EP4277826A1 - Hinderniserkennung für ein schienenfahrzeug - Google Patents

Hinderniserkennung für ein schienenfahrzeug

Info

Publication number
EP4277826A1
EP4277826A1 EP22713568.8A EP22713568A EP4277826A1 EP 4277826 A1 EP4277826 A1 EP 4277826A1 EP 22713568 A EP22713568 A EP 22713568A EP 4277826 A1 EP4277826 A1 EP 4277826A1
Authority
EP
European Patent Office
Prior art keywords
rail vehicle
objects
data
track
orientation
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
Application number
EP22713568.8A
Other languages
English (en)
French (fr)
Inventor
Egzone ADEMI
Andrew Palmer
Jonathan PILBOROUGH
Jost Schnee
Wolfgang WAIZENEGGER
Christian Wendt
Andreas WIRATANAYA
Christoph Zimmermann
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 EP4277826A1 publication Critical patent/EP4277826A1/de
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
    • B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
    • B61L23/041—Obstacle detection
    • 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
    • B61L15/0072—On-board train data handling
    • 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. global positioning system [GPS]

Definitions

  • the invention relates to a method for detecting obstacles for a rail vehicle.
  • the invention also relates to an obstacle detection device.
  • the invention also relates to a rail vehicle.
  • Generic obstacle detection is therefore necessary in order to recognize such objects as obstacles in good time, even if they cannot be directly identified, in order to initiate a braking process for an approaching rail vehicle, so that a collision between the rail vehicle and such an object is prevented can be. It is therefore one of the critical tasks of a train driver to constantly monitor the rail area for possible obstacles or objects that could collide with the rail vehicle and to decide whether a reaction to this, such as a braking manoeuvre, must be initiated or not Not. The train driver not only monitors the actual rail area that he is currently driving on, but also neighboring rail tracks. If an obstacle is detected on a neighboring track, the driver notifies a monitoring center, which warns other trains.
  • This notification is particularly important in areas where where a long-distance view of the rails is obstructed, for example due to curves, vegetation, buildings or walls, and the trains do not have sufficient braking distance to come to a stop in front of the obstacle because they can only see the obstacle late .
  • an algorithm based on machine learning is usually used to recognize the relevant obstacles in the area surrounding the rail vehicle.
  • the lower edge of the enveloping body (bounding box) of the detected object can then be compared with the detected rail path in order to determine whether the object represents a possible collision obstacle or not.
  • the distance between the object and the camera is usually determined based on a flat world model.
  • the detection is limited to classes of objects for which the algorithm was trained, for example only vehicles and people; other objects are not detected or ignored by the algorithm.
  • a generic obstacle detection with approaches based on machine learning is therefore not possible. So far, security certification for approaches based solely on machine learning has been unthinkable, as these are based on random statistical methods and therefore do not meet the requirements of security certification.
  • the images are converted into a depth image or into a point cloud, which allow generic objects to be detected.
  • the 3D position of the detected object is compared with a detected track in three dimensions to determine whether the object represents a potential hazard or a potential obstacle.
  • RGB cameras cannot deliver any useful results.
  • alternative camera techniques such as thermal imaging cameras, are commonly used to improve the performance of the system under all possible lighting conditions.
  • lidar systems Active sensors such as lidar systems or radar systems have already been used. Radar sensors work in most weather conditions, but they suffer from lower accuracy and resolution compared to lidar systems. Lidar-based solutions have also been used. However, these solutions do not work for object detection where the tracks are not visible, either due to the course of the rails or due to externally caused visibility limitations such as weather conditions, snow cover and the like. In both cases, the 3D information provided by the sensors is compared with the course of the rails, which was detected using camera images, in order to determine whether or not there are any obstacles.
  • the position of the rail vehicle can be estimated by localization algorithms and based on a combination of sensors such as GNSS, IMU, radar, odometry, beacons, etc.
  • Landmarks can be formed, for example, by parts of the fixed rail infrastructure, such as signals, signs or points.
  • a monitoring area in front of the rail vehicle is determined as a function of a position and a course of a track traveled by the rail vehicle and a position and dimensions of a monitoring profile of the rail vehicle.
  • the monitoring profile includes a loading gauge of the rail vehicle.
  • the structure clearance profile includes a maximum vehicle cross-section or a maximum vehicle gauge depending on the rail vehicle's own movement, which in turn depends on the curve radius and the vehicle's own speed.
  • the monitoring profile can also include an extended clearance profile, which includes, for example, a predetermined safety zone around the actual core area or the actual clearance profile.
  • the monitoring profile can also be divided into zones at different distances around the rail vehicle.
  • the clearance profile surrounds a so-called emergency profile and the emergency profile a warning profile.
  • graded countermeasures can be taken, such as issuing warning signals, regular braking or emergency braking.
  • the course of the track being traveled on is to be understood as the trajectory of the track and its spatial or local course.
  • sensor data is recorded to determine the position and orientation of the rail vehicle, and the position and spatial progression of the track on which the rail vehicle travels are determined on the basis of a comparison of the determined position and orientation of the rail vehicle with digital map data .
  • the recorded sensor data are therefore used for self- calization of the rail vehicle. If the position and orientation of the rail vehicle are known with sufficient accuracy, a position of the section of track to be driven on and a position of the monitoring profile of the rail vehicle can also be determined from this. If, for example, the position or orientation of the rail vehicle recorded by the sensor data is only imprecisely known due to the sensor data possibly having a deviation, then this imprecise data can be compared with the digital map data.
  • the position can be corrected such that the rail vehicle must be on the track.
  • the measured orientation of the rail vehicle can also deviate from an orientation of a track section on which the rail vehicle must be located according to its sensor-based position data.
  • information, in particular position information, about stationary objects in the vicinity of the rail vehicle, such as landmarks or the rail section in front of the rail vehicle, which is detected by on-board sensors can be compared with map data in order to reduce inaccuracies when determining the position and orientation of the rail vehicle.
  • objects in the vicinity of the rail vehicle are detected by sensors of the rail vehicle.
  • the sensors for detecting the environment have an imaging character, ie they must map the environment and offer sufficient resolution so that obstacles can be detected and recognized as such.
  • the images can be implemented as 2D images or 3D images. Specific configurations will be explained in detail later.
  • it is determined which objects are potential collision obstacles by checking whether and to what extent they overlap with the monitoring area.
  • a reaction or response to the objects classified as potential obstacles is determined as a function of geometric and kinetic object attributes. The check as to whether and to what extent the detected objects overlap with the surveillance area and the determination of the object attributes can be carried out both during object detection and after subsequent tracking of the detected objects.
  • a situation assessment can be stabilized or revised, for example, and the intersection of the tracked objects with the surveillance area can be determined more precisely, or a change in the intersection due to the dynamic self-movement of the objects can be detected.
  • the reaction or answer is normally determined by specifications in the rail area, which, for example, specify minimum object sizes, overlapping areas, etc. that must be achieved in order to initiate braking.
  • the typical procedure is to calculate the service braking distance and the emergency braking distance of the rail vehicle depending on the current speed of the rail vehicle and other information about the rail vehicle, such as its weight and the gradient of the route ahead. Then objects having a sufficient size and a sufficiently large area of intersection with the surveillance area are treated as collision obstacles and a response is determined based on the distance to the collision obstacle and the braking distance of the rail vehicle. If, for example, the distance to a collision obstacle is shorter than the service braking distance, the emergency brake can be activated.
  • the rail vehicle's signal horn can be used to transmit an acoustic warning to the collision obstacle. If the distance from the collision obstacle is in a range in which a standard braking maneuver is initiated, either such a braking maneuver can be initiated, or if the distance from the collision obstacle is greater than the service braking distance by a predetermined threshold value is, you can initially do without a braking maneuver and only activate the horn.
  • the response behavior can be modified based on specific sub-volumes of the surveillance area with which the collision obstacle intersects, such as a warning volume or an emergency volume, and the detected properties of collision obstacles.
  • the obstacle information can also be transmitted to a remote operations control center to draw public attention to it.
  • a remote operations control center can also issue additional instructions in situations in which an automated rail vehicle is not allowed to make a decision on its own. For example, after stopping in front of a collision obstacle that has been detected, a rail vehicle can send sensor data to the operations control center. There, a person examines the collision obstacle and decides whether the rail vehicle can safely roll over the collision obstacle or not, or whether the collision obstacle has been sufficiently cleared so that the rail vehicle can continue driving.
  • the sensor data transmitted to the operations control center can enable a human person to determine which device can be used to clear the collision obstacle.
  • a device may, for example, comprise a fallen tree cutter or a rock construction machine.
  • the method according to the invention can be supplemented by the use of infrastructure-based obstacle detection systems. Because these systems are static, they can easily monitor a section of track for collision obstacles. Such systems can advantageously be set up in areas with poor visibility, such as areas with blind spots, and areas with a high risk of collision, such as train stations. They can also be used to monitor tunnel entrances. In this case, they can not only monitor whether there is a potential collision obstacle on the route, but also whether an object, such as a human or animal, has moved into a tunnel, and thus transmit a warning that in the tunnel There may be a collision obstacle in the tunnel. This information can then be used again to influence the behavior of a rail vehicle, such as triggering a braking maneuver or selecting a lower speed for the rail vehicle.
  • infrastructure-based obstacle detection systems Because these systems are static, they can easily monitor a section of track for collision obstacles. Such systems can advantageously be set up in areas with poor visibility, such as areas with blind spots, and areas with a high risk of collision, such as train stations. They can also
  • a risk of collision is advantageously determined based on the combination of using sensor data and map data compared to conventional procedures with increased precision and reliability, so that the safety and effectiveness of automated rail traffic is improved.
  • the range of the collision obstacle detection is increased by the map-based approach and due to the resulting increased precision, since this depends in particular on the accuracy of the measurement of the orientation of the rail vehicle or the orientation of the sensors used to detect the collision obstacle.
  • this form of determining the course of the rails can also be implemented on sections of track that do not run straight or have limited visibility of the course of the rails, for example due to snow cover or restricted visibility conditions.
  • generic objects can be detected with the method according to the invention based on 3D data. This is in particular an advantage over methods based on machines Learning are based and with which only certain classes of objects can be detected and identified.
  • the obstacle detection device has a monitoring area determination unit for determining a monitoring area in front of a rail vehicle.
  • the monitoring area in particular its position and extent, is determined as a function of a position and of a course of a track on which the rail vehicle is traveling, of a position and of the dimensions of a monitoring profile of the rail vehicle.
  • the monitoring area is determined by sensor data, for example GNSS data, being recorded and the position and orientation of the rail vehicle being determined on the basis of this sensor data.
  • the position and course of the track on which the rail vehicle is driving are then determined on the basis of a comparison of the determined position and orientation of the rail vehicle with digital map data.
  • Part of the obstacle detection device according to the invention is also a sensor unit for the sensory detection of objects in the vicinity of the rail vehicle. All suitable sensors for the detection and localization and possibly also the identification of objects, such as cameras, lidar systems or radar systems, can be used as sensor units.
  • the obstacle detection device also includes an obstacle determination unit in order to determine which objects are possible collision obstacles by checking whether and to what extent these objects overlap with the monitoring area.
  • the obstacle detection device has a response determination unit for determining a reaction to the objects classified as potential collision obstacles. The determination of a reaction depends on the already mentioned geometric and kinetic attributes of the objects.
  • the obstacle detection device shares the advantages of the method according to the invention for detecting obstacles for a rail vehicle.
  • the rail vehicle according to the invention has the obstacle detection device according to the invention and a control device for controlling a driving behavior of the rail vehicle as a function of a reaction which is determined by the obstacle detection device.
  • the rail vehicle according to the invention shares the advantages of the obstacle detection device according to the invention.
  • Some components of the obstacle detection device according to the invention can, if necessary after the addition of hardware systems, such as a sensor unit, be designed predominantly in the form of software components. This applies in particular to the monitoring area determination unit, the obstacle determination unit and the response determination unit.
  • these components can also be partially implemented in the form of software-supported hardware, for example FPGAs or the like, particularly when particularly fast calculations are involved.
  • the interfaces required for example when it is only a matter of taking over data from other software components, can be designed as software interfaces. However, they can also be in the form of hardware interfaces that are controlled by suitable software.
  • a largely software-based implementation has the advantage that even previously existing in a rail vehicle computer systems can be easily retrofitted by a software update after a possible addition of additional Liche hardware elements, such as additional sensors, to the inventive way to work.
  • the object is also achieved by a corresponding computer program product with a computer program, which can be loaded directly into a memory device of such a computer system, with program sections in order to carry out the steps of the method according to the invention that can be implemented by software if the computer program is in the computer system is running.
  • such a computer program product may also include additional components such as documentation and/or additional components, including hardware components such as hardware keys (dongles, etc.) for using the software.
  • additional components such as documentation and/or additional components, including hardware components such as hardware keys (dongles, etc.) for using the software.
  • a computer-readable medium for example a memory stick, a hard disk or another transportable or permanently installed data medium, on which the program sections of the computer program that can be read and executed by a computer unit, can be used for transport to the storage device of the computer system and/or for storage on the computer system are saved.
  • the computer unit can, for example, have one or more microprocessors or the like working together.
  • a calibration of the position measurement and orientation measurement preferably takes place for an even further improved precision of the obstacle localization of the rail vehicle in that position data from landmarks or other prominent features in the area surrounding the rail vehicle are determined on the basis of sensor data from the area.
  • the determined position data of the landmarks are then compared with the corresponding position data of the landmarks in the digital map data. If the values of the position data based on the sensor data and on the basis of the digital map data deviate from each other, this deviation is used as a calibration value in order to carry out an adjustment of the position determination and orientation determination, i.e. the self-localization of the rail vehicle and its orientation measurement, based on the sensor data.
  • the precision of the position and orientation of the rail vehicle is advantageously further improved. Since even a small inaccuracy when determining this data at a greater distance can lead to a significant deviation when determining the position of a possible collision obstacle, accuracy when determining the position and orientation of the rail vehicle is particularly important.
  • the attributes of the objects preferably include at least one of the following attribute types:
  • an object is characterized by its size and area, or by the information about which partial volume it intersects, or by the distance of the rail vehicle to the object, or by the current speed of the rail vehicle.
  • the monitoring profile in particular the extended loading gauge of the rail vehicle, can include, for example, several mutually enclosing, differently dimensioned partial profiles, each of which is assigned to a different danger level. A separate graded reaction of the rail vehicle are triggered.
  • a warning signal can first be emitted and if the object penetrates into an inner volume or the object approaches the rail vehicle or a braking maneuver can be triggered at a corresponding speed and direction of movement of the object and/or the rail vehicle.
  • the step of determining a monitoring area takes place on the basis of a digital map or map and the position and orientation of the rail vehicle is determined in the digital map, preferably on the basis of a combination of sensor data.
  • Sensor data which can reproduce information about the surroundings of the rail vehicle as well as distances and relative orientations of objects to the rail vehicle, are advantageously combined with map data in order to determine the position and orientation of the rail vehicle. If the rail vehicle is in a specific position relative to a position drawn in the digital map, the position of the rail vehicle can be determined exactly.
  • a position estimate and orientation estimate for the rail vehicle can first be determined with the help of sensor data, which involve a certain inaccuracy.
  • sensor data preferably includes at least one of the following data types:
  • - infrastructure-based position data preferably via radio signals
  • - Feature data detected in the vicinity of the rail vehicle which can be compared with the digital map.
  • the feature data include at least one of the following types of data:
  • a known position of landmarks or of the track body can advantageously be used to determine a deviation of a position and/or orientation measurement by the sensors and to carry out a corresponding adjustment.
  • different sensor data or sensor data of different types are preferably combined in order to determine the position and orientation of the rail vehicle in the digital map.
  • a multi-sensor fusion method is therefore used.
  • a combination of sensor data from different sensors can usually be used to reduce or compensate for measurement inaccuracies of individual sensor types by averaging and/or a weighted combination of the sensor data adapted to current environmental conditions, so that the reliability of obstacle detection is further improved.
  • the combination includes filtering using a Kalman filter or particle filter and/or graph-based methods and/or filtering inherent to the sensor.
  • the state of the rail vehicle is preferably restricted to moving along the track body. Consequently, the accuracy of the position determination and the determination of the orientation of the rail vehicle can be further improved.
  • the position of the rail vehicle is constrained by the movement of the contact points, ie the wheels, along the track. Orientation of the fixed vehicle body may vary due to storage Deviate slightly from the orientation of the track at the contact points due to the rotating chassis and the suspension.
  • individual sensors are also preferably calibrated with the digital map in order to correct vibration or drift effects in the extrinsic calibration.
  • the initially estimated position and orientation of the rail vehicle or the sensor can be used can be used as a starting point and then the position and orientation of the sensor on the map can be specified using landmarks and/or other features that have been detected in the vicinity of the rail vehicle.
  • landmarks can be used to more precisely determine the position and orientation of the sensor, while the detected track can be used to refine the determination of the orientation of the sensor.
  • the calibration also preferably includes the following steps:
  • the step of detecting objects in the area surrounding the rail vehicle by sensors particularly preferably includes determining a position and a size of the objects in the area on the basis of sensor data.
  • This data can be used advantageously for assessing the risk and for determining an adequate reaction to the obstacle that occurs.
  • a point cloud with object points is also preferably first generated on the basis of the sensor data recorded from the object in the step of determining which objects are possible collision obstacles.
  • a point cloud can be generated in particular with a raster-like scanning of the environment. Such a procedure is used, for example, when using a lidar system for object detection.
  • the point cloud is then broken down into individual objects using a so-called cluster method or cluster analysis.
  • cluster method This is a procedure for discovering similarity structures in mostly relatively large databases.
  • the groups of measuring points with similar properties found in this way are referred to as clusters, and the group assignment as clustering.
  • cluster analysis is about identifying new groups in the data.
  • cluster method for clustering based on the spatial distances of the points includes, for example, a Euclidean distance cluster algorithm. It is then checked for the individual objects whether they have an overlapping area with the monitoring area of the rail vehicle. It is also advantageous that generic objects that cannot be recognized with a method based on machine learning for special object classes are identified and separated.
  • a closest object point within the monitoring profile which is closest to the rail vehicle measured along the course of the rail, is determined. Furthermore, all object points are summarized in a 2D plane by combining all projection planes that run through each object point and are oriented orthogonally to the track. A projection plane, which runs through the closest object point with respect to the vehicle along the rail track and is oriented orthogonally to the track on which the rail vehicle is traveling, is determined. Finally, all object points of the cluster are projected onto the projection plane. In this way, all detectable points of a detected object lie in a plane that represents the shortest distance from the object to the rail vehicle.
  • the projection of the object created in this way can then be compared with an intersection of the monitoring area with the projection plane.
  • geometric object attributes of the object or for the point cloud can be determined.
  • object attributes include the area, the dimensions and the position of the object or the entire point cloud relative to the rail vehicle, as well as the area of the subset of the point cloud within the surveillance area or the sub-volume.
  • a bounding box can be formed around this point cloud, a convex hull can be calculated, or a grid occupancy map can be created.
  • the amount of data to be processed in the step of determining which objects are potential collision obstacles can be limited to the part of an object that is in the vicinity of the rail area or the monitored area.
  • the direct calculation of an intersection volume or an intersection area on the input point cloud can achieve greater accuracy than if a modeling step were carried out first for the entire object, for example by forming a bounding box, and the calculation was based on of the model would take place.
  • a dynamic behavior of a possible collision object can also be recorded by tracking this object.
  • measurement data of the object such as its position, speed, size and cut surfaces
  • a filter for example a Kalman filter or a particle filter.
  • the dynamic attributes of an object such as speed or acceleration, do not have to be measured directly, but based on several positions can be derived at different points in time.
  • An intersection of the tracked object with the surveillance area can also be determined during the tracking.
  • object attributes such as distance, height and width, the intersection of the projected point cloud with the surveillance area, but also typical tracking attributes such as speed and confidence are also used in this variant.
  • FIG. 1 shows a flowchart which illustrates a method for detecting an obstacle for a rail vehicle according to an exemplary embodiment of the invention.
  • FIG. 2 shows a schematic representation of a scenario of an obstacle detection by a rail vehicle with a deviation of the actual orientation of a rail vehicle from the determined orientation
  • FIG. 3 shows a schematic representation of a determination of a projection plane of the object points of a cluster according to an embodiment of the invention
  • FIG. 4 shows a schematic representation of a projection of an object, with some of the object points lying in a cut surface of the monitored area
  • 5 shows a schematic 2D representation of a bounding box around the part of the object that lies within the intersection of the monitored area with the projection plane
  • 6 shows a schematic 2D representation of a convex envelope around the part of the object that lies within the intersection of the monitored area with the projection plane
  • FIG. 7 shows a schematic representation of a grid occupancy map, which includes the intersection of the monitored area with the projection plane,
  • FIG. 8 shows a schematic representation of an obstacle detection device according to an embodiment of the inventions
  • FIG. 9 shows a schematic representation of a rail vehicle according to an exemplary embodiment of the invention.
  • FIG. 1 shows a flowchart 100 which illustrates a method for detecting an obstacle for a rail vehicle 2 (see FIG. 2) according to an exemplary embodiment of the invention.
  • step 1.1 information regarding a monitoring profile PR, for example a loading gauge, in particular about its position PS relative to the rail vehicle 2, as well as digital map data LK for the obstacle detection is made available for a monitoring process of the environment of the rail vehicle 2, which will later be used for Determination of a position and dimensions of a monitoring area V ö are needed.
  • the map data LK and the profile data PR can be stored in a database in a combined form, but they can also be obtained separately from under different sources.
  • step 1.II sensor data SDL for self-localization of the rail vehicle 2 are recorded.
  • GNSS data or data from an inertial measuring unit are recorded.
  • step l.III information about the environment of the rail vehicle 2, in particular sensor data from landmarks LM and sensor data from objects 0, is detected by sensors.
  • the environment or the environment includes at least the monitoring area Vu. However, it can be extended beyond the monitoring area V ö in order to detect moving objects 0 at an early stage, for example.
  • Objects 0 are detected within the sensor data, which depicts the surroundings of the rail vehicle.
  • the objects 0 can be, for example, vehicles, people or trees, shopping carts or rocks that have fallen onto the track body.
  • step 1.IV the digital map data LK, the sensor data SDL for self-localization of the rail vehicle 2 and the sensor data of the landmarks LM are processed in order to determine a position PSF and orientation OR of the rail vehicle 2 and from this the position PG of the track section traveled on and possibly also its determine orientation.
  • the rail vehicle's own speed and odometry data can also be used to determine the position.
  • step 1.IV the knowledge of the position PS and the dimensions of a monitoring profile of the rail vehicle 2 is used to determine suitable dimensions, such as the required width and height and an extension along the route, as well as a suitable positioning of the monitoring to determine the area V ö .
  • step 1.IV the determined position PSF and orientation OR of the rail vehicle 2 are compared with the digital map data LK. As already mentioned, this adjustment increases the precision of the determination of the values for the position PSF and the orientation OR of the rail vehicle 2, with the constraint being used that the rail vehicle 2 can only travel along one track.
  • step IV based on the determined position PSF and orientation OR of the rail vehicle 2, the position PG of the track section traveled on, knowledge of the position PS of the monitoring profile PR and its dimensions, the monitoring area V ö is determined, which is the area in front of the rail vehicle 2 that is detected by the sensors on the vehicle and through which the rail vehicle 2 is driving next and in which there is therefore a collision might occur. Neighboring tracks can also belong to the monitoring area V ö ge.
  • step l.VI it is determined which objects represent 0 potential collision obstacles KH. This determination is made by checking whether and to what extent they overlap with the monitoring area V ö . If there is such an overlap, there is a risk of collision. If a detected object 0 is far enough outside of the monitoring area Vu and its expected trajectory does not intersect the monitoring area V ö dynamically shifting in the direction of travel, then the object 0 can be classified as non-hazardous. Otherwise, object 0 must be classified as a potential collision object or as a potential collision obstacle KH.
  • a reaction R of the rail vehicle 2 to the objects 0 classified as potential collision obstacles KH is determined.
  • the type of reaction R is determined as a function of object attributes, such as the size of the object 0 in question. For example, with non-human small objects, such as small animals, it is better that they simply be run over and an emergency stop for such an obstacle would not be proportionate. Otherwise, a collision must be avoided in the case of persons or large obstacles in order to avoid personal injury or damage to the rail vehicle 2 .
  • the reaction R is determined as a function of the volume with which the object 0 overlaps and to what extent.
  • the potential collision object KH is in the edge area of the monitoring area V ö , it may also be possible with a Continuing to avoid a collision with the rail vehicle 2. If, on the other hand, the potential collision object KH is in the center of the monitoring area V ö , braking is unavoidable if the potential collision object KH is of sufficient size. Farther on, the reaction R is also made dependent on the distance between the rail vehicle 2 and the collision object KH. If the collision object KH is still very far away, relatively gentle braking and the generation of a warning signal may be sufficient if the object is a living object or an object that is being controlled by a person. In this way, the object 0 can be prompted to react or to leave the danger zone.
  • the vehicle must be braked correspondingly to avoid a collision. If the potential collision object KH is too close to the rail vehicle for timely braking, it can comply with the regulations to reduce the speed of the rail vehicle in order to at least mitigate the collision with the collision obstacle KH on the route.
  • the reaction R is therefore also determined as a function of the current speed of the rail vehicle 2 .
  • FIG. 2 shows a schematic representation 20 of an obstacle detection scenario by a rail vehicle 2 with a calibration and adjustment of an object localization of the rail vehicle 2 .
  • the scenario 20 includes 5 sub-scenarios 20a, 20b, 20c, 20d, 20e, with which individual aspects of the object localization and the calibration or adjustment are shown in detail.
  • a first scenario 20a on the far left in FIG. 2 it is shown how and at which positions the sensors of the rail vehicle 2, which is arranged at the lower edge of the first scenario 20a, perceive the individual objects in its surroundings. From the sensors, a motor vehicle 0, two Trees 02, 03 and three landmarks LM1, LM2, LM3 detected. The objects mentioned are hatched.
  • a map section is shown, in which the detected landmarks LM1, LM2, LM3 and the track body GK on which the rail vehicle 2 is traveling are drawn. Furthermore, in the second scenario 20b, the rail vehicle 2 is also drawn on the lower edge of the map.
  • a fourth scenario 20d the first three scenarios 20a, 20b, 20c are shown superimposed. It can be seen here that the map positions of the landmarks LM1, LM2, LM3 deviate from the positions of the landmarks LM1, LM2, LM3 recorded by the rail vehicle 2. In the fourth scenario 20d it also looks as if the known motor vehicle 0 would be outside of the monitoring area Vu of the rail vehicle 2 . On the other hand, one of the trees 03 seems to protrude into the monitoring area V ö of the rail vehicle 2 . The actual orientation of the rail vehicle 2 also differs slightly from the self-determined orientation, which can be seen from the fact that the orientation of the rail vehicle 2 on the map and the self-determined orientation do not exactly match.
  • a correction of the sensor measurement is now carried out in an adjustment step, so that the positions of the landmarks LM1, LM2, LM3 determined by the sensor measurement and the map data to match.
  • the motor vehicle 0 is in the monitoring area V ö of the rail vehicle 2 and even is already on the GK tracks and therefore represents a potential collision obstacle.
  • the tree 03 is not located in the monitoring area V ö of the rail vehicle 2 and therefore does not pose a danger to the rail vehicle 2 .
  • a deviation in the determined orientation of the rail vehicle 2 and a deviation in the detection of objects in the surrounding area can be determined
  • Application of the rail vehicle for example due to a drift in the extrinsic calibration of sensors or vibrations, are detected and used for a calibration or adjustment of the orientation determination.
  • FIG. 3 shows a schematic representation 30 of a determination of a projection plane PRE of a point cloud CL of an object 0 according to an exemplary embodiment of the invention.
  • the illustration 30 is shown in plan view.
  • a track body GK with two rails S and sleepers SW is shown, on which the rail vehicle 2 travels in the x-direction or in the direction of the arrow, ie from the bottom up in FIG.
  • a position X N on the track body is now determined by GK, in which the projection plane PRE through the position X N and running orthogonally to the course of the track in the direction of travel intersects the point OPN of the object 0 that is closest to the rail vehicle 2 in the x-direction.
  • this position X N is the point at which a center line of the track body GK has the smallest distance to the nearest point OPN of the object 0.
  • the 2D positions of the individual object points OP of the point cloud CL associated with the object 0 are then determined in the projection plane PRE.
  • FIG. 4 shows a schematic 2D representation 40 of a point cloud CL, with part of the object points OP Cloud of points CL lie in a section F ö of the monitoring area Vu and form the so-called intersection points and part of the object points OP in the point cloud CL lie outside this section F ö .
  • the representation shown in FIG. 4 can therefore be viewed as a cross-sectional representation in the x-position X N .
  • 4 also shows the cross-sectional areas of the rails S of the track body GK, on which the rail vehicle 2 is traveling, for better orientation at the lower edge of the sectional area F ö .
  • the interface F ö provides a model of the object 0 in order to assess the relevance of a possible collision obstacle and to plan suitable countermeasures.
  • FIG. 5 shows a schematic 2D representation 50 of a bounding box BB around the part of the point cloud CL that lies within the section area F ö of the monitored area Vu for determining an area of the intersection points OP.
  • the bounding box BB is shown as a square with dashed edges. Instead of a square bounding box BB, a convex envelope CH can also be used for localizing the object points OP.
  • FIG. 6 shows a schematic 2D representation 60 in which, to determine the area of the intersection points, a polygonal, convex hull CH, drawn in dashed lines, is placed around the part of the projected point cloud CL that is within the section area F ö of the monitoring area V ö lies.
  • the part of the point cloud CL that lies within the intersection area F ö of the monitored area V ö or the monitored area F ö can also be recorded using a grid occupancy map.
  • FIG. 7 shows a schematic representation 70 of a grid occupancy map GBK, which includes the sectional area F ö of the monitored area V ö .
  • the grid occupancy map GBK comprises a grid of square fields upstairs Occupied fields OG of the grid occupancy map GBK are shown in gray in FIG. Subsequent evaluations can then be carried out in a simplified manner on the basis of the digital data of occupied and unoccupied grid fields OG, as a result of which the computing effort is further reduced.
  • FIG. 8 shows a schematic representation of an obstacle detection device 80 for a rail vehicle 2 according to an exemplary embodiment of the invention.
  • the obstacle detection device 80 includes a plurality of sensor units 85 (shown on the left in the image) for self-localization of the rail vehicle 2 and a further number of sensor units 82 for detecting the surroundings.
  • the sensor units 85 for self-localization include sensors based on different physical principles, such as inertial sensors, satellite navigation systems, speed sensors or receiving units for receiving signals from radio signals arranged on the infrastructure side, with the help of which the obstacle detection device 80 determines the position PSF and orientation OR of the Rail vehicle 2 can determine.
  • the sensor units 82 for detecting the surroundings include sensors for imaging the surroundings of the rail vehicle, such as lidar systems or image recording units, such as cameras.
  • the obstacle detection device 80 also includes a map and profile unit 87 with which digital map data LK and data relating to the dimensions of a surveillance profile PR and the position PS of the surveillance profile PR are made available.
  • the map data LK and profile data PR can also be obtained from several separate, different sources.
  • the obstacle detection device 80 includes a monitoring area determination unit 88, which is based on the monitoring profile PR, the position PS of the monitoring profile PR, the position PSF of the rail vehicle 2 and its orientation OR as well as a position PG and a course of the part of the rail track which the rail vehicle vehicle 2 is currently traveling, a monitored volume or the position and the dimensions of a monitored area V ö determined.
  • the sensor data of the detected objects 0 and their positions are transmitted to an obstacle determination unit 83, which determines which objects 0 are possible collision obstacles KH on the basis of the positions of the objects 0 and the knowledge of the position and the extent of the monitored area V ö . Details of the procedure for this are explained in connection with FIG. 3 to FIG.
  • FIG. 9 shows a schematic representation 90 of a rail vehicle 2 according to an exemplary embodiment of the invention.
  • the rail vehicle 2 is traveling straight on a track GK from left to right, ie in the direction of the arrow.
  • the rail vehicle 2 includes an obstacle detection device 80 with sensor units for detecting the surrounding field 82 and the other units, which are constructed and function in the manner illustrated in FIG.
  • the obstacle detection device 80 determines the position PSF and orientation OR of the rail vehicle 2 and the position PG of the track body GK and the position of the monitoring area Vu in front of the rail vehicle 2 on the basis of sensor data SDL and map data LK.
  • One of the obstacle detection device 80 The determined reaction R is transmitted to a control device 86 of the rail vehicle 2, which controls the rail vehicle 2 according to the determined reaction R. For example, a warning signal is generated and a braking maneuver initiated in order to avoid a collision with an object 0 identified as a collision obstacle KH.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

Es wird ein Verfahren zur Hinderniserkennung für ein Schienenfahrzeug (2) beschrieben. Bei dem erfindungsgemäßen Verfahren zur Hinderniserkennung wird ein Überwachungsbereich (VU) vor dem Schienenfahrzeug (2) in Abhängigkeit von einer Position (PG) und einem Verlauf eines von dem Schienenfahrzeug (2) befahrenen Gleises (GK) und einer Position (PS) und Abmessungen eines Überwachungsprofils (PR) des Schienenfahrzeugs (2) ermittelt. Bei dem Ermittlungsschritt werden Sensordaten (SDL, LM) zur Ermittlung der Position (PSF) und Orientierung (OR) des Schienenfahrzeugs (2) erfasst und es werden die Position (PG) und der Verlauf des von dem Schienenfahrzeug (2) befahrenen Gleises (GK) auf Basis eines Abgleichs der ermittelten Position (PSF) und Orientierung (OR) des Schienenfahrzeugs (2) mit digitalen Kartendaten (LK) ermittelt. Weiterhin werden Objekte (O) in der Umgebung des Schienenfahrzeugs (2) durch Sensoren (85) des Schienenfahrzeugs (2) erfasst. Außerdem wird ermittelt, welche Objekte (O) potentielle Kollisionshindernisse (KH) sind, indem geprüft wird, ob und inwieweit sie sich mit dem Überwachungsbereich (VU) überschneiden. Schließlich wird eine Reaktion (R) auf die als potentielle Hindernisse (KH) eingestuften Objekte (O) in Abhängigkeit von geometrischen und kinetischen Attributen der Objekte (O) ermittelt. Es wird auch eine Hinderniserkennungseinrichtung (80) beschrieben. Ferner wird ein Schienenfahrzeug (2) beschrieben.

Description

Beschreibung
Hinderniserkennung für ein Schienenfahrzeug
Die Erfindung betrifft ein Verfahren zur Hinderniserkennung für ein Schienenfahrzeug. Außerdem betrifft die Erfindung eine Hinderniserkennungseinrichtung. Überdies betrifft die Erfindung ein Schienenfahrzeug.
Im Schienenverkehr kommt es gelegentlich vor, dass Objekte, wie zum Beispiel Personen oder Straßenfahrzeuge, Einkaufswa gen, die auf die Schienen geworfen wurden, oder auch Felsbro cken oder umgestürzte Bäume, auf den Gleiskörper geraten und daher eine Gefahr für die Sicherheit des Schienenverkehrs darstellen und im Fall der Personen und Straßenfahrzeuge auf grund der Möglichkeit einer Kollision mit einem fahrenden Schienenfahrzeug auch selbst hochgradig gefährdet werden. Darüber hinaus können auch Objekte, wie zum Beispiel Geröll oder Schlamm, auf die Schienen oder in einen Überwachungsbe reich eines Schienenfahrzeugs geraten, die nicht so einfach identifizierbar sind und sich insbesondere nicht einfach ei ner Objektklasse zuordnen lassen. Daher ist eine generische Hinderniserkennung notwendig, um solche Objekte, auch wenn sie nicht direkt identifizierbar sind, rechtzeitig als Hin dernisse zu erkennen, um für ein sich näherndes Schienenfahr zeug einen Bremsvorgang einzuleiten, so dass ein Zusammenstoß zwischen dem Schienenfahrzeug und einem solchen Objekt ver hindert werden kann. Mithin gehört es zu den kritischen Auf gaben eines Triebfahrzeugführers, den Schienenbereich hin sichtlich möglicher Hindernisse bzw. Objekte, die mit dem Schienenfahrzeug kollidieren können, ständig zu beobachten und zu entscheiden, ob eine Reaktion darauf, wie zum Beispiel ein Bremsmanöver, eingeleitet werden muss oder nicht. Der Triebfahrzeugführer überwacht dafür nicht nur den eigentli chen Schienenbereich, den er gerade befährt, sondern auch be nachbarte Schienenstränge. Wenn ein Hindernis auf einer be nachbarten Schienenstrecke erkannt wird, benachrichtigt der Fahrer ein Überwachungszentrum, welches andere Züge vorwarnt. Diese Benachrichtigung ist besonders wichtig in Bereichen, in denen eine Fernsicht auf die Schienen behindert wird, bei spielsweise aufgrund von Kurven, der Vegetation, Gebäuden oder Wänden, und die Züge nicht ausreichend Bremsweg zur Ver fügung haben, um vor dem Hindernis zum Stehen zu kommen, da sie das Hindernis erst spät erkennen können.
Da der Bremsweg eines Schienenfahrzeugs bis zum Stillstand für Hochgeschwindigkeitszüge im Bereich von Kilometern liegt und ein mögliches Kollisionsobjekt auch bei Dunkelheit oder beliebigen Wetterbedingungen erkannt werden muss, reichen die sensorischen Fähigkeiten des Zugführers für diese Aufgabe oft auch auf geraden Strecken nicht aus. Mithin muss zusätzlich eine technische Einrichtung zur Verfügung stehen, mit der ein Hindernis auch bei schlechten Sichtbedingungen in größerer Entfernung erkannt werden kann.
Bei dem fahrerlosen Steuern von Fahrzeugen ist es besonders wichtig, ein System zu haben, das automatisch mögliche Hin dernisse korrekt erkennt und entscheiden kann, ob sie eine Gefahr für das Fahrzeug selbst oder andere Verkehrsteilnehmer darstellen können, da hier auf eine Überwachung der Schienen strecke durch einen Fahrer definitionsgemäß verzichtet werden muss.
Automatisierte Erkennungssysteme für potentielle Hindernisse wurden bereits experimentell untersucht und entwickelt. Inf rastrukturbasierte Lösungen, bei denen eine Mehrzahl von Sen soren aufgestellt werden, um einen bestimmten Bereich einer Schienenstrecke zu überwachen, werden manchmal benutzt, um Bereiche zu überwachen, in denen häufig Unfälle passieren, wie zum Beispiel Bahnübergänge. Allerdings ist es nicht rea lisierbar, das gesamte Schienennetz mit infrastrukturbasier ten Hindernisdetektionssystemen zu versehen. Daher besteht der Bedarf, dass ein bordseitiges System die Aufgabe eines Fahrers erfüllt, die Schienenstrecke zu beobachten und zu überwachen . Die meisten bordseitigen Systeme verwenden Kameras in Form von Monokameras oder Stereokameras. Auf der Basis der aufge- nommenen Bilder werden die Gleise ohne zusätzliche Nutzung einer Karte nur durch eine Bildanalyse identifiziert, die entweder auf einem klassischen Algorithmus basiert, der ähn lich einer Straßenmarkierungsdetektion funktioniert, oder auf einem Ansatz, der auf maschinellem Lernen basiert. Allerdings leiden diese Ansätze meist unter einer geringen Zuverlässig keit in gewissen Situationen, in denen die Sicht auf das Vor feld und insbesondere einen Überwachungsbereich eines Schie nenfahrzeugs eingeschränkt ist.
Für monokamerabasierte Ansätze wird üblicherweise ein auf ma schinellem Lernen basierender Algorithmus eingesetzt, der dazu genutzt wird, um die relevanten Hindernisse im Umfeld des Schienenfahrzeugs zu erkennen. Die untere Kante des Hüll körpers (bounding box) des detektierten Objekts kann dann mit dem detektierten Schienenverlauf verglichen werden, um zu er mitteln, ob das Objekt ein mögliches Kollisionshindernis dar stellt oder nicht. Der Abstand zwischen dem Objekt und der Kamera wird meist basierend auf einem Flache-Welt-Modell er mittelt. Allerdings besteht dabei eine Einschränkung dahinge hend, dass die Erkennung auf Klassen von Objekten beschränkt ist, für die der Algorithmus trainiert wurde, beispielsweise nur für Fahrzeuge und Personen, andere Objekte werden durch den Algorithmus nicht erkannt bzw. ignoriert. Mithin ist eine generische Hinderniserkennung mit auf maschinellem Lernen ba sierenden Ansätzen nicht möglich. Eine Sicherheitszertifizie rung für allein auf maschinellem Lernen basierte Ansätze ist bisher nicht denkbar, da diese auf zufälligen statistischen Methoden beruhen und daher die Anforderungen einer Sicher heitszertifizierung nicht erfüllen.
Bei stereokamerabasierten Ansätzen werden die Bilder in ein Tiefenbild oder in eine Punktwolke konvertiert, welche es er lauben, generische Objekte zu detektieren. Die 3D-Position des detektierten Objekts wird mit einem detektierten Schie nenverlauf in drei Dimensionen verglichen, um zu ermitteln, ob das Objekt eine potentielle Gefahr bzw. ein potentielles Hindernis darstellt.
Kamerabasierte Ansätze haben den Nachteil, dass sie passende Lichtverhältnisse benötigen, um zu funktionieren. Insbeson dere bei Nacht können RGB-Kameras keine brauchbaren Ergeb nisse liefern. Mithin werden üblicherweise alternative Kame ratechniken, wie zum Beispiel Wärmebildkameras, angewendet, um die Leistung des Systems unter allen möglichen Lichtver hältnissen zu verbessern.
Aktive Sensoren, wie zum Beispiel Lidarsysteme oder Radarsys teme, wurden bereits eingesetzt. Radarsensoren funktionieren bei den meisten Wetterbedingungen, aber sie leiden unter ei ner geringeren Genauigkeit und Auflösung im Vergleich zu Li- darsystemen. Lidarbasierte Lösungen wurden ebenfalls schon verwendet. Allerdings funktionieren diese Lösungen nicht bei einer Objektdetektion, bei denen die Gleise nicht sichtbar sind, sei es aufgrund des Schienenverlaufs oder aufgrund von extern verursachten Sichtbeschränkungen, wie zum Beispiel Wetterverhältnisse, Schneebedeckung und ähnliches. In beiden Fällen wird die 3D-Information, die von den Sensoren gelie fert wird, mit dem Schienenverlauf, der anhand von Kamerabil dern detektiert wurde, verglichen, um zu ermitteln, ob Hin dernisse auftreten oder nicht.
Eine der Herausforderungen, die bei vorhandenen Systemen be stehen, ist die robuste Detektion der Position der Schienen strecke unter allen Bedingungen. Eine kamerabasierte Detek tion des Schienenverlaufs funktioniert gut bei geraden Stre cken und leichten Kurven, hängt aber davon ab, dass die Schienen sichtbar sind. Lidarbasierte Schienenerkennung funk tioniert aufgrund der stark reflektierenden metallischen Oberfläche der Schienen nur auf kurze Distanz von einem Schienenfahrzeug. Außerdem hängt sie ebenfalls davon ab, dass der Schienenverlauf für den Sensor erfassbar ist. Da die optische Schienendetektion nur verlässlich für Stre ckenabschnitte mit sichtbaren Schienen, wie zum Beispiel an nähernd gerade Schienenstrecken, funktioniert, wurde vorge schlagen, das bordseitige System nur für Schienenstrecken einzusetzen, bei denen die Schienen ausreichend gut erkennbar sind, und die infrastrukturbasierten und auf Luftüberwachung basierten Ansätze einzusetzen, um die anderen Bereiche des Schienennetzes abzudecken.
Die Position des Schienenfahrzeugs kann durch Lokalisierungs algorithmen und auf Basis einer Kombination von Sensoren, wie zum Beispiel GNSS, IMU, Radar, Odometrie, Balisen, usw., ab geschätzt werden.
Bei anderen bestehenden Lokalisierungsansätzen werden Land marken genutzt, die durch Kameras, Lidarsysteme oder Radar systeme detektiert werden, um die Lokalisierung zu verbes sern. Diese Vorgehensweise ist nützlich, wenn die Abdeckung durch GNSS schlecht ist. Landmarken können zum Beispiel durch Teile der festen Schieneninfrastruktur, wie zum Beispiel Sig nale, Schilder oder Weichen, gebildet werden.
Die Implementierung kartenbasierter Ansätze, mit denen grund sätzlich eine Verbesserung der Genauigkeit der Positionsbe stimmung möglich wäre, scheiterte bisher daran, dass die Er mittlung der Position und insbesondere der Orientierung des Schienenfahrzeugs relativ zur Karte extrem genau sein muss, um zu ermitteln, ob sich ein detektiertes Objekt auf der Schienenstrecke befindet oder nicht. Beispielsweise führt ein geringer Fehler bei der Ermittlung der Orientierung des Schienenfahrzeugs von etwa 0,1 Grad zu einem Positionsfehler bzw. einer Positionsabweichung von 1 m in 600 m Entfernung.
Es besteht also die Aufgabe, ein Verfahren und eine Vorrich tung zur Hinderniserkennung für Schienenfahrzeuge bereitzu stellen, welches zuverlässiger, robuster und exakter funktio niert als die bisherigen Lösungsansätze. Diese Aufgabe wird durch ein Verfahren zur Hinderniserkennung für ein Schienenfahrzeug gemäß Patentanspruch 1, eine Hinder niserkennungseinrichtung gemäß Patentanspruch 10 und ein Schienenfahrzeug gemäß Patentanspruch 11 gelöst.
Bei dem erfindungsgemäßen Verfahren zur Hinderniserkennung für ein Schienenfahrzeug wird ein Überwachungsbereich vor dem Schienenfahrzeug in Abhängigkeit von einer Position und einem Verlauf eines von dem Schienenfahrzeug befahrenen Gleises und einer Position und Abmessungen eines Überwachungsprofils des Schienenfahrzeugs ermittelt. Das Überwachungsprofil umfasst ein Lichtraumprofil des Schienenfahrzeugs. Das Lichtraumpro fil umfasst einen maximalen Fahrzeugquerschnitt bzw. eine ma ximale Fahrzeugbegrenzungslinie in Abhängigkeit von der Ei genbewegung des Schienenfahrzeugs, die wiederum vom Kurvenra dius und der Eigengeschwindigkeit abhängt. Das Überwachungs profil kann auch ein erweitertes Lichtraumprofil umfassen, welches beispielsweise eine vorbestimmte Sicherheitszone um den eigentlichen Kernbereich bzw. das eigentliche Lichtraum profil herum einschließt. Das Überwachungsprofil kann auch in unterschiedlich entfernte Zonen um das Schienenfahrzeug herum eingeteilt sein. Beispielsweise umgibt das Lichtraumprofil ein sogenanntes Notfallprofil und das Notfallprofil ein War nungsprofil. Je nachdem, in welchen Bereich ein Objekt ein dringt, können abgestufte Gegenmaßnahmen, wie zum Beispiel das Ausgeben von Warnsignalen, eine reguläre Bremsaktion oder eine Notbremsung, unternommen werden. Als Verlauf des befah renen Gleises ist die Trajektorie des Gleises und deren räum licher bzw. örtlicher Verlauf zu verstehen.
Für die Ermittlung des Überwachungsbereichs werden Sensorda ten zur Ermittlung der Position und Orientierung des Schie nenfahrzeugs erfasst und die Position und der räumliche Ver lauf des von dem Schienenfahrzeug befahrenen Gleises werden auf Basis eines Abgleichs der ermittelten Position und Orien tierung des Schienenfahrzeugs mit digitalen Kartendaten er mittelt. Die erfassten Sensordaten dienen also der Selbstlo- kalisierung des Schienenfahrzeugs. Sind Position und Orien tierung des Schienenfahrzeugs hinreichend genau bekannt, so kann daraus auch eine Position des zu befahrenden Gleisab schnitts sowie eine Position des Überwachungsprofils des Schienenfahrzeugs ermittelt werden. Ist zum Beispiel die durch die Sensordaten erfasste Position oder Orientierung des Schienenfahrzeugs aufgrund der möglicherweise mit einer Ab weichung behafteten Sensordaten nur ungenau bekannt, so kön nen diese ungenauen Daten mit den digitalen Kartendaten abge glichen werden. Liegt nun beispielsweise eine Position des Schienenfahrzeugs nicht genau auf einem Gleis, so kann die Position dahingehend korrigiert werden, dass das Schienen fahrzeug sich auf dem Gleis befinden muss. Ebenfalls kann die gemessene Orientierung des Schienenfahrzeugs von einer Orien tierung eines Gleisabschnitts, auf dem sich das Schienenfahr zeug gemäß seinen sensorbasierten Positionsdaten befinden muss, abweichen. In diesem Fall können, wie später noch aus führlich erläutert, Informationen, insbesondere Positionsin formationen, über stationäre Objekte in der Umgebung des Schienenfahrzeugs, wie zum Beispiel Landmarken oder der vor dem Schienenfahrzeug liegende Schienenabschnitt, welche durch bordseitige Sensoren erfasst werden, mit Kartendaten abgegli chen werden, um auf diese Weise Ungenauigkeiten bei der Er mittlung der Position und der Orientierung des Schienenfahr zeugs zu reduzieren.
Weiterhin werden Objekte in einer Umgebung des Schienenfahr zeugs durch Sensoren des Schienenfahrzeugs erfasst. Die Sen soren zur Erfassung der Umgebung haben abbildenden Charakter, d.h., sie müssen die Umgebung abbilden und ausreichend Auflö sung bieten, so dass Hindernisse erfasst und als solche er kannt werden können. Die Abbildungen können als 2D-Abbildun- gen oder 3D-Abbildungen realisiert sein. Konkrete Ausgestal tungen werden später noch im Detail erläutert. Außerdem wird ermittelt, welche Objekte potentielle Kollisionshindernisse sind, indem geprüft wird, ob und inwieweit sie sich mit dem Überwachungsbereich überschneiden. Schließlich wird eine Reaktion bzw. Antwort auf die als po tentielle Hindernisse eingestuften Objekte in Abhängigkeit von geometrischen und kinetischen Objektattributen ermittelt. Die Prüfung, ob und inwieweit die erfassten Objekte sich mit dem Überwachungsbereich überschneiden, sowie die Ermittlung der Objektattribute kann sowohl bei der Objekterfassung er folgen als auch nach einer anschließenden Verfolgung der de- tektierten Objekte. Durch die Nachverfolgung kann eine Situa tionsbewertung zum Beispiel stabilisiert oder revidiert wer den und die Intersektion der verfolgten Objekte mit dem Über wachungsbereich kann genauer ermittelt werden oder eine Ände rung der Intersektion aufgrund der dynamischen Eigenbewegung der Objekte kann erfasst werden.
Die Reaktion oder Antwort wird normalerweise durch Vorgaben im Schienenbereich bestimmt, welche zum Beispiel minimale Ob jektgrößen, Überschneidungsflächen usw. vorgeben, die er reicht werden müssen, um einen Bremsvorgang auszulösen. Die typische Vorgehensweise besteht darin, den Betriebsbremsweg und den Notbremsweg des Schienenfahrzeugs in Abhängigkeit von der aktuellen Geschwindigkeit des Schienenfahrzeugs und von anderen Informationen zu dem Schienenfahrzeug, wie zum Bei spiel sein Gewicht und die Steigung bzw. der Gradient der vor ihm liegenden Strecke zu berechnen. Dann werden Objekte, die eine ausreichende Größe und eine ausreichend große Über schneidungsfläche mit dem Überwachungsbereich haben, als Kol lisionshindernisse behandelt und eine Antwort bzw. Reaktion wird basierend auf dem Abstand des Kollisionshindernisses und dem Bremsweg des Schienenfahrzeugs ermittelt. Wenn zum Bei spiel der Abstand zu einem Kollisionshindernis kürzer als der Betriebsbremsweg ist, kann die Notbremse aktiviert werden. Zusätzlich kann mit dem Signalhorn des Schienenfahrzeugs eine akustische Warnung an das Kollisionshindernis übermittelt werden. Liegt der Abstand zu dem Kollisionshindernis in einem Bereich, in dem ein Standardbremsmanöver eingeleitet wird, so kann entweder ein solches Bremsmanöver eingeleitet werden, oder falls der Abstand zu dem Kollisionshindernis um einen vorbestimmten Schwellwert größer als der Betriebsbremsweg ist, kann zunächst auf ein Bremsmanöver verzichtet werden und nur das Signalhorn betätigt werden. Das Antwortverhalten kann basierend auf spezifischen Teilvolumen des Überwachungsbe reichs, mit denen sich das Kollisionshindernis überschneidet, wie zum Beispiel einem Warnvolumen oder einem Notfallvolumen, und der detektierten Eigenschaften von Kollisionshindernissen modifiziert werden.
Zusätzlich zur Erzeugung einer Antwort des Schienenfahrzeugs kann die Hindernisinformation auch an eine entfernte Be- triebsleitstelle übermittelt werden, um die allgemeine Auf merksamkeit darauf zu lenken. Dies ist sinnvoll, wenn zum Beispiel das benachbarte Gleis mitüberwacht werden und andere Schienenfahrzeuge vor möglichen Kollisionshindernissen ge warnt werden können, die sich aktuell nicht in deren Überwa chungsbereich befinden. Die Betriebsleitstelle kann auch zu sätzliche Anweisungen in Situationen erteilen, in denen ein automatisiertes Schienenfahrzeug allein keine Entscheidung treffen darf. Beispielsweise kann ein Schienenfahrzeug nach einem Halt vor einem detektierten Kollisionshindernis Sensor daten an die Betriebsleitstelle senden. Dort begutachtet ein Mensch das Kollisionshindernis und entscheidet, ob das Schie nenfahrzeug das Kollisionshindernis gefahrlos überrollen kann oder nicht, oder ob das Kollisionshindernis ausreichend bei seite geräumt wurde, so dass das Schienenfahrzeug weiterfah ren kann. Falls das Kollisionshindernis vor dem Schienenfahr zeug entfernt werden muss, bevor das Schienenfahrzeug seine Fahrt wiederaufnehmen kann, können die der Betriebsleitstelle übermittelten Sensordaten einer menschlichen Person ermögli chen, festzulegen, mit welchem Gerät das Kollisionshindernis geräumt werden kann. Ein solches Gerät kann zum Beispiel ein Schneidwerkzeug für einen umgefallenen Baum oder eine Bauma schine für einen Felsen umfassen.
Falls eine bordseitige Hindernisdetektion und eine bordsei tige Behandlung des Kollisionshindernisses nicht ausreichen, kann das erfindungsgemäße Verfahren um die Nutzung infra strukturbasierter Hindernisdetektionssysteme ergänzt werden. Da diese Systeme statisch sind, können sie leicht einen Ab schnitt eines Schienenstrangs auf Kollisionshindernisse über wachen. Derartige Systeme können vorteilhaft in Bereichen mit schlechter Einsehbarkeit, wie zum Beispiel Bereichen mit to ten Winkeln, und Bereichen mit hohem Kollisionsrisiko, wie zum Beispiel Bahnhöfen, eingerichtet werden. Zudem können sie dazu genutzt werden, um die Eingänge von Tunneln zu überwa chen. In diesem Fall können sie nicht nur überwachen, ob sich ein potentielles Kollisionshindernis auf der Strecke befin det, sondern auch, ob sich ein Objekt, beispielsweise ein Mensch oder Tier, in einen Tunnel hineinbewegt hat, und so eine Warnung übermitteln, dass sich in dem Tunnel möglicher weise ein Kollisionshindernis befindet. Diese Information kann dann wieder dazu genutzt werden, das Verhalten eines Schienenfahrzeugs zu beeinflussen, wie zum Beispiel ein Bremsmanöver auszulösen oder für das Schienenfahrzeug eine niedrigere Geschwindigkeit zu wählen.
Vorteilhaft wird eine Kollisionsgefahr aufgrund der Kombina tion einer Nutzung von Sensordaten und Kartendaten im Ver gleich zu herkömmlichen Vorgehensweisen mit erhöhter Präzi sion und Zuverlässigkeit ermittelt, so dass die Sicherheit sowie die Effektivität eines automatisierten Schienenverkehrs verbessert ist. Insbesondere wird durch den kartenbasierten Ansatz und aufgrund der dadurch erhöhten Präzision die Reich weite der Kollisionshindernisdetektion erhöht, da diese ins besondere von der Genauigkeit der Messung der Orientierung des Schienenfahrzeugs bzw. der Orientierung der zur Detektion des Kollisionshindernisses genutzten Sensoren abhängt. Außer dem lässt sich diese Form der Bestimmung des Schienenverlaufs auch auf Streckenabschnitten realisieren, welche nicht gera deaus verlaufen oder eine eingeschränkte Sichtbarkeit des Schienenverlaufs haben, wie zum Beispiel aufgrund von Schnee bedeckung oder eingeschränkten Sichtbedingungen. Weiterhin lassen sich mit dem erfindungsgemäßen Verfahren basierend auf 3D-Daten generische Objekte detektieren. Dies ist insbeson dere ein Vorteil gegenüber Verfahren, die auf maschinellem Lernen basieren und mit denen daher nur bestimmte Klassen von Objekten detektiert und identifiziert werden können.
Die erfindungsgemäße Hinderniserkennungseinrichtung weist eine Überwachungsbereich-Ermittlungseinheit zum Ermitteln ei nes Überwachungsbereichs vor einem Schienenfahrzeug auf. Die Ermittlung des Überwachungsbereichs, insbesondere seiner Po sition und Ausdehnung erfolgt in Abhängigkeit von einer Posi tion und von einem Verlauf eines von dem Schienenfahrzeug be fahrenen Gleises, von einer Position sowie von Abmessungen eines Überwachungsprofils des Schienenfahrzeugs. Wie bereits erwähnt, erfolgt die Ermittlung des Überwachungsbereichs dadurch, dass Sensordaten, beispielsweise GNSS-Daten erfasst werden, und die Position und Orientierung des Schienenfahr zeugs auf Basis dieser Sensordaten ermittelt werden. Die Po sition und der Verlauf des von dem Schienenfahrzeug befahre nen Gleises werden dann auf Basis eines Abgleichs der ermit telten Position und Orientierung des Schienenfahrzeugs mit digitalen Kartendaten ermittelt.
Teil der erfindungsgemäßen Hinderniserkennungseinrichtung ist auch eine Sensoreinheit zum sensoriellen Erfassen von Objek ten in der Umgebung des Schienenfahrzeugs. Als Sensoreinhei ten können alle geeigneten Sensoren für die Erfassung und Lo kalisierung sowie möglicherweise auch Identifizierung von Ob jekten, wie zum Beispiel Kameras, Lidarsysteme oder Radarsys teme, genutzt werden.
Die erfindungsgemäße Hinderniserkennungseinrichtung umfasst weiterhin eine Hindernis-Ermittlungseinheit, um zu ermitteln, welche Objekte mögliche Kollisionshindernisse sind, indem sie prüft, ob und inwieweit sich diese Objekte mit dem Überwa chungsbereich überschneiden. Zudem weist die erfindungsgemäße Hinderniserkennungseinrichtung eine Antwort-Ermittlungsein heit zum Ermitteln einer Reaktion auf die als potentielle Kollisionshindernisse eingestuften Objekte auf. Die Ermitt lung einer Reaktion erfolgt in Abhängigkeit von den bereits erwähnten geometrischen und kinetischen Attributen der Ob jekte. Die erfindungsgemäße Hinderniserkennungseinrichtung teilt die Vorteile des erfindungsgemäßen Verfahrens zur Hin derniserkennung für ein Schienenfahrzeug.
Das erfindungsgemäße Schienenfahrzeug weist die erfindungsge mäße Hinderniserkennungseinrichtung und eine Steuerungsein richtung zum Steuern eines Fahrverhaltens des Schienenfahr zeugs in Abhängigkeit von einer Reaktion, welche von der Hin derniserkennungseinrichtung ermittelt wird, auf. Das erfin dungsgemäße Schienenfahrzeug teilt die Vorteile der erfin dungsgemäßen Hinderniserkennungseinrichtung.
Einige Komponenten der erfindungsgemäßen Hinderniserkennungs einrichtung können, gegebenenfalls nach Ergänzung um Hard waresysteme, wie zum Beispiel eine Sensoreinheit, zum über wiegenden Teil in Form von Softwarekomponenten ausgebildet sein. Dies betrifft insbesondere die Überwachungsbereich-Er mittlungseinheit, die Hindernis-Ermittlungseinheit und die Antwort-Ermittlungseinheit .
Grundsätzlich können diese Komponenten aber auch zum Teil, insbesondere wenn es um besonders schnelle Berechnungen geht, in Form von softwareunterstützter Hardware, beispielsweise FPGAs oder dergleichen, realisiert sein. Ebenso können die benötigten Schnittstellen, beispielsweise wenn es nur um eine Übernahme von Daten aus anderen Softwarekomponenten geht, als Softwareschnittstellen ausgebildet sein. Sie können aber auch als hardwaremäßig aufgebaute Schnittstellen ausgebildet sein, die durch geeignete Software angesteuert werden.
Eine weitgehend softwaremäßige Realisierung hat den Vorteil, dass auch schon bisher in einem Schienenfahrzeug vorhandene Rechnersysteme nach einer eventuellen Ergänzung durch zusätz liche Hardwareelemente, wie zum Beispiel zusätzliche Sen soreinheiten, auf einfache Weise durch ein Software-Update nachgerüstet werden können, um auf die erfindungsgemäße Weise zu arbeiten. Insofern wird die Aufgabe auch durch ein ent sprechendes Computerprogrammprodukt mit einem Computerpro gramm gelöst, welches direkt in eine Speichereinrichtung ei nes solchen Rechnersystems ladbar ist, mit Programmabschnit ten, um die durch Software realisierbaren Schritte des erfin dungsgemäßen Verfahrens auszuführen, wenn das Computerpro gramm in dem Rechnersystem ausgeführt wird.
Ein solches Computerprogrammprodukt kann neben dem Computer programm 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.
Zum Transport zur Speichereinrichtung des Rechnersystems und/oder zur Speicherung an dem Rechnersystem kann ein compu terlesbares Medium, beispielsweise ein Memorystick, eine Festplatte oder ein sonstiger transportabler oder fest einge bauter Datenträger dienen, auf welchem die von einer Rech nereinheit einlesbaren und ausführbaren Programmabschnitte des Computerprogramms gespeichert sind. Die Rechnereinheit kann z.B. hierzu einen oder mehrere zusammenarbeitende Mikro prozessoren oder dergleichen aufweisen.
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 abhän gigen Ansprüchen einer anderen Anspruchskategorie und deren Beschreibungsteilen weitergebildet sein. Zudem können im Rah men der Erfindung die verschiedenen Merkmale unterschiedli cher Ausführungsbeispiele und Ansprüche auch zu neuen Ausfüh rungsbeispielen kombiniert werden.
Bevorzugt erfolgt bei dem erfindungsgemäßen Verfahren zur Hinderniserkennung für ein Schienenfahrzeug für eine noch weiter verbesserte Präzision der Hindernislokalisierung eine Kalibrierung der Positionsmessung und Orientierungsmessung des Schienenfahrzeugs dadurch, dass Positionsdaten von Land marken oder anderen markanten Merkmalen in einer Umgebung des Schienenfahrzeugs auf Basis von Sensordaten von der Umgebung ermittelt werden. Die ermittelten Positionsdaten der Landmar ken werden dann mit den entsprechenden Positionsdaten der Landmarken in den digitalen Kartendaten verglichen. Weichen die Werte der Positionsdaten auf Basis der Sensordaten und auf Basis der digitalen Kartendaten voneinander ab, so wird diese Abweichung als Kalibrierungswert genutzt, um eine Jus tierung der Positionsermittlung und Orientierungsermittlung, also der Selbstlokalisierung des Schienenfahrzeugs und dessen Orientierungsmessung, anhand der Sensordaten durchzuführen.
Vorteilhaft wird die Präzision der Position und Orientierung des Schienenfahrzeugs weiter verbessert. Da bereits eine kleine Ungenauigkeit bei der Ermittlung dieser Daten in grö ßere Entfernung zu einer erheblichen Abweichung bei der Be stimmung einer Position eines möglichen Kollisionshindernis ses führen kann, ist die Genauigkeit bei der Ermittlung der Position und Orientierung des Schienenfahrzeugs besonders wichtig.
Bevorzugt umfassen die Attribute der Objekte mindestens einen der folgenden Attributtypen: Beispielsweise wird ein Objekt durch seine Größenabmessungen und Fläche gekennzeichnet, oder durch die Information, mit welchem Teilvolumen es sich über schneidet, oder durch den Abstand des Schienenfahrzeugs zu dem Objekt oder durch die aktuelle Geschwindigkeit des Schie nenfahrzeugs gekennzeichnet. Das Überwachungsprofil, insbe sondere das erweiterte Lichtraumprofil des Schienenfahrzeugs kann zum Beispiel mehrere einander einschließende, unter schiedlich dimensionierte Teilprofile umfassen, welche je weils einer unterschiedlichen Gefahrenstufe zugeordnet sind. Je nachdem, in welches Teilprofil bzw. in welches dem jewei ligen Teilprofil zugeordnetes Teilvolumen das detektierte Ob jekt bereits eingedrungen ist, und in Abhängigkeit von der Distanz des Objekts zum Schienenfahrzeug, kann eine abge- stufte Reaktion des Schienenfahrzeugs ausgelöst werden. Bei spielsweise kann je nach Geschwindigkeit des Schienenfahr zeugs und des Objekts sowie in Abhängigkeit von der Position des Objekts und der Distanz des Objekts zum Schienenfahrzeug zunächst ein Warnsignal ausgestoßen werden und bei einem Ein dringen des Objekts in ein inneres Volumen oder eine Annähe rung des Objekts an das Schienenfahrzeug oder bei einer ent sprechenden Geschwindigkeit und Bewegungsrichtung des Objekts und/oder des Schienenfahrzeugs ein Bremsmanöver ausgelöst werden.
Wie bereits erwähnt, erfolgt bei dem erfindungsgemäßen Ver fahren der Schritt des Ermittelns eines Überwachungsbereichs auf Basis einer digitalen Karte bzw. Landkarte und die Posi tion und Orientierung des Schienenfahrzeugs wird in der digi talen Karte vorzugsweise auf Basis einer Kombination von Sen sordaten ermittelt. Vorteilhaft werden Sensordaten, welche Informationen über die Umgebung des Schienenfahrzeugs sowie Abstände und relativen Orientierungen von Objekten zum Schie nenfahrzeug wiedergeben können, mit Kartendaten kombiniert, um so die Position und Orientierung des Schienenfahrzeugs zu ermitteln. Befindet sich das Schienenfahrzeug an einer be stimmten Relativposition zu einer in der digitalen Karte ein gezeichneten Position, so kann damit die Position des Schie nenfahrzeugs exakt bestimmt werden.
Beispielsweise kann eine Positionsschätzung und Orientie rungsschätzung für das Schienenfahrzeug zunächst mit Hilfe von Sensordaten ermittelt werden, die eine gewisse Ungenauig keit mit sich bringen. Derartige Sensordaten umfassen bevor zugt mindestens einer der folgenden Datentypen:
- Satellitennavigationsdaten,
- IMU-Daten (IMU = inertial measurement unit = inertiale Mes seinheit)
- Geschwindigkeitssensordaten,
- Odometriedaten,
- infrastrukturbasierte Positionsdaten, vorzugsweise über Funksignale, - in der Umgebung des Schienenfahrzeugs detektierte Merkmals daten, die mit der digitalen Karte abgleichbar sind.
In einer Ausgestaltung des erfindungsgemäßen Verfahrens zur Hinderniserkennung für ein Schienenfahrzeug umfassen die Merkmalsdaten mindestens eine der folgenden Datenarten:
- Landmarken,
- den Gleiskörper.
Vorteilhaft kann eine bekannte Position von Landmarken oder des Gleiskörpers dazu genutzt werden, eine Abweichung einer Positions- und/ oder Orientierungsmessung durch die Sensoren zu ermitteln und eine entsprechende Justierung vorzunehmen.
Vorzugsweise werden bei dem erfindungsgemäßen Verfahren zur Hinderniserkennung für ein Schienenfahrzeug unterschiedliche Sensordaten bzw. Sensordaten unterschiedlichen Typs kombi niert, um die Position und Orientierung des Schienenfahrzeugs in der digitalen Karte zu ermitteln. Es wird also ein Multi sensorfusionsverfahren angewendet. Üblicherweise lassen sich durch eine Kombination von Sensordaten von unterschiedlichen Sensoren Messungenauigkeiten einzelner Sensortypen durch Mit telwertbildung und/oder eine an aktuelle Umgebungsbedingungen angepasste gewichtete Kombination der Sensordaten reduzieren bzw. kompensieren, so dass die Zuverlässigkeit bei der Hin derniserkennung weiter verbessert wird.
In einer Variante des erfindungsgemäßen Verfahrens zur Hin derniserkennung für ein Schienenfahrzeug umfasst die Kombina tion eine Filterung durch einen Kalmanfilter oder Partikel filter und/oder graphenbasierte Verfahren und/oder eine sen soreigene Filterung. Dabei wird vorzugsweise der Zustand des Schienenfahrzeugs darauf eingeschränkt, dass es sich entlang des Gleiskörpers bewegt. Mithin kann die Genauigkeit der Po sitionsbestimmung und der Ermittlung der Orientierung des Schienenfahrzeugs weiter verbessert werden. Die Position des Schienenfahrzeugs wird durch die Bewegung der Kontaktpunkte, d.h. der Räder, entlang des Gleises eingeschränkt. Die Orien tierung des festen Fahrzeugkörpers kann aufgrund der Lagerung auf einem drehbaren Fahrgestell und durch die Federung von der Orientierung des Gleises an den Kontaktpunkten etwas ab weichen.
Auch bevorzugt werden bei dem erfindungsgemäßen Verfahren zur Hinderniserkennung für ein Schienenfahrzeug einzelne Sensoren mit der digitalen Karte kalibriert, um Effekte der Vibration oder der Drift in der extrinsischen Kalibrierung zu korrigie ren. Dabei kann die zunächst geschätzte Position und Orien tierung des Schienenfahrzeugs bzw. des Sensors als Startpunkt genutzt werden und dann die Position und Orientierung des Sensors in der Karte anhand von Landmarken und/oder anderen Merkmalen präzisiert werden, die in der Umgebung des Schie nenfahrzeugs detektiert wurden. Beispielsweise können Land marken dazu genutzt werden, um die Position und Orientierung des Sensors genauer zu bestimmen, während der detektierte Schienenstrang dazu genutzt werden kann, um die Ermittlung der Orientierung des Sensors zu verfeinern.
Ebenfalls bevorzugt umfasst bei dem erfindungsgemäßen Verfah ren zur Hinderniserkennung für ein Schienenfahrzeug die Ka librierung mithin folgende Schritte:
- Verwenden einer geschätzten Position und Orientierung des Schienenfahrzeugs als Startpunkt,
- Verfeinern der Position und Orientierung des Sensors in der Karte durch Abgleich mit Landmarken und anderen Merkmalen, die in der Umgebung des Schienenfahrzeugs detektiert wur den.
Besonders bevorzugt umfasst bei dem erfindungsgemäßen Verfah ren zur Hinderniserkennung für ein Schienenfahrzeug der Schritt des sensoriellen Erfassens von Objekten in der Umge bung des Schienenfahrzeugs eine Ermittlung einer Position und einer Größe der Objekte in der Umgebung auf Basis von Sensor daten. Vorteilhaft können diese Daten für eine Gefahrenein schätzung genutzt werden sowie für die Ermittlung einer adä quaten Reaktion auf das auftretende Hindernis. Auch bevorzugt wird bei dem erfindungsgemäßen Verfahren zur Hinderniserkennung für ein Schienenfahrzeug bei dem Schritt des Ermittelns, welche Objekte mögliche Kollisionshindernisse sind, zunächst eine Punktwolke mit Objektpunkten auf Basis der von dem Objekt erfassten Sensordaten erzeugt. Eine Punkt wolke kann insbesondere bei einer rasterartigen Abtastung der Umgebung erzeugt werden. Eine solche Vorgehensweise wird zum Beispiel bei dem Einsatz eines Lidarsystems zur Objektdetek tion angewendet. Dann wird die Punktwolke durch ein sogenann tes Clusterverfahren bzw. eine Clusteranalyse in einzelne Ob jekte zerlegt. Darunter versteht man ein Verfahren zur Entde ckung von Ähnlichkeitsstrukturen in meist relativ großen Da tenbeständen. Diese so gefundenen Gruppen von Messpunkten mit ähnlichen Eigenschaften werden als Cluster bezeichnet, die Gruppenzuordnung als Clustering. Bei der Clusteranalyse geht es im Gegensatz zur automatisierten Klassifizierung darum, neue Gruppen in den Daten zu identifizieren. Ein solches Clusterverfahren zum Clustering anhand der räumlichen Ab stände der Punkte umfasst zum Beispiel einen euklidischen Ab- stand-Clusteralgorithmus . Für die einzelnen Objekte wird dann geprüft, ob sie einen Überschneidungsbereich mit dem Überwa chungsbereich des Schienenfahrzeugs aufweisen. Von Vorteil ist auch, dass generische Objekte, die mit einem auf maschi nellem Lernen basierenden Verfahren für spezielle Objektklas sen nicht erkannt werden können, identifiziert und separiert werden.
In einer besonders bevorzugten Variante des erfindungsgemäßen Verfahrens wird ein nächster Objektpunkt innerhalb des Über wachungsprofils, der entlang des Schienenverlaufs gemessen zu dem Schienenfahrzeug am nächsten liegt, ermittelt. Weiterhin werden alle Objektpunkte in einer 2D-Ebene durch Kombination aller Projektionsebenen, die durch jeden Objektpunkt verlau fen und orthogonal zum Gleis orientiert sind, zusammenge fasst. Dabei wird eine Projektionsebene, welche durch den nächsten Objektpunkt bezüglich des Fahrzeugs entlang des Schienenstrangs verläuft und orthogonal zu dem Gleis, auf dem das Schienenfahrzeug fährt, orientiert ist, ermittelt. Schließlich werden alle Objektpunkte des Clusters auf die Projektionsebene projiziert. Auf diese Weise liegen alle de- tektierbaren Punkte eines detektierten Objekts in einer Ebene, welche den kürzesten Abstand des Objekts zu dem Schie nenfahrzeug repräsentiert. Die so erzeugte Projektion des Ob jekts kann dann mit einer Schnittfläche des Überwachungsbe reichs mit der Projektionsebene verglichen werden. Weiterhin können geometrische Objektattribute des Objekts bzw. für die Punktwolke ermittelt werden. Derartige Objektattribute umfas sen die Fläche, die Dimensionen sowie die Position des Ob jekts bzw. der gesamten Punktwolke relativ zum Schienenfahr zeug, sowie die Fläche der Teilmenge der Punktwolke innerhalb des Überwachungsbereichs bzw. der Teilvolumen. Zur Bestimmung dieser Objektattribute kann z.B. eine Bounding-Box um diese Punktwolke gebildet, eine konvexe Hülle berechnet oder auch eine Gitterbelegungskarte erstellt werden.
Vorteilhaft kann die zu prozessierende Datenmenge bei dem Schritt des Ermittelns, welche Objekte potentielle Kollisi onshindernisse sind, auf den Teil eines Objekts beschränkt werden, der sich in der Nähe des Schienenbereichs bzw. des Überwachungsbereichs befindet. Außerdem kann durch die unmit telbare Berechnung eines Überschneidungsvolumens bzw. einer Überschneidungsfläche auf der Eingangspunktwolke eine höhere Genauigkeit erreicht werden, als wenn zunächst ein Modellbil dungsschritt für das gesamte Objekt, zum Beispiel durch die Bildung einer Bounding-Box, erfolgen würde und die Berechnung auf Basis des Modells erfolgen würde.
Wie bereits erwähnt, kann auch ein dynamisches Verhalten ei nes möglichen Kollisionsobjekts durch Verfolgen dieses Ob jekts erfasst werden. Dabei werden Messdaten des Objekts, wie zum Beispiel seine Position, Geschwindigkeit, Größe und Schnittflächen mit Hilfe eines Filters, beispielsweise eines Kalmanfilters oder eines Partikelfilters verarbeitet. Hierzu sei angemerkt, dass die dynamischen Attribute eines Objekts, wie z.B. Geschwindigkeit oder Beschleunigung nicht direkt ge messen werden müssen, sondern anhand von mehreren Positionen zu unterschiedlichen Zeitpunkten abgeleitet werden können. Auch während der Verfolgung kann eine Intersektion des ver folgten Objekts mit dem Überwachungsbereich ermittelt werden. Die bereits erwähnten Verfahren bei der Objekterkennung und Ermittlung hinsichtlich einer Kollisionsgefahr sind auch bei dieser Variante anwendbar. Zur Beurteilung der Kollisionsge fahr werden auch bei dieser Variante Objektattribute, wie zum Beispiel die Distanz, die Höhe und Breite, die Schnittfläche der projizierten Punktwolke mit dem Überwachungsbereich, aber auch typische Verfolgungsattribute, wie zum Beispiel seine Geschwindigkeit und Konfidenz, herangezogen.
Die Erfindung wird im Folgenden unter Hinweis auf die beige fügten Figuren anhand von Ausführungsbeispielen noch einmal näher erläutert. Es zeigen:
FIG 1 ein Flussdiagramm, welches ein Verfahren zur Hinder niserkennung für ein Schienenfahrzeug gemäß einem Ausfüh rungsbeispiel der Erfindung veranschaulicht,
FIG 2 eine schematische Darstellung eines Szenarios einer Hinderniserkennung durch ein Schienenfahrzeug mit einer Ab weichung der tatsächlichen Orientierung eines Schienenfahr zeugs von der ermittelten Orientierung,
FIG 3 eine schematische Darstellung einer Ermittlung einer Projektionsebene der Objektpunkte eines Clusters gemäß einem Ausführungsbeispiel der Erfindung,
FIG 4 eine schematische Darstellung einer Projektion eines Objekts, wobei ein Teil der Objektpunkte in einer Schnittflä che des Überwachungsbereichs liegt,
FIG 5 eine schematische 2D-Darstellung einer Bounding-Box um den Teil des Objekts, der innerhalb der Schnittfläche des Überwachungsbereichs mit der Projektionsebene liegt, FIG 6 eine schematische 2D-Darstellung einer konvexen Hülle um den Teil des Objekts, der innerhalb der Schnittfläche des Überwachungsbereichs mit der Projektionsebene liegt,
FIG 7 eine schematische Darstellung einer Gitterbelegungs karte, welche die Schnittfläche des Überwachungsbereichs mit der Projektionsebene umfasst,
FIG 8 eine schematische Darstellung einer Hinderniserken nungseinrichtung gemäß einem Ausführungsbeispiel der Erfin dung,
FIG 9 eine schematische Darstellung eines Schienenfahrzeugs gemäß einem Ausführungsbeispiel der Erfindung.
In FIG 1 ist ein Flussdiagramm 100 gezeigt, welches ein Ver fahren zur Hinderniserkennung für ein Schienenfahrzeug 2 (siehe FIG 2) gemäß einem Ausführungsbeispiel der Erfindung veranschaulicht .
Bei dem Schritt 1.1 werden für einen Überwachungsprozess des Umfelds des Schienenfahrzeugs 2 Informationen bezüglich eines Überwachungsprofils PR, beispielsweise ein Lichtraumprofil, insbesondere über dessen Position PS relativ zu dem Schienen fahrzeug 2 sowie digitale Kartendaten LK für die Hinderniser kennung zur Verfügung gestellt, welche später noch zur Er mittlung einer Position und von Abmessungen eines Überwa chungsbereichs Vö benötigt werden. Die Kartendaten LK und die Profildaten PR können in einer Datenbank in kombinierter Form gespeichert sein, sie können aber auch getrennt aus unter schiedlichen Quellen bezogen werden.
Bei dem Schritt l.II werden Sensordaten SDL zur Selbstlokali- sierung des Schienenfahrzeugs 2 erfasst. Hierzu werden zum Beispiel GNSS-Daten oder Daten von einer inertialen Messein heit erfasst. Bei dem Schritt l.III werden durch Sensoren Informationen über das Umfeld des Schienenfahrzeugs 2, insbesondere Sensor daten von Landmarken LM und Sensordaten von Objekten 0 er fasst. Das Umfeld bzw. die Umgebung umfasst mindestens den Überwachungsbereich Vu. Sie kann aber über den Überwachungs bereich Vö hinaus ausgedehnt sein, um zum Beispiel sich bewe gende Objekte 0 frühzeitig zu erkennen. Innerhalb der Sensor daten, welche die Umgebung des Schienenfahrzeuges abbilden, werden Objekte 0 detektiert. Die Objekte 0 können zum Bei spiel Fahrzeuge, Personen oder auch auf den Gleiskörper ge fallene Bäume, Einkaufswagen oder Felsen sein.
Bei dem Schritt 1.IV werden die digitalen Kartendaten LK, die Sensordaten SDL zur Selbstlokalisierung des Schienenfahrzeugs 2 sowie die Sensordaten der Landmarken LM verarbeitet, um eine Position PSF und Orientierung OR des Schienenfahrzeugs 2 und daraus die Position PG des befahrenen Gleisabschnitts und gegebenenfalls auch seine Orientierung zu ermitteln. Auch die Eigengeschwindigkeit des Schienenfahrzeugs sowie Odometrieda- ten können für die Positionsbestimmung genutzt werden. Zudem wird bei dem Schritt 1.IV die Kenntnis der Position PS und der Abmessungen eines Überwachungsprofils des Schienenfahr zeugs 2 dazu genutzt, um geeignete Abmessungen, wie zum Bei spiel die nötige Breite und Höhe und eine Ausdehnung entlang der Strecke sowie eine passende Positionierung des Überwa chungsbereichs Vö zu ermitteln.
Weiterhin erfolgt bei dem Schritt 1.IV ein Abgleich der er mittelten Position PSF und Orientierung OR des Schienenfahr zeugs 2 mit den digitalen Kartendaten LK. Wie bereits er wähnt, wird durch diesen Abgleich die Präzision der Ermitt lung der Werte für die Position PSF und die Orientierung OR des Schienenfahrzeugs 2 erhöht, wobei die Zwangsbedingung ge nutzt wird, dass das Schienenfahrzeug 2 nur entlang eines Gleises fahren kann.
Bei dem Schritt l.V wird auf Basis der ermittelten Position PSF und Orientierung OR des Schienenfahrzeugs 2, der Position PG des befahrenen Gleisabschnitts, der Kenntnis der Position PS des Überwachungsprofils PR sowie dessen Abmessungen der Überwachungsbereich Vö ermittelt, welcher den von den fahr zeugseitigen Sensoren erfassten Bereich vor dem Schienenfahr zeug 2, den das Schienenfahrzeug 2 als nächstes durchfährt und in dem daher eine Kollision auftreten könnte, umfasst. Benachbarte Gleise können auch zum Überwachungsbereich Vö ge hören.
Bei dem Schritt l.VI wird ermittelt, welche Objekte 0 poten tielle Kollisionshindernisse KH darstellen. Diese Ermittlung erfolgt durch Prüfen, ob und inwieweit sie sich mit dem Über wachungsbereich Vö überschneiden. Besteht eine solche Über schneidung, so existiert eine Kollisionsgefahr. Befindet sich ein detektiertes Objekt 0 ausreichend weit außerhalb des Überwachungsbereichs Vu und schneidet seine zu erwartende Trajektorie auch nicht den sich dynamisch in Fahrtrichtung verschiebenden Überwachungsbereich Vö, so kann das Objekt 0 als ungefährlich eingestuft werden. Andernfalls muss das Ob jekt 0 als potentielles Kollisionsobjekt bzw. als potentiel les Kollisionshindernis KH eingestuft werden.
Bei dem Schritt l.VII wird eine Reaktion R des Schienenfahr zeugs 2 auf die als potentielle Kollisionshindernisse KH ein gestuften Objekte 0 ermittelt. Die Art der Reaktion R wird in Abhängigkeit von Objektattributen, wie zum Beispiel den Grö ßenabmessungen des jeweiligen Objekts 0 ermittelt. Beispiels weise ist es bei nichtmenschlichen kleinen Objekten, wie zum Beispiel Kleintieren, besser, dass sie einfach überrollt wer den und eine Vollbremsung wäre wegen eines solchen Hindernis ses nicht verhältnismäßig. Andernfalls muss bei Personen oder großen Hindernissen unbedingt eine Kollision vermieden wer den, um Personenschaden oder einen Schaden am Schienenfahr zeug 2 zu vermeiden. Außerdem wird bei dem Schritt l.VII die Reaktion R in Abhängigkeit davon ermittelt, mit welchem Volu men sich das Objekt 0 wie stark überschneidet. Befindet sich das potentielle Kollisionsobjekt KH im Randbereich des Über wachungsbereichs Vö, so kann möglicherweise auch bei einer Weiterfahrt eine Kollision mit dem Schienenfahrzeug 2 verhin dert werden. Befindet sich das potentielle Kollisionsobjekt KH dagegen im Zentrum des Überwachungsbereichs Vö, so ist für den Fall, dass das potentielle Kollisionsobjekt KH eine hin reichende Größe aufweist, ein Abbremsen unumgänglich. Weiter hin wird die Reaktion R auch von dem Abstand des Schienen fahrzeugs 2 zu dem Kollisionsobjekt KH abhängig gemacht. Ist das Kollisionsobjekt KH noch sehr weit entfernt, so reicht möglicherweise ein relativ sanftes Abbremsen und das Erzeugen eines Warnsignals, falls es sich um ein lebendes Objekt bzw. ein Objekt, welches durch eine Person gesteuert wird, han delt. Auf diese Weise kann das Objekt 0 zu einer Reaktion veranlasst werden bzw. dazu veranlasst werden, den Gefahren bereich zu verlassen. Befindet sich das potentielle Kollisi onsobjekt KH dagegen in relativ kurzer Entfernung, so muss entsprechend stark abgebremst werden, um eine Kollision zu vermeiden. Befindet sich das potentielle Kollisionsobjekt KH für ein rechtzeitiges Abbremsen zu nah an dem Schienenfahr zeug, so kann es den Vorschriften entsprechen, die Geschwin digkeit des Schienenfahrzeugs zu reduzieren, um den Zusammen stoß mit dem Kollisionshindernis KH auf der Strecke zumindest abzumildern. Die Reaktion R wird also auch in Abhängigkeit von der aktuellen Geschwindigkeit des Schienenfahrzeugs 2 er mittelt.
In FIG 2 ist eine schematische Darstellung 20 eines Szenarios einer Hinderniserkennung durch ein Schienenfahrzeug 2 mit ei ner Kalibrierung und Justierung einer Objektlokalisierung des Schienenfahrzeugs 2 veranschaulicht. Das Szenario 20 umfasst 5 Teilszenarios 20a, 20b, 20c, 20d, 20e, mit denen einzelne Aspekte der Objektlokalisierung und der Kalibrierung bzw. Justierung im Detail gezeigt sind.
In einem ersten Szenario 20a ganz links in FIG 2 ist darge stellt, wie und an welchen Positionen die Sensoren des Schie nenfahrzeugs 2, welches am unteren Rand des ersten Szenarios 20a angeordnet ist, die einzelnen Objekte seiner Umgebung wahrnehmen. Von den Sensoren werden ein Kraftfahrzeug 0, zwei Bäume 02, 03 und drei Landmarken LM1, LM2, LM3 erfasst. Die genannten Objekte sind schraffiert dargestellt.
In einem zweiten Szenario 20b ist ein Kartenausschnitt ge zeigt, in dem die erfassten Landmarken LM1, LM2, LM3 sowie der Gleiskörper GK, auf dem das Schienenfahrzeug 2 fährt, eingezeichnet sind. Weiterhin ist in dem zweiten Szenario 20b auch das Schienenfahrzeug 2 am unteren Rand in der Karte ein gezeichnet.
In einem dritten Szenario 20c ist ausschließlich der Überwa chungsbereich Vö des Schienenfahrzeugs 20c gepunktet darge stellt.
In einem vierten Szenario 20d sind die drei ersten Szenarios 20a, 20b, 20c übereinandergelegt dargestellt. Dabei ist zu erkennen, dass die Kartenpositionen der Landmarken LM1, LM2, LM3 von den seitens des Schienenfahrzeugs 2 erfassten Positi onen der Landmarken LM1, LM2, LM3 abweichen. In dem vierten Szenario 20d sieht es außerdem so aus, als ob sich das er kannte Kraftfahrzeug 0 außerhalb des Überwachungsbereichs Vu des Schienenfahrzeugs 2 befinden würde. Dafür scheint einer der Bäume 03 in den Überwachungsbereich Vö des Schienenfahr zeugs 2 hineinzuragen. Auch die tatsächliche Orientierung des Schienenfahrzeugs 2 weicht von der selbst ermittelten Orien tierung leicht ab, was daran zu erkennen ist, dass die Orien tierung des Schienenfahrzeugs 2 in der Karte und die selbst ermittelte Orientierung nicht genau übereinstimmen. Anhand der ermittelten Abweichung zwischen den Kartenpositionen und den durch Sensormessung ermittelten Positionen der Landmarken LM1, LM2, LM3 wird nun in einem Justierungsschritt eine Kor rektur der Sensormessung vorgenommen, so dass die durch die Sensormessung und die Kartendaten ermittelten Positionen der Landmarken LM1, LM2, LM3 übereinstimmen.
Das Ergebnis ist in dem fünften Szenario 20e zu erkennen. Dort ist nun zu erkennen, dass sich das Kraftfahrzeug 0 in dem Überwachungsbereich Vö des Schienenfahrzeugs 2 und sogar bereits auf den Gleisen GK befindet und daher ein potentiel les Kollisionshindernis darstellt. Dafür geht aus dem fünften Szenario 20e eindeutig hervor, dass sich der Baum 03 nicht in dem Überwachungsbereich Vö des Schienenfahrzeugs 2 befindet und damit keine Gefahr für das Schienenfahrzeug 2 darstellt.
Auf Basis der Kenntnis der Positionen der Landmarken LM1, LM2 und LM3 sowie einer aktuellen Messung der Position und Orien tierung der Landmarken LM1, LM2 und LM3 kann also eine Abwei chung der ermittelten Orientierung des Schienenfahrzeugs 2 sowie eine Abweichung der Erfassung von Objekten in der Umge bung des Schienenfahrzeugs, beispielsweise aufgrund einer Drift in der extrinsischen Kalibrierung von Sensoren oder Vibrationen, erkannt werden und für eine Kalibrierung bzw. Justierung der Orientierungsermittlung genutzt werden.
In FIG 3 ist eine schematische Darstellung 30 einer Ermitt lung einer Projektionsebene PRE einer Punktwolke CL eines Ob jekts 0 gemäß einem Ausführungsbeispiel der Erfindung veran schaulicht. Die Darstellung 30 ist als Draufsicht gezeigt. Rechts in FIG 3 ist ein Gleiskörper GK mit zwei Schienen S sowie Schwellen SW gezeigt, auf dem das Schienenfahrzeug 2 in x-Richtung bzw. in Pfeilrichtung fährt, also in FIG 3 von un ten nach oben. Es wird nun eine Position XN auf dem Gleiskör per GK ermittelt, bei der die Projektionsebene PRE durch die Position XN und orthogonal zum Gleisverlauf in Fahrtrichtung verlaufend den zu dem Schienenfahrzeug 2 in x-Richtung be trachtet nächsten Punkt OPN des Objekts 0 schneidet. Anders ausgedrückt, ist diese Position XN der Punkt, bei dem eine Mittenlinie des Gleiskörpers GK den kleinsten Abstand zu dem nächsten Punkt OPN des Objekts 0 aufweist. Anschließend wer den die 2D-Positionen der einzelnen Objektpunkte OP der dem Objekt 0 zugeordneten Punktwolke CL in der Projektionsebene PRE ermittelt.
In FIG 4 ist eine schematische 2D-Darstellung 40 einer Punkt wolke CL gezeigt, wobei ein Teil der Objektpunkte OP der Punktwolke CL in einer Schnittfläche Fö des Überwachungsbe reichs Vu liegen und die sogenannten Intersektionspunkte bil den und ein Teil der Objektpunkte OP der Punktwolke CL außer halb dieser Schnittfläche Fö liegen. Die in FIG 4 gezeigte Darstellung kann also als Querschnittsdarstellung in der x- Position XN angesehen werden. In FIG 4 sind auch zur besseren Orientierung am unteren Rand der Schnittfläche Fö die Quer schnittsflächen der Schienen S des Gleiskörpers GK gezeigt, auf dem das Schienenfahrzeug 2 unterwegs ist. Die Schnittflä che Fö stellt ein Modell des Objekts 0 zur Verfügung, um die Relevanz eines möglichen Kollisionshindernisses abzuschätzen und geeignete Gegenmaßnahmen zu planen.
In FIG 5 ist zur Ermittlung einer Fläche der Intersektions punkte OP eine schematische 2D-Darstellung 50 einer Bounding- Box BB um den Teil der Punktwolke CL gezeigt, der innerhalb der Schnittfläche Fö des Überwachungsbereichs Vu liegt. Die Bounding-Box BB ist als Quadrat mit gestrichelten Kanten dar gestellt. Anstatt einer viereckigen Bounding-Box BB kann auch eine konvexe Hülle CH für eine Lokalisierung der Objektpunkte OP verwendet werden.
Hierzu ist in FIG 6 eine schematische 2D-Darstellung 60 ge zeigt, bei der zur Ermittlung der Fläche der Intersektions punkte eine gestrichelt gezeichnete polygonale konvexe Hülle CH um den Teil der projizierten Punktwolke CL gelegt ist, der innerhalb der Schnittfläche Fö des Überwachungsbereichs Vö liegt.
Alternativ kann der Teil der Punktwolke CL, der innerhalb der Schnittfläche Fö des Überwachungsbereichs Vö bzw. der Überwa chungsfläche Fö liegt, auch durch eine Gitterbelegungskarte erfasst werden.
Hierzu ist in FIG 7 eine schematische Darstellung 70 einer Gitterbelegungskarte GBK, welche die Schnittfläche Fö des Überwachungsbereichs Vö umfasst, gezeigt. Die Gitterbele gungskarte GBK umfasst ein Raster von quadratischen Feldern OG. Belegte Felder OG der Gitterbelegungskarte GBK sind in FIG 8 grau dargestellt. Anschließende Auswertungen können dann vereinfacht auf Basis der digitalen Daten belegter und unbelegter Gitterfelder OG durchgeführt werden, wodurch der Rechenaufwand weiter reduziert wird.
In FIG 8 ist eine schematische Darstellung einer Hinderniser kennungseinrichtung 80 für ein Schienenfahrzeug 2 gemäß einem Ausführungsbeispiel der Erfindung gezeigt. Die Hinderniser kennungseinrichtung 80 umfasst eine Mehrzahl von Sensorein heiten 85 (links im Bild gezeigt) zur Selbstlokalisierung des Schienenfahrzeugs 2 sowie eine weitere Anzahl von Sensorein heiten 82 zur Umfelderfassung. Die Sensoreinheiten 85 zur Selbstlokalisierung umfassen auf unterschiedlichen physikali schen Prinzipien basierende Sensoren, wie zum Beispiel Träg- heitssensoren, Satellitennavigationssysteme, Geschwindig- keitssensoren oder Empfangseinheiten zum Empfang von Signalen von infrastrukturseitig angeordneten Funksignalen, mit deren Hilfe die Hinderniserkennungseinrichtung 80 die Position PSF und Orientierung OR des Schienenfahrzeugs 2 ermitteln kann. Die Sensoreinheiten 82 zur Umfelderfassung umfassen Sensoren zur Abbildung des Umfeldes des Schienenfahrzeugs wie zum Bei spiel Lidarsysteme oder Bildaufnahmeeinheiten, wie zum Bei spiel Kameras. Mit diesen Sensoren werden Sensordaten zur De tektion von Objekten 0 und Landmarken LM erfasst. Die Hinder niserkennungseinrichtung 80 umfasst außerdem eine Karten- und Profil-Einheit 87, mit der digitale Kartendaten LK sowie Da ten, welche die Abmessungen eines Überwachungsprofils PR so wie die Position PS des Überwachungsprofils PR betreffen, zur Verfügung gestellt werden. Die Kartendaten LK und Profildaten PR können auch aus mehreren separaten, unterschiedlichen Quellen bezogen werden.
Die Hinderniserkennungseinrichtung 80 umfasst auch eine Posi tionsermittlungseinheit 81, welche auf Basis bekannter Abmes sungen des Schienenfahrzeugs 2, der Sensordaten SDL zur Selbstlokalisierung, wie zum Beispiel GNSS-Daten oder IMU- Daten (IMU = inertial measurement unit = inertiale Messein heit / Trägheitssensor), weiterer Merkmalsdaten der Umgebung wie Landmarken LM sowie Kartendaten LK eine Position PSF des Schienenfahrzeugs 2 und seine Orientierung OR sowie eine Po sition PG und einen Verlauf des Teils des Schienenstrangs, auf dem das Schienenfahrzeug 2 gerade unterwegs ist, ermit telt.
Weiterhin umfasst die Hinderniserkennungseinrichtung 80 eine Überwachungsbereich-Ermittlungseinheit 88, welche auf Basis des Überwachungsprofils PR, der Position PS des Überwachungs profils PR, der Position PSF des Schienenfahrzeugs 2 und sei ner Orientierung OR sowie einer Position PG und eines Ver laufs des Teils des Schienenstrangs auf dem das Schienenfahr zeug 2 gerade unterwegs ist, ein Überwachungsvolumen bzw. die Position und die Abmessungen eines Überwachungsbereichs Vö ermittelt.
Die Sensordaten der erfassten Objekte 0 bzw. deren Positionen werden an eine Hindernis-Ermittlungseinheit 83 übermittelt, die auf Basis der Positionen der Objekte 0 sowie der Kenntnis der Position und der Ausdehnung des Überwachungsbereichs Vö ermittelt, welche Objekte 0 mögliche Kollisionshindernisse KH sind. Details der Vorgehensweise hierzu sind im Zusammenhang mit FIG 3 bis FIG 7 erläutert.
Die erfassten Daten zu den ermittelten Kollisionshindernissen KH, wie zum Beispiel deren Position, deren Größenabmessungen und der Abstand der Kollisionshindernisse KH zu dem Schienen fahrzeug 2, werden an eine Antwort-Ermittlungseinheit 84 übermittelt. Die Antwort-Ermittlungseinheit 84 ist dazu ein gerichtet, eine Reaktion R auf die als potentielle Hinder nisse KH eingestuften Objekte 0 in Abhängigkeit von den Grö ßenabmessungen G des jeweiligen Objekts 0, von der Größe des Kollisionsvolumens, mit dem es überschneidet, von dem Abstand zu dem Objekt 0 und von der aktuellen Geschwindigkeit des Schienenfahrzeugs zu ermitteln. In FIG 9 ist eine schematische Darstellung 90 eines Schienen fahrzeugs 2 gemäß einem Ausführungsbeispiel der Erfindung ge zeigt. Das Schienenfahrzeug 2 fährt in FIG 9 gerade auf einem Gleiskörper GK von links nach rechts, d.h. in Pfeilrichtung. Zur Hindernisdetektion umfasst das Schienenfahrzeug 2 eine Hinderniserkennungseinrichtung 80 mit Sensoreinheiten zur Um felderfassung 82 sowie den übrigen Einheiten, die in der in FIG 8 veranschaulichten Art und Weise aufgebaut sind und funktionieren. Wie bereits erläutert, ermittelt die Hinder niserkennungseinrichtung 80 auf Basis von Sensordaten SDL und Kartendaten LK die Position PSF und Orientierung OR des Schienenfahrzeugs 2 sowie die Position PG des Gleiskörpers GK und die Position des Überwachungsbereichs Vu vor dem Schie nenfahrzeug 2. Eine von der Hinderniserkennungseinrichtung 80 ermittelte Reaktion R wird an eine Steuerungseinrichtung 86 des Schienenfahrzeugs 2 übermittelt, welche gemäß der ermit telten Reaktion R das Schienenfahrzeug 2 steuert. Beispiels weise wird ein Warnsignal erzeugt und ein Bremsmanöver einge leitet, um eine Kollision mit einem als Kollisionshindernis KH ermittelten Objekt 0 zu vermeiden.
Es wird abschließend noch einmal darauf hingewiesen, dass es sich bei den vorbeschriebenen Verfahren und Vorrichtungen le diglich um bevorzugte Ausführungsbeispiele der Erfindung han delt 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 Vollständig keit 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.

Claims

Patentansprüche
1. Verfahren zur Hinderniserkennung für ein Schienenfahrzeug (2), aufweisend die Schritte:
- Ermitteln eines Überwachungsbereichs (Vu) vor dem Schienen fahrzeug (2) in Abhängigkeit von
- einer Position (PG) und einem Verlauf eines von dem Schienenfahrzeug (2) befahrenen Gleises (GK) und
- einer Position (PS) und Abmessungen eines Überwachungs profils (PR) des Schienenfahrzeugs (2), wobei
- Sensordaten (SDL, LM) zur Ermittlung der Position (PSF) und/oder Orientierung (OR) des Schienenfahrzeugs (2) er fasst werden und
- die Position (PG) und der Verlauf des von dem Schienen fahrzeug (2) befahrenen Gleises (GK) auf Basis eines Ab- gleichs der ermittelten Position (PSF) und/oder Orientie rung (OR) des Schienenfahrzeugs (2) mit digitalen Karten daten (LK) ermittelt werden,
- sensorielles Erfassen von Objekten (0) in einer Umgebung des Schienenfahrzeugs (2),
- Ermitteln, welche Objekte (0) potentielle Kollisionshinder nisse (KH) sind, durch Prüfen, ob und inwieweit sie sich mit dem Überwachungsbereich (Vu) überschneiden,
- Ermitteln einer Reaktion (R) auf die als potentielle Hin dernisse (KH) eingestuften Objekte (0) in Abhängigkeit von geometrischen und/oder kinetischen Attributen der Objekte (0).
2. Verfahren nach Anspruch 1, wobei eine Kalibrierung der Po sition (PSF) und/oder Orientierung (OR) des Schienenfahrzeugs
(2) erfolgt durch:
- Ermitteln von Positionsdaten von Landmarken (LM, LM1, LM2, LM3) in einer Umgebung des Schienenfahrzeugs (2),
- Vergleichen der Positionsdaten der Landmarken (LM, LM1,
LM2, LM3) mit Positionsdaten (LM, LM1, LM2, LM3) in den di gitalen Kartendaten (LK).
3. Verfahren nach Anspruch 1 oder 2, wobei die Attribute der Objekte (0) mindestens einen der folgenden Attributtypen um fassen:
- die Größenabmessungen und die Fläche des jeweiligen Objekts
(0),
- die Information, mit welchem Volumen es sich überschneidet,
- den Abstand des Schienenfahrzeugs (2) zu dem Objekt (0), und
- die dynamischen Attribute der Objekte (0).
4. Verfahren nach Anspruch 2 oder 3, wobei die Sensordaten umfassen:
- Satellitennavigationsdaten,
- IMU-Daten
- Geschwindigkeitssensordaten,
- Odometriedaten,
- infrastrukturbasierte Positionsdaten,
- in der Umgebung des Schienenfahrzeugs (2) detektierte Merk malsdaten zur Selbstlokalisierung (LM, LM1, LM2, LM3, GK), die mit der digitalen Karte (LK) abgleichbar sind,
- Sensordaten der Umgebung des Schienenfahrzeuges (2) für die Bestimmung von Objektattributen.
5. Verfahren nach Anspruch 4, wobei die Merkmalsdaten zur Selbstlokalisierung umfassen:
- Landmarken (LM, LM1, LM2, LM3),
- den Gleiskörper (GK).
6. Verfahren nach einem der vorstehenden Ansprüche, wobei un terschiedliche Sensordaten kombiniert werden, um die Position (PSF) und/oder Orientierung (OR) des Schienenfahrzeugs (2) in der digitalen Karte zu ermitteln.
7. Verfahren nach einem der Ansprüche 2 bis 6, wobei die Kom bination vorzugsweise mindestens eines der folgenden Verfah ren umfasst:
- eine Filterung durch einen Kalmanfilter oder Partikelfil ter, - graphenbasierte Verfahren,
- eine sensoreigene Filterung, wobei vorzugsweise der Zustand des Schienenfahrzeugs (2) da rauf eingeschränkt wird, dass es sich entlang des Gleiskör pers (GK) bewegt.
8. Verfahren nach einem der vorstehenden Ansprüche, wobei der Schritt des Ermittelns, welche Objekte (0) mögliche Kollisi onshindernisse (KH) sind, umfasst:
- Erzeugen einer Punktwolke (CL) mit Objektpunkten (OP) auf Basis der Sensordaten der Umgebung eines oder mehrerer Sen soren,
- Zerlegen der Punktwolke in einzelne Objekte (0) durch Clus- tering,
- Ermitteln eines Überschneidungsbereichs der einzelnen Ob jekte (0) mit einer Schnittfläche (Fu) des Überwachungsbe reichs (Vu).
9. Verfahren nach Anspruch 8, wobei das Ermitteln des Über schneidungsbereichs der einzelnen Objekte (0) mit der Schnittfläche (Fu) des Überwachungsbereichs (Vu) die Schritte umfasst:
- Ermitteln eines nächsten Objektpunkts (OPN), der gemessen entlang dem befahrenen Gleis (GK) zu dem Schienenfahrzeug (2) am nächsten liegt,
- Zusammenfassen aller Objektpunkte (OP) in einer 2D-Ebene durch Kombination aller Projektionsebenen, die durch jeden Objektpunkt (OPN) verlaufen und orthogonal zum Gleis (GK) orientiert sind, wobei alle Objektpunkte (OP) der Punkt wolke (CL) auf die Projektionsebene (PRE) des nächsten Ob jektpunkts (OPN) projiziert werden,
- Ermitteln von Attributen der einzelnen Objekte (0) auf Ba sis der Teilmenge der Objektpunkte (OP) innerhalb der Schnittfläche (Fu) des Überwachungsbereichs.
10. Hinderniserkennungseinrichtung (80), aufweisend: - eine Überwachungsbereich-Ermittlungseinheit (88) zum Ermit teln eines Überwachungsbereichs (Vu) vor einem Schienen fahrzeug (2) in Abhängigkeit von
- einer Position (PG) und/oder einem Verlauf eines von dem Schienenfahrzeug (2) befahrenen Gleises (GK) und
- einer Position (PS) und/oder Abmessungen eines Überwa chungsprofils (PR) des Schienenfahrzeugs (2), wobei
- Sensordaten (SDL, LM) zur Ermittlung der Position (PSF) und/oder Orientierung (OR) des Schienenfahrzeugs (2) er fasst werden und
- die Position (PG) und/oder der Verlauf des von dem Schie nenfahrzeug (2) befahrenen Gleises (GK) auf Basis eines Abgleichs der ermittelten Position (PSF) und/oder Orien tierung (OR) des Schienenfahrzeugs (2) mit digitalen Kar tendaten (LK) ermittelt werden,
- eine Sensoreinheit (82) zum sensoriellen Erfassen von Ob jekten (0) in der Umgebung des Schienenfahrzeugs (2),
- eine Hindernis-Ermittlungseinheit (83) zum Ermitteln, wel che Objekte (0) mögliche Kollisionshindernisse (KH) sind, durch Prüfen, ob und inwieweit sie sich mit dem Überwa chungsbereich (Vö) überschneiden,
- eine Antwort-Ermittlungseinheit (84) zum Ermitteln einer Reaktion (R) auf die als potentielle Hindernisse (KH) ein gestuften Objekte (0) in Abhängigkeit von geometrischen und/oder kinetischen Attributen der Objekte (0).
11. Schienenfahrzeug (2), aufweisend
- eine Hinderniserkennungseinrichtung (80) nach Anspruch 10,
- eine Steuerungseinrichtung (86) zum Steuern eines Fahrver haltens des Schienenfahrzeugs (2) in Abhängigkeit von einer Reaktion (R), welche von der Hinderniserkennungseirichtung (80) ermittelt wird.
12. Computerprogrammprodukt mit einem Computerprogramm, wel ches direkt in eine Speichereinheit einer Steuereinrichtung (86) eines Schienenfahrzeugs (2) ladbar ist, mit Programmab schnitten, um alle Schritte eines Verfahrens nach einem der Ansprüche 1 bis 9 auszuführen, wenn das Computerprogramm in der Steuereinrichtung (86) ausgeführt wird.
13. Computerlesbares Medium, auf welchem von einer Rech- nereinheit ausführbare Programmabschnitte gespeichert sind, um alle Schritte eines Verfahrens nach einem der Ansprüche 1 bis 9 auszuführen, wenn die Programmabschnitte von der Rech nereinheit ausgeführt werden.
EP22713568.8A 2021-03-26 2022-03-07 Hinderniserkennung für ein schienenfahrzeug Pending EP4277826A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021203014.9A DE102021203014A1 (de) 2021-03-26 2021-03-26 Hinderniserkennung für ein Schienenfahrzeug
PCT/EP2022/055657 WO2022200020A1 (de) 2021-03-26 2022-03-07 Hinderniserkennung für ein schienenfahrzeug

Publications (1)

Publication Number Publication Date
EP4277826A1 true EP4277826A1 (de) 2023-11-22

Family

ID=80979077

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22713568.8A Pending EP4277826A1 (de) 2021-03-26 2022-03-07 Hinderniserkennung für ein schienenfahrzeug

Country Status (4)

Country Link
US (1) US20240174274A1 (de)
EP (1) EP4277826A1 (de)
DE (1) DE102021203014A1 (de)
WO (1) WO2022200020A1 (de)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022210974A1 (de) 2022-10-18 2024-04-18 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Ermitteln einer Kollisionsinformation bezüglich einer Kollisionsgefahr zwischen einem Schienenfahrzeug und einem Objekt
DE102022213909A1 (de) * 2022-12-19 2024-06-20 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Ermitteln einer Kollisionsinformation bezüglich einer Kollisionsgefahr zwischen einem Schienenfahrzeug und einem Objekt
DE102023204912A1 (de) * 2023-05-25 2024-11-28 Siemens Mobility GmbH Dynamische Validierung einer Funktion einer Sensoreinheit eines Schienenfahrzeugs zur Objektlokalisierung
FR3151121B1 (fr) * 2023-07-13 2025-09-05 Gts France Sas Procédé de détection d'obstacles à bord d'une machine adaptée pour se déplacer sur au moins un chemin prédéterminé
CN116878419B (zh) * 2023-09-06 2023-12-01 南京景曜智能科技有限公司 基于三维点云数据的轨道车辆限界检测方法、系统及电子设备
DE102023208728A1 (de) 2023-09-08 2025-03-13 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Kollisionsüberwachung für ein Schienenfahrzeug
CN117325918A (zh) * 2023-11-20 2024-01-02 上海富欣智能交通控制有限公司 隧道内的障碍物检测方法和系统
US12559148B2 (en) * 2023-11-29 2026-02-24 Intramotev Inc. Methods and systems for aggregating and leveraging location-based data generated by train recorder devices
DE102024202878A1 (de) 2024-03-26 2025-10-02 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben eines Schienenfahrzeugs und Assistenzsystem für ein Schienenfahrzeug
DE102024203289A1 (de) * 2024-04-10 2025-10-16 Siemens Mobility GmbH Verfahren und Einrichtungen zum Betreiben eines Schienenfahrzeugs
TWI900207B (zh) * 2024-09-03 2025-10-01 國立臺北科技大學 列車行駛警示方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004050690A1 (de) * 2004-10-18 2006-04-20 Siemens Ag Verfahren, Computer-Programm mit Programm-Code-Mitteln, Computer-Programm-Produkt und Gerät zur Modellierung der Umwelt eines autonomen mobilen Systems
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
DE102014206473A1 (de) 2014-04-03 2015-10-08 Bombardier Transportation Gmbh Automatische Assistenz eines Fahrers eines fahrspurgebundenen Fahrzeugs, insbesondere eines Schienenfahrzeugs
JP6275351B1 (ja) * 2016-12-28 2018-02-07 株式会社オプティム 事故防止システム、方法及びプログラム
DE102018201531A1 (de) 2018-02-01 2019-08-01 Knorr-Bremse Systeme für Schienenfahrzeuge GmbH Verfahren zum Erkennen eines Fahrschlauchs bei schienengebundenen Fahrzeugen
CN112230245B (zh) * 2020-09-21 2022-06-28 卡斯柯信号有限公司 一种基于激光雷达的隧道内列车主动障碍物检测系统及方法
EP4267916A4 (de) * 2020-12-23 2024-11-13 Clearmotion, Inc. Fahrzeuglokalisierungssysteme und -verfahren

Also Published As

Publication number Publication date
US20240174274A1 (en) 2024-05-30
WO2022200020A1 (de) 2022-09-29
DE102021203014A1 (de) 2022-09-29

Similar Documents

Publication Publication Date Title
EP4277826A1 (de) Hinderniserkennung für ein schienenfahrzeug
EP3253634B1 (de) Verarbeiten von sensordaten für ein fahrerassistenzsystem
EP4025470A1 (de) Querführung eines fahrzeugs mittels von anderen fahrzeugen erfassten umgebungsdaten
DE112020005275T5 (de) Systeme und verfahren zur selektiven verzögerung eines fahrzeugs
EP3160813A2 (de) Verfahren zur erstellung eines umfeldmodells eines fahrzeugs
DE102016208282A1 (de) Fahrzeugsteuerungsvorrichtung
DE102018125207A1 (de) Fahrzeuginterne verkehrsassistenz
WO2007096273A1 (de) Verfahren zur rechnergestützten überwachung des betriebs eines einen vorgegebenen streckenverlauf fahrenden fahrzeugs, insbesondere eines spurgebundenen schienenfahrzeugs
DE102019115057A1 (de) Fahrerassistent
DE102021128727A1 (de) Geisterpunktfilterung
DE102008041679A1 (de) Vorrichtung und Verfahren zur erinnerungsbasierten Umfelderkennung
DE112022003364T5 (de) Komplementäres steuersystem für ein autonomes fahrzeug
DE102016224212A1 (de) Automatisierte Freiraumerkennung mittels Differenzanalyse für Fahrzeuge
EP3105093A1 (de) Verfahren zum betrieb eines sicherheitssystems eines kraftfahrzeugs
WO2023036545A1 (de) Verfahren und steuerschaltung zum überprüfen, ob ein aktuell aktiver fahrmodus innerhalb seiner odd betrieben wird, sowie system und backend-server
WO2021239531A1 (de) Assistent für rettungsgasse
DE102021119871A1 (de) Verfahren und Prozessorschaltung zum Betreiben einer automatisierten Fahrfunktion mit Objektklassifikator in einem Kraftfahrzeug, sowie Kraftfahrzeug
DE102022127788A1 (de) Optimale planung zum fahren an die seite bei rettungsfahrzeugsirenendetektion
DE102020127206A1 (de) Prozess und system zur gemeinsamen nutzung von sensoren für einen autonomen fahrspurwechsel
EP4029758A1 (de) Sicherheitskritische bordseitige überwachung der umgebung eines schienenfahrzeugs
DE102005058628A1 (de) Navigationssystem und Verfahren
WO2022268375A1 (de) Hindernisdetektion im gleisbereich auf basis von tiefendaten
DE102020005763A1 (de) Verfahren zur Steuerung eines Fahrzeugs
DE102022210974A1 (de) Verfahren zum Ermitteln einer Kollisionsinformation bezüglich einer Kollisionsgefahr zwischen einem Schienenfahrzeug und einem Objekt
DE102023210965A1 (de) Integriertes Steuersystem für autonomes Fahren

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: 20230818

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

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
RAP3 Party data changed (applicant data changed or rights of an application transferred)

Owner name: SIEMENS MOBILITY GMBH