Messdaten
    Dma
    Messdaten
    Ds
    Streckendaten
    F
    Funksignal
    SB
    Steuerbefehl
    SPM
    Steuerprogrammmodul
    TPM
    Trainierprogramm
    TPMe
    steuereinrichtungseigenes Trainierprogramm

Claims (12)

  1. Schienenfahrzeug (10, 11, 12) mit einer fahrzeugseitigen Steuereinrichtung (100) zum Steuern des Schienenfahrzeugs (10, 11, 12), wobei die Steuereinrichtung (100) auf künstlicher Intelligenz basiert und zum Steuern des Schienenfahrzeugs (10, 11, 12) auf zumindest einer vorgegebenen Strecke trainiert worden ist, wobei das Schienenfahrzeug (10, 11, 12) mittels der Steuereinrichtung (100) ausgebildet ist, eine Eisenbahngleisanlage vollständig oder zumindest weitgehend autark in sicherer Weise zu befahren,
    dadurch gekennzeichnet, dass
    das Schienenfahrzeug (10, 11, 12) eine Kommunikationseinrichtung für eine direkte Kommunikation mit anderen Schienenfahrzeugen aufweist und die Steuereinrichtung (100) derart trainiert worden ist, dass sie bei der Steuerung des Schienenfahrzeugs (10, 11, 12) Informationen anderer auf der Strecke fahrender Schienenfahrzeuge (10, 11, 12), insbesondere eines vorausfahrenden Schienenfahrzeugs (10, 11, 12), berücksichtigt, insbesondere Ortsinformationen, Geschwindigkeitsinformationen und/oder Fahrplaninformationen anderer Schienenfahrzeuge (10, 11, 12).
  2. Schienenfahrzeug (10, 11, 12) nach Anspruch 1,
    dadurch gekennzeichnet, dass
    die Steuereinrichtung (100) auf der Basis externer Daten (De) durch maschinelles Lernen trainiert worden ist.
  3. Schienenfahrzeug (10, 11, 12) nach einem der voranstehenden Ansprüche,
    dadurch gekennzeichnet, dass
    die Steuereinrichtung (100) auf der Basis von Messdaten (Dm) trainiert worden ist, die bei früheren Fahrten des Schienenfahrzeugs (10, 11, 12) oder eines anderen Schienenfahrzeugs (10, 11, 12) mit gleichem Fahrverhalten auf der vorgegebenen Strecke zuvor aufgenommen worden sind.
  4. Schienenfahrzeug (10, 11, 12) nach einem der voranstehenden Ansprüche,
    dadurch gekennzeichnet, dass
    die Steuereinrichtung (100) auf der Basis von Streckendaten (Ds) trainiert worden ist, die die vorgegebene Strecke beschreiben.
  5. Schienenfahrzeug (10, 11, 12) nach einem der voranstehenden Ansprüche,
    dadurch gekennzeichnet, dass
    die Steuereinrichtung (100) während Fahrten auf der vorgegebenen Strecke aktuelle Messdaten (Dma) erfasst, diese speichert und zum nachfolgenden maschinellen Lernen zum Zwecke der Verbesserung ihres Steuerverhaltens verwendet.
  6. Schienenfahrzeug (10, 11, 12) nach einem der voranstehenden Ansprüche,
    dadurch gekennzeichnet, dass
    die Steuereinrichtung (100) derart trainiert worden ist, dass sie bei der Steuerung des Schienenfahrzeugs (10, 11, 12) einen vorgegebenen Mindestabstand zu einem vorausfahrenden Schienenfahrzeug (10, 11, 12) einhält.
  7. Schienenfahrzeug (10, 11, 12) nach einem der voranstehenden Ansprüche,
    dadurch gekennzeichnet, dass
    die Steuereinrichtung (100) derart trainiert worden ist, dass sie bei der Steuerung des Schienenfahrzeugs (10, 11, 12) Steuerbefehle (SB) einer übergeordneten Überwachungseinrichtung, insbesondere eines Stellwerks (30), berücksichtigt, insbesondere ausführt.
  8. Schienenfahrzeug (10, 11, 12) nach einem der voranstehenden Ansprüche,
    dadurch gekennzeichnet, dass
    die Steuereinrichtung (100) für einen ATO-Fahrbetrieb, insbesondere einen ATO-Fahrbetrieb mit der Automatisierungsstufe 4, und/oder für einen Fahrbetrieb gemäß ETCS Level 3 trainiert worden ist.
  9. Verfahren zum Betreiben von Schienenfahrzeugen,
    wobei die Schienenfahrzeuge (10, 11, 12) von fahrzeugeigenen Steuereinrichtungen (100) gesteuert werden, die auf künstlicher Intelligenz basieren und zum Steuern des jeweiligen Schienenfahrzeugs (10, 11, 12) auf der zu befahrenden Strecke trainiert worden sind, wobei die Schienenfahrzeuge (10, 11, 12) mittels der Steuereinrichtungen (100) ausgebildet sind, eine Eisenbahngleisanlage vollständig oder zumindest weitgehend autark in sicherer Weise zu befahren,
    dadurch gekennzeichnet, dass die Schienenfahrzeuge (10, 11, 12) direkt miteinander kommunizieren und die Steuereinrichtungen (100) derart trainiert worden sind, dass sie bei der Steuerung ihres Schienenfahrzeugs (10, 11, 12) Informationen anderer auf der Strecke fahrender Schienenfahrzeuge (10, 11, 12), insbesondere eines vorausfahrenden Schienenfahrzeugs (10, 11, 12), berücksichtigen, insbesondere Ortsinformationen, Geschwindigkeitsinformationen und/oder Fahrplaninformationen anderer Schienenfahrzeuge (10, 11, 12).
  10. Verfahren nach Anspruch 9,
    dadurch gekennzeichnet, dass
    die Schienenfahrzeuge (10, 11, 12) autonom fahren.
  11. Verfahren nach einem der voranstehenden Ansprüche 9 bis 10,
    dadurch gekennzeichnet, dass
    die Steuereinrichtungen (100) während Fahrten auf der vorgegebenen Strecke aktuelle Messdaten (Dma) erfassen, diese speichern und zum nachfolgenden maschinellen Lernen zum Zwecke der Verbesserung ihres jeweiligen Steuerverhaltens verwenden .
  12. Verfahren nach einem der voranstehenden Ansprüche 9 bis 11,
    dadurch gekennzeichnet, dass
    im Falle einer erkannten Gefahrensituation eine übergeordneten Überwachungseinrichtung, insbesondere ein Stellwerk (30), die Steuerung der Schienenfahrzeuge (10, 11, 12) ganz oder in Teilen übernimmt, insbesondere Steuerbefehle (SB) an die Steuereinrichtungen (100) der Schienenfahrzeuge (10, 11, 12) übermittelt.
EP19721218.6A 2018-05-16 2019-04-17 Schienenfahrzeug mit steuereinrichtung Active EP3768568B1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018207634.0A DE102018207634A1 (de) 2018-05-16 2018-05-16 Schienenfahrzeug mit Steuereinrichtung
PCT/EP2019/059937 WO2019219319A1 (de) 2018-05-16 2019-04-17 Schienenfahrzeug mit steuereinrichtung

Publications (3)

Publication Number Publication Date
EP3768568A1 EP3768568A1 (de) 2021-01-27
EP3768568B1 true EP3768568B1 (de) 2023-10-11
EP3768568C0 EP3768568C0 (de) 2023-10-11

Family

ID=66379877

Family Applications (1)

Application Number Title Priority Date Filing Date
EP19721218.6A Active EP3768568B1 (de) 2018-05-16 2019-04-17 Schienenfahrzeug mit steuereinrichtung

Country Status (4)

Country Link
EP (1) EP3768568B1 (de)
DE (1) DE102018207634A1 (de)
ES (1) ES2967226T3 (de)
WO (1) WO2019219319A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019218611A1 (de) * 2019-11-29 2021-06-02 Siemens Mobility GmbH Fahrzeug und Verfahren zum Betreiben eines Fahrzeugs

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04133601A (ja) * 1990-09-21 1992-05-07 Toshiba Corp 保安機能付自動運転制御装置
AUPR221900A0 (en) * 2000-12-20 2001-01-25 Central Queensland University Vehicle dynamics prediction system and method
DE102006007788A1 (de) * 2006-02-20 2007-08-30 Siemens Ag Verfahren zur rechnergestützten Überwachung des Betriebs eines einen vorgegebenen Streckenverlauf fahrenden Fahrzeugs, insbesondere eines spurgebundenen Schienenfahrzeugs
DE102014219817A1 (de) * 2014-09-30 2016-03-31 Siemens Aktiengesellschaft Verkehrssicherung
US11077873B2 (en) * 2016-06-13 2021-08-03 Siemens Mobility, Inc. System and method for train route optimization including machine learning system

Also Published As

Publication number Publication date
DE102018207634A1 (de) 2019-11-21
WO2019219319A1 (de) 2019-11-21
EP3768568C0 (de) 2023-10-11
ES2967226T3 (es) 2024-04-29
EP3768568A1 (de) 2021-01-27

Similar Documents

Publication Publication Date Title
EP3566105B1 (de) Verfahren und system zum bereitstellen einer zumindest teilweise automatischen führung eines folgefahrzeugs
DE102014224099A1 (de) Verfahren und Vorrichtung zum Betreiben von mehreren Fahrzeugen
DE102018212025A1 (de) Verfahren zum Betreiben eines autonomen Fahrzeugs und autonomes Fahrzeug
DE102014002114A1 (de) Verfahren zum Betrieb eines zur wenigstens teilweise automatischen Fahrzeugführung ausgebildeten Fahrzeugsystems und Kraftfahrzeug
EP3768568B1 (de) Schienenfahrzeug mit steuereinrichtung
DE102018222677A1 (de) Verfahren zum Betreiben eines zeitweise autonom fahrenden Fahrzeugs
EP3102476B1 (de) Verfahren zum abwickeln des verkehrs auf einem schienennetz und schienennetz mit einer zug-wartungsanlage
EP3190023B1 (de) Verfahren, führungsfahrzeug und lastkraftwagen zum auffahren auf und abfahren von einer autobahn durch den lastkraftwagen
EP3795451B1 (de) Verfahren zum orten eines fahrzeugs an einer für einen halt des fahrzeugs vorgesehenen station
EP3634828B1 (de) Steuerverfahren zum betreiben eines schienenfahrzeugs
DE102014218946A1 (de) Verfahren und Vorrichtung zur Steuerung wenigstens eines Stromabnehmers eines Fahrzeugs
WO2020151844A1 (de) Verfahren zum fahrerlosen umsetzen eines fahrzeugs über eine strecke innerhalb eines abgeschlossenen geländes
EP3060452A1 (de) Steuerung eines schienenfahrzeugs
DE102014002297B4 (de) Verfahren zum vorbildgerechten Betreiben von Modellfahrzeugen einer Modellbahnanlage
EP4117977A2 (de) Eisenbahnanlage mit diagnosesystem und verfahren zu deren betrieb
DE112018005796T5 (de) System und Verfahren zum Steuern eines Kraftfahrzeugs zum autonomen Fahren
DE112016002303T5 (de) Signalsicherheitssystem
DE102016203675A1 (de) Vorrichtung zur Erzeugung streckenbezogener Betriebsdaten
DE102015014627A1 (de) System und Verfahren zur Einstellung des Fahrgestellniveaus der Fahrzeuge in einer Fahrzeuggruppe
EP4331943A1 (de) Verkehrsnetz und verfahren zum betreiben von schienenfahrzeugen in einem verkehrsnetz, bestehend aus einer kombination von streckenabschnitten mit und ohne zugsicherung
DE102016210849A1 (de) Planen einer Zugfahrt
DE102020209413A1 (de) Verfahren zum Betreiben eines teilweise automatisiert fahrenden Fahrzeugs
EP4331939A1 (de) Verkehrsnetz und verfahren zum betreiben von schienenfahrzeugen in einem verkehrsnetz
WO2016074900A1 (de) Verfahren zum durchführen eines automatischen zugverkehrs und zugverkehrssystem zum durchführen eines automatischen zugverkehrs
EP4360990A1 (de) Verfahren zum schneeräumen entlang einer fahrstrecke einer eisenbahntechnischen anlage und schienenfahrzeug

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20201021

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
REG Reference to a national code

Ref country code: DE

Ref document number: 502019009631

Country of ref document: DE

Free format text: PREVIOUS MAIN CLASS: B61L0015000000

Ipc: B61L0027500000

Ref legal event code: R079

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: GRANT OF PATENT IS INTENDED

RIC1 Information provided on ipc code assigned before grant

Ipc: B61L 15/00 20060101ALI20230502BHEP

Ipc: B61L 27/50 20220101AFI20230502BHEP

INTG Intention to grant announced

Effective date: 20230525

GRAS Grant fee paid

Free format text: ORIGINAL CODE: EPIDOSNIGR3

GRAA (expected) grant

Free format text: ORIGINAL CODE: 0009210

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE PATENT HAS BEEN GRANTED

AK Designated contracting states

Kind code of ref document: B1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

REG Reference to a national code

Ref country code: GB

Ref legal event code: FG4D

Free format text: NOT ENGLISH

REG Reference to a national code

Ref country code: CH

Ref legal event code: EP

REG Reference to a national code

Ref country code: DE

Ref legal event code: R096

Ref document number: 502019009631

Country of ref document: DE

REG Reference to a national code

Ref country code: IE

Ref legal event code: FG4D

Free format text: LANGUAGE OF EP DOCUMENT: GERMAN

U01 Request for unitary effect filed

Effective date: 20231108

U07 Unitary effect registered

Designated state(s): AT BE BG DE DK EE FI FR IT LT LU LV MT NL PT SE SI

Effective date: 20231113

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: GR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240112

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: IS

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240211

REG Reference to a national code

Ref country code: ES

Ref legal event code: FG2A

Ref document number: 2967226

Country of ref document: ES

Kind code of ref document: T3

Effective date: 20240429

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: IS

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240211

Ref country code: GR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240112

U20 Renewal fee paid [unitary effect]

Year of fee payment: 6

Effective date: 20240418

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: RS

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20231011

Ref country code: PL

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20231011

Ref country code: NO

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240111

Ref country code: HR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20231011

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: GB

Payment date: 20240507

Year of fee payment: 6

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: CZ

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20231011

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: SK

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20231011

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: SM

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20231011

Ref country code: SK

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20231011

Ref country code: RO

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20231011

Ref country code: CZ

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20231011

PLBE No opposition filed within time limit

Free format text: ORIGINAL CODE: 0009261

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: NO OPPOSITION FILED WITHIN TIME LIMIT