EP4731493A1 - Hindernisdetektion im gleisbereich durch kombination von streckenverlaufsdaten und bilddaten - Google Patents

Abstract

Es wird ein Verfahren zur Hinderniserkennung für ein Schienenfahrzeug (61) beschrieben. Bei dem Verfahren zur Hinderniserkennung für ein Schienenfahrzeug (61) werden Bilddaten (BD) von einem Umgebungsbereich (U) des Schienenfahrzeugs (61) erfasst. Es werden Schienen (S) in dem Umgebungsbereich (U) lokalisiert und detektiert. Weiterhin erfolgt ein Ermitteln von Segmentierungsdaten (SD) auf Basis der detektierten und lokalisierten Schienen (S). Die Bilddaten (BD) und der Segmentierungsdaten (SD) werden in ein Basismodell für computerbasiertes Sehen (VFM), welches Ergebnissegmente (ES) erzeugt, eingegeben. Die Ergebnissegmente (ES) des Basismodells für computerbasiertes Sehen (VFM) können als möglicherweise auftretende Hindernisse (H) aufgefasst werden. Es wird auch eine Hinderniserkennungseinrichtung (50) beschrieben. Ferner wird ein Schienenfahrzeug (61) beschrieben.

Description

Beschreibung

Hindernisdetektion im Gleisbereich durch Kombination von Streckenverlaufsdaten und Bilddaten

Die Erfindung betri f ft ein Verfahren zur Hinderniserkennung für ein Schienenfahrzeug . Außerdem betri f ft die Erfindung eine Hinderniserkennungseinrichtung für ein Schienenfahrzeug . Überdies betri f ft die Erfindung ein Schienenfahrzeug .

Im Schienenverkehr kommt es gelegentlich vor, dass Obj ekte , wie zum Beispiel Personen oder Straßenfahrzeuge , Einkaufswagen, die auf die Schienen geworfen wurden, oder auch Felsbrocken oder umgestürzte Bäume , auf den Gleiskörper geraten und daher eine Gefahr für die Sicherheit des Schienenverkehrs darstellen und im Fall der Personen und Straßenfahrzeuge aufgrund der Möglichkeit einer Kollision mit einem fahrenden Schienenfahrzeug auch selbst hochgradig gefährdet werden . Daher müssen solche Obj ekte rechtzeitig erkannt werden, um für ein sich näherndes Schienenfahrzeug einen Bremsvorgang einzuleiten, so dass ein Zusammenstoß zwischen dem Schienenfahrzeug und den erkannten Obj ekten verhindert werden kann .

Mithin ist eine Detektion von möglichen Hindernissen j eglicher Form oder Gestalt , welche die Schienen blockieren, eine sicherheitskritische Notwendigkeit für alle Arten von Schienenfahrzeugen . Die Detektion von Hindernissen spielt insbesondere eine entscheidende Rolle bei dem autonomen Fahren oder bei der automatisierten Assistenz der Steuerung von Schienenfahrzeugen . Es gibt viele Lösungsansätze für dieses Problem, wobei auf künstlicher Intelligenz ( abgekürzt mit KI ) basierende Lösungsansätze am vielversprechendsten sind .

In den letzten Jahren haben Deep Learning ( DL ) -basierte Ansätze für Computer Vision eine überlegene Leistung gegenüber klassischen Ansätzen auf Basis von manuellem Feature-Engineering gezeigt und sind daher besonders geeignet bzw . vielversprechend, um auch den Heraus forderungen im Bereich des automatischen Zugbetriebs , insbesondere der Erkennung und Wahrnehmung von Hindernissen in der Umgebung fahrerloser Schienenfahrzeuge, zu begegnen. Für komplexe Szenarien, die eine anspruchsvolle Wahrnehmung erfordern (z. B. fahrerloses Fahren auf der Schiene) , ist es abzusehen, dass sie ohne die Hilfe von DL nicht bewältigt werden können.

Eine besondere Aufgabe, die sich als äußerst anspruchsvoll, aber gleichzeitig äußerst wichtig für sicheres autonomes Fahren erwiesen hat, ist die generische Hinderniserkennung: das Erkennen von Hindernissen jeglicher Art für den fahrenden Zug, die ein Sicherheitsrisiko darstellen würden.

Die Herausforderung dieser Aufgabe liegt in der Art und Weise, wie Kl-Systeme üblicherweise trainiert werden: Objektklassen und -typen, die klassifiziert, erkannt oder segmentiert werden müssen, müssen Teil eines annotierten Trainingsdatensatzes sein, damit das Kl-Modell aus den Bilddaten lernen kann, wie das Objekt aussieht. Typische Kl-Modelle, die explizit auf Domänendatensätze trainiert werden, können jedoch nicht in dem Sinne generisch sein, dass sie Objekte jeder Klasse oder jedes Typs erkennen könnten.

Bisher gibt es keinen vollständig generischen Ansatz für dieses Problem. Es wurde entweder versucht, das Problem durch überwachtes Lernen zu lösen, bei dem alle Objekttypen und Objektklassen, die als Hindernisse auftreten könnten, explizit gelernt werden, oder das Problem wurde als Anomalieerkennungsproblem gestellt. Bei dem Ansatz mit einer Anomalieerkennung wird beispielsweise vorgeschlagen, rekonstruktionsbasierte Methoden (z. B. unter Verwendung eines Variational Auto Enkodierers (zu Deutsch etwas „Variations-Autoenkodie- rer") zu verwenden, um das Eingabebild zu rekonstruieren, und Bereiche mit schlechter Rekonstruktion würden als Anomalie gekennzeichnet und könnten somit als Hindernis betrachtet werden. Bei anderen Ansätzen wird versucht, Hindernisse durch die Berechnung pixelweiser Unsicherheiten über ein Bild zu erkennen. Bereiche mit hoher Unsicherheit weisen dann auf ein mögliches Hindernis hin. Allerdings haben diese Modelle und Ansätze bisher keine zufriedenstellende Leistung über das Prototypenniveau hinaus gezeigt .

Es besteht also die Aufgabe , ein Verfahren und eine Vorrichtung zur generalisierten Erkennung von Hindernissen für Schienen fahr zeuge bereitzustellen .

Diese Aufgabe wird durch ein Verfahren zur Hinderniserkennung für ein Schienenfahrzeug gemäß Patentanspruch 1 , eine Hinderniserkennungseinrichtung gemäß Patentanspruch 11 und ein Schienenfahrzeug gemäß Patentanspruch 12 gelöst .

Bei dem erfindungsgemäßen Verfahren zur Hinderniserkennung für ein Schienenfahrzeug werden Bilddaten von einem Umgebungsbereich des Schienenfahrzeugs erfasst . Der Umgebungsbereich umfasst mindestens den Lichtraumbereich des in Fahrtrichtung vor dem Schienenfahrzeug befindlichen Gleiskörpers und entsprechende Randbereiche als Sicherheitsbereiche , in denen sich aus Sicherheitsgründen auf keinen Fall ein Hindernis befinden sollte . Weiterhin werden Schienen in dem Umgebungsbereich detektiert und lokalisiert . Diese Schienen umfassen vorzugsweise die in Fahrtrichtung verlaufenden zu dem Gleiskörper gehörenden Schienen, welchen das Schienenfahrzeug aktuelle befährt . Es können aber mit dem erfindungsgemäßen Verfahren zusätzlich zu dem befahrenen Schienenstrang benachbarte Schienenstränge überwacht werden . Auf Basis der detek- tierten und lokalisierten Schienen werden Segmentierungsdaten ermittelt . Die Bilddaten und die Segmentierungsdaten werden in ein Basismodell für computerbasiertes Sehen, welches Ergebnissegmente erzeugt , eingegeben . Für den Fall , dass ein Hindernis detektiert wurde , wird ein Ergebnissegment als Bereich, welcher ein detektiertes Hindernis umfasst , ausgegeben . Die Ergebnissegmente können als Endergebnis verwendet werden .

Optional werden das oder gegebenenfalls die Ergebnissegmente des Basismodells für computerbasiertes Sehen als Kandidaten- Segmente für ein möglicherweise auftretendes Hindernis verwendet . Bei dieser vorteilhaften Ausgestaltung werden aus den Kandidaten-Segmenten falschpositive Kandidaten-Segmente KI-basiert aussortiert . Vorteilhaft können aufgrund der zusätzlichen Prüfung Hindernisse noch zuverlässiger und robuster erkannt werden .

Die erfassten Bilddaten, welche vorzugsweise durch eine Sensoreinheit , besonders bevorzugt durch eine Bildaufnahmeeinheit , ganz besonders bevorzugt durch eine Kamera erfasst werden, umfassen 2D-Bilddaten und/oder 3D-Bilddaten von einem Umgebungsbereich des Schienenfahrzeugs .

Die bildlich erfasste Umgebung des Schienenfahrzeugs umfasst bevorzugt einen vor dem Schienenfahrzeug verlaufenden Fahrkanal des Schienenfahrzeugs .

Werden zunächst 3D-Bilddaten erfasst , so können diese auch in 2D-Bilddaten umgewandelt werden, in dem sie auf eine 2D-Ebene proj i ziert werden, deren Orientierung vorzugsweise mit der Sichtperspektive des Schienenfahrzeugs bzw . der Sensoreinheit der Überwachung der Umgebung des Schienenfahrzeugs übereinstimmt . Auch bevorzugt umfasst diese Sichtperspektive die Perspektive eines aus dem Schienenfahrzeug nach vorne bzw . in Fahrtrichtung schauenden Fahrers und/oder die Perspektive , mit der zumindest ein Teil der Sensoren, welche bevorzugt in Fahrtrichtung bzw . in Richtung der Längsachse des Schienenfahrzeugs ausgerichtet sind, den Umgebungsbereich erfasst .

Wie bereits erwähnt , werden in den Bilddaten, vorzugsweise 2D-Bilddaten, Schienen detektiert und lokalisiert . Ein Verfahren zur Schienendetektion ist beispielsweise in der Anmeldung DE 10 2020 215 754 . 5 beschrieben . Für die Detektion und Lokalisierung von Schienen eignen sich insbesondere auf maschinellem Lernen und insbesondere auf Deep-Learning basierende Systeme , welche anhand von Bilddaten einen Schienenstrang identi fi zieren und lokalisieren können . Ein solches System kann konventionell durch ein Deep-Learning basiertes Segmentierungsmodell ausgestaltet sein, welches eine pixelweise binäre Klassi fikation bereitstellt , welche darüber Auskunft gibt , ob ein Pixel eines Bildes Teil eines Schienenstrangs ist oder nicht . Ein sich besonders eignendes KI- basiertes System ist ein sogenanntes U-netz förmiges faltendes neuronales Netzwerk ( im Englischen „U-Net Convolutional Neural Network" ) , welches für die Aufgabe einer systematischen Segmentierung von Schienen trainiert wurde . Dieses Modell hat bessere Schienensegmentierungseigenschaften als ein generisches KI-basiertes Modell zur Obj ektdetektion, wie zum Beispiel das bereits erwähnte Basismodell für computerbasiertes Sehen, da es speziell auf die Detektion und Segmentierung von Schienen und Schienensträngen trainiert wurde . Um trotzdem alle möglichen Typen von Obj ekten als Hindernisse detektieren zu können, werden die Ergebnisse der Schienendetektion und Schienenlokalisierung mit den Ergebnissen des Basismodells für computerbasiertes Sehen kombiniert .

Die Kombination aus Schienenerkennung und Obj ekterkennung bei dem erfindungsgemäßen Verfahren erlaubt es , alle Arten von Hindernissen j eglicher Form und Gestalt zu detektieren, da sich das Basismodell für computerbasiertes Sehen für eine generische Obj ekterkennung besonders gut eignet und dessen Schwäche bei der Schienenerkennung durch die Kombination mit einer zusätzlichen gesonderten Schienenerkennung kompensiert wird . Wie bereits erwähnt , kann für die Schienendetektion ein auf maschinellem Lernen basierendes Verfahren angewendet werden, das durch ein Trainingsverfahren in die Lage versetzt wird, Schienen in Bilddaten zu detektieren .

Die Schienenerkennung erfolgt bevorzugt alternativ oder zusätzlich auch durch Selbstlokalisierung und die Hinzuziehung der Informationen von digitalen Landkartendaten sowie durch Einbeziehung der Kenntnis der intrinsischen Parameter einer für die Erfassung der Bilddaten genutzten Sensoreinheit . Digitale Landkarten umfassen Informationen über die stationäre Eisenbahninfrastruktur, wie zum Beispiel Masten, Signale , Weichen und Schienen . Indem der Standort des Schienenfahrzeugs in der digitalen Landkarte durch eine Selbstlokalisierung, vorzugsweise eine satellitenbasierte Selbstlokalisierung, ermittelt wird, ist es möglich, die Position bzw . den Verlauf der von dem Schienenfahrzeug befahrenen Schienen in der digitalen Landkarte zu ermitteln . Ein dreidimensionaler Verlauf der Schienen kann bei Kenntnis der intrinsischen Parameter einer Sensoreinheit zur Erfassung der Bilddaten von der Umgebung in diese Bilddaten hineinproj iziert werden, so dass die Schienen in den Bilddaten lokalisiert und detektiert werden . Intrinsische Parameter dienen der Ermittlung des Zusammenhangs zwischen dem Kamerakoordinatensystem und dem Bildkoordinatensystem . Intrinsische Parameter umfassen die Brennweite und das optische Zentrum der Bildebene .

Das erwähnte Basismodell für computerbasiertes Sehen ( im Englischen auch als „Vision Foundation model" ) wird bevorzugt als sogenanntes „SAM" (Abkürzung für „Segment Anything Model" , zu Deutsch etwa „generalisiertes Segmentierungsmodell" ) ausgestaltet . Ein solches Modell wird von META Research unter der Internet-Adresse https : / / segment-anything , com bereitgestellt . Das Modell umfasst einen Enkodierer, der ein Eingabebild in einen abstrakten Merkmalsvektor enkodiert . Neben dem Eingang bzw . Enkodierer für Bilddaten umfasst das Modell auch einen Eingang für Segmente oder Punkte als sogenannte Prompts , welche erfindungsgemäß auf Basis eines auf die Schienenerkennung spezialisierten KI-basierten Modells ermittelt wurden .

Der abstrakte Merkmalsvektor des Eingabebilds wird dann mit einem enkodierten Prompt in einem Dekodierer kombiniert , um ein geeignetes Ergebnis zu erzeugen . Das Prompt kann insbesondere Punkte , Segmentierungsmasken oder Begrenzungsrahmen ( im Englischen „bounding box" ) , aufweisen für die unterschiedliche Enkodierer genutzt werden . Besonders bevorzugt sind für die erfindungsgemäße Anwendung des Basismodells für computerbasiertes Sehen Segmentierungsmasken oder Punktgitter, um heraus zufinden, ob sich Obj ekte , insbesondere Hindernisse , mit den Schienen überschneiden . Da eine Lokalisierung von Schienen durch das Basismodell für computerbasiertes Sehen nicht sonderlich exakt ist , wird die Detektion und Lokalisierung der Schienen gesondert durchgeführt und das Ergebnis über die Eingabe der Prompts , d . h . die auf den Prompts basierenden abstrakten Merkmalsvektoren anschließend mit den enkodierten Bilddaten bzw . den auf den Bilddaten basierenden abstrakten Merkmalsvektoren fusioniert . Hierfür werden die j eweiligen Merkmalsvektoren in einen sogenannten Lighweight- Maskendekodierer , welcher ebenfalls Teil des Basismodells für computerbasiertes Sehen ist , eingegeben . Dieser Lighweight- Maskendekodierer erzeugt auf Basis der Merkmalsvektoren aus unterschiedlichen Datenquellen eine Liste von Segmentmasken oder Begrenzungsrahmen der detektierten Obj ekte , welche sich mit den Schienensegmenten überschneiden . Neben den Bilddaten werden dem Basismodell für computerbasiertes Sehen also auch Informationen über die Position der Schienen gegeben, so dass diese Informationen von dem Basismodell für computerbasiertes Sehen nicht mehr ermittelt werden müssen . Aufgrund der Nutzung dieser Zusatzinformation wird die Robustheit des Basismodells für computerbasiertes Sehen erhöht .

Um die Hinderniserkennung noch robuster zu machen, folgt der Anwendung des Basismodells für computerbasiertes Sehen vorzugsweise eine Anwendung eines weiteren Modells , welches die Ergebnisse des Basismodells für computerbasiertes Sehen prüft bzw . validiert . Hierfür werden die von dem Basismodell ausgegebenen Ergebnissegmente , d . h . insbesondere die Kandidaten- Segmente , daraufhin geprüft , ob es sich um Obj ekte oder die Schienen selbst handelt . Diese Klassi fi zierung in Schienen und Nicht-Schienen erfolgt bevorzugt durch ein hochspezialisiertes KI-basiertes Modell , vorzugsweise ein hochspezialisiertes künstliches neuronales Netzwerk oder ein auf maschinellem Lernen basierendes Modell . Vorteilhaft wird die Robustheit der Hinderniserkennung weiter verbessert .

Die erfindungsgemäße Hinderniserkennungseinrichtung weist eine Sensordatenschnittstelle zum Erfassen von Bilddaten von einem Umgebungsbereich eines Schienenfahrzeugs auf . Wie bereits erläutert , können die Bilddaten von einer Sensoreinheit , insbesondere von einer Kamera von der Umgebung des Schienenfahrzeugs generiert und an die Sensordatenschnittstelle weitergegeben werden .

Teil der erfindungsgemäßen Hinderniserkennungseinrichtung ist auch eine Lokalisierungseinheit zum Detektieren und Lokalisieren von Schienen in dem Umgebungsbereich . Die Lokalisierungseinheit umfasst hierzu technische Mittel zu Ermittlung der Position der Schienen . Die Lokalisierung kann entweder direkt auf Basis der Bilddaten erfolgen oder auf Basis von Zusatzinformationen, welche durch zusätzliche Messungen, insbesondere durch Selbstlokalisierung ermittelt werden .

Die erfindungsgemäße Hinderniserkennungseinrichtung weist auch eine Segmentierungseinheit zum Ermitteln von Segmentierungsdaten auf Basis der detektierten und lokalisierten Schienen auf . Diese Segmentierungsdaten umfassen Bildsegmente der von dem Umgebungsbereich erfassten Bilddaten .

Teil der erfindungsgemäßen Hinderniserkennungseinrichtung ist auch ein Basismodell für computerbasiertes Sehen . Das Basismodell umfasst eine Eingabeeinheit zum Eingeben der Bilddaten und der Segmentierungsdaten in das Basismodell für computerbasiertes Sehen . Diese Eingabeeinheit umfasst einen sogenannten Prompt-Enkodierer , welcher einen abstrakten Merkmalsvektor auf Basis der Segmentierungsdaten, welche die Positionen der Schienen umfassen, generiert , und einen Bilddaten-Enko- dierer, welcher einen abstrakten Merkmalsvektor auf Basis der Bilddaten generiert .

Die erfindungsgemäße Hinderniserkennungseinrichtung und insbesondere das Basismodell für computerbasiertes Sehen der erfindungsgemäßen Hinderniserkennungseinrichtung umfasst auch eine Datenfusionseinheit zum Generieren eines Ergebnissegments des Basismodells für computerbasiertes Sehen als Bereich, welcher ein detektiertes Hindernis umfasst , für den Fall , dass ein Hindernis detektiert wurde . Das Ergebnissegment wird vorzugsweise als Endergebnis verwendet . Alternativ wird das Ergebnissegment als Kandidaten-Segment für eine anschließende Prüfung und Validierung des Ergebnissegments verwendet .

Die Datenfusionseinheit umfasst vorzugsweise einen hochper- formanten Masken-Dekodierer , insbesondere einen Lightweight- Enkodierer, mit dem Obj ekte , welche im Bereich der Schienen detektiert wurden, segmentiert werden .

Soll das Ergebnissegment als Kandidaten-Segment für eine anschließende Prüfung verwendet werden, so weist das erfindungsgemäße Hinderniserkennungseinrichtung vorzugsweise eine Klassi fi zierungseinheit zum KI-basierten Aussortieren von falschpositiven Kandidaten-Segmenten aus den Kandidaten-Seg- menten auf , um die Hinderniserkennung noch robuster zu machen . Die erfindungsgemäße Hinderniserkennungseinrichtung teilt die Vorteile des erfindungsgemäßen Verfahrens zur Hinderniserkennung für ein Schienenfahrzeug .

Das erfindungsgemäße Schienenfahrzeug weist eine Sensoreinheit zum Erfassen von Bilddaten von der Umgebung des Schienenfahrzeugs auf . Zudem umfasst das erfindungsgemäße Schienenfahrzeug die erfindungsgemäße Hinderniserkennungseinrichtung . Weiterhin weist das erfindungsgemäße Schienenfahrzeug eine Steuerungseinrichtung zum Steuern eines Fahrverhaltens des Schienenfahrzeugs in Abhängigkeit davon, ob von der Hinderniserkennungseinrichtung ein Hindernis in der Umgebung des Schienenfahrzeugs erkannt wurde , auf . Das erfindungsgemäße Schienenfahrzeug teilt die Vorteile der erfindungsgemäßen Hindernis er kennungseinrichtung .

Einige Komponenten der erfindungsgemäßen Hinderniserkennungseinrichtung können zum überwiegenden Teil in Form von Softwarekomponenten, welche von einem Prozessor eines Rechensystems eines Schienenfahrzeugs ausgeführt werden, ausgebildet sein . Dies betri f ft insbesondere die Sensordatenschnittstelle , die Lokalisierungseinheit , die Segmentierungseinheit , das Basismodel für computerbasiertes Sehen, die Eingabeeinheit , die Datenfusionseinheit und die optionale Klassi fi zierungseinheit .

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 zusätzliche Hardwareelemente , wie zum Beispiel eine Sensoreinheit , insbesondere eine Bildkamera, auf einfache Weise durch ein Software-Update nachgerüstet werden können, um auf die erfindungsgemäße Weise zu arbeiten . Insofern wird die Aufgabe auch durch ein entsprechendes Computerprogrammprodukt mit einem Computerprogramm gelöst , welches direkt in eine Speichereinrichtung eines solchen Rechnersystems ladbar ist , mit Programmabschnitten, um die durch Software realisierbaren Schritte des erfindungsgemäßen Verfahrens aus zuführen, wenn das Computerprogramm in dem Rechnersystem ausgeführt wird .

Ein solches Computerprogrammprodukt kann neben dem Computerprogramm gegebenenfalls zusätzliche Bestandteile , wie z . B . eine Dokumentation und/oder zusätzliche Komponenten, auch Hardware-Komponenten, wie z . B . Hardware-Schlüssel ( Dongles etc . ) zur Nutzung der Software , umfassen

Zum Transport zur Speichereinrichtung des Rechnersystems und/oder zur Speicherung an dem Rechnersystem kann ein computerlesbares Medium, beispielsweise ein Memorystick, eine Festplatte oder ein sonstiger transportabler oder fest eingebauter Datenträger dienen, auf welchem die von einer Rechnereinheit einlesbaren und aus führbaren Programmabschnitte des Computerprogramms gespeichert sind . Die Rechnereinheit kann z . B . hierzu einen oder mehrere zusammenarbeitende Mikroprozessoren oder dergleichen aufweisen .

Die abhängigen Ansprüche sowie die nachfolgende Beschreibung enthalten j eweils besonders vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung . Dabei können insbesondere die Ansprüche einer Anspruchskategorie auch analog zu den abhängigen Ansprüchen einer anderen Anspruchskategorie und deren Beschreibungsteilen weitergebildet sein . Zudem können im Rahmen der Erfindung die verschiedenen Merkmale unterschiedlicher Aus führungsbeispiele und Ansprüche auch zu neuen Aus führungsbeispielen kombiniert werden .

In einer Ausgestaltung des erfindungsgemäßen Verfahrens zur Hinderniserkennung für ein Schienenfahrzeug umfassen die von dem Umgebungsbereich erfassten Bilddaten 2D-Bilddaten . Vorteilhaft ist die zu verarbeitende Datenmenge im Vergleich zu 3D-Bilddaten stark reduziert und die Detektion und Lokalisierung von Schienen und Hindernissen im Bereich der Schienen aufgrund der geringeren Datenmenge vereinfacht .

In einer Variante des erfindungsgemäßen Verfahrens werden die Bilddaten als 3D-Bilddaten durch eine Stereokamera erfasst . Vorteilhaft können direkt 3D- Informationen von der Umgebung eines Schienenfahrzeugs erfasst werden . 3D- Informationen haben den Vorteil , dass Abstände von Obj ekten zu dem Schienenfahrzeug leichter ermittelbar sind .

Die 3D-Bilddaten können auch durch eine Mono-Kamera dynamisch erfasst werden . Bei dieser Variante werden Bilddaten aus unterschiedlichen Richtungen erfasst und es wird ein 3D-Bild aus diesen Bilddaten erzeugt . Vorteilhaft muss keine technisch aufwändige Stereokamera mitgeführt werden . Bevorzugt umfassen die 3D-Bilddaten RGB-Daten . Vorteilhaft können Farbunterschiede für die Unterscheidung von Obj ekten und Bildabschnitten genutzt werden .

In einer Ausgestaltung des erfindungsgemäßen Verfahrens zur Hinderniserkennung für ein Schienenfahrzeug erfolgt das De- tektieren und Lokalisieren von Schienen durch eine spezi fische KI-basierte Identi fi zierung der Schienen in den erfassten Bilddaten . Vorteilhaft können Bilddaten KI-basiert segmentiert werden, um Bildabschnitte , in denen Schienen verlaufen, von anderen Bildabschnitten zu trennen . Insbesondere erlaubt eine spezi fische Detektion und Lokalisierung der Schienen eine robustere Trennung der Schienen von anderen erkannten Obj ekten . Mithin können potenzielle falsch-positive Hindernisse leichter als Schienen erkannt werden . Da generalisiert arbeitende Obj ekterkennungsverfahren meist Probleme haben, Hindernisse von Schienen zu unterscheiden, kann mit einer Schienenerkennung eine Schienenlokalisierung und Segmentierung zuverlässiger und robuster erfolgen .

Für die KI-basierte Identi fi zierung der Schienen eignen sich Verfahren besonders , welche auf Basis maschinellen Lernens erfolgen und leicht auf gewisse Obj ekte , wie zum Beispiel Schienen, trainierbar sind .

In einer Variante des erfindungsgemäßen Verfahrens zur Hinderniserkennung für ein Schienenfahrzeug wird die Lokalisierung der Schienen durch semantische Segmentierung auf Deep- Learning, als eine spezielle Form des maschinellen Lernens , basierend durchgeführt . Bei der semantischen Segmentierung werden Pixel in Klassen eingeteilt . Bei einem Trainingsprozess wird j eder Pixel annotiert . Pixel von Schienensträngen werden in zwei Klassen eingeteilt , welche sich auf den Vordergrund bzw . den Hintergrund des Bildes beziehen . Vorteilhaft können Schienen vom Hintergrund der Bilddaten separiert und segmentiert werden . Alternativ oder kombiniert mit der vorstehend beschriebenen Methode erfolgt die Detektion und Lokalisierung der Schienen auf Basis

- einer digitalen Landkarte ,

- einer Selbstlokalisierung des Schienenfahrzeugs und

- der Kenntnis der intrinsischen Parameter einer für die Erfassung der Bilddaten verwendeten Sensoreinheit , insbesondere einer Kamera .

Vorteilhaft werden Zusatzinformationen über den Umgebungsbereich des Schienenfahrzeugs und den Aufenthaltsort des Schienenfahrzeugs sowie die Pose der für die Erfassung der Bilddaten von der Umgebung des Schienenfahrzeugs genutzten Sensoreinheit für eine Lokalisierung der Schienen in den erfassten Bilddaten genutzt .

Umfassen die erfassten Bilddaten 2D-Bilddaten, so wird bevorzugt auf Basis der digitalen Landkarte und der Selbstlokali- sierung ein 3D-Modell von dem Umgebungsbereich des Schienenfahrzeugs generiert . Die Schienen werden in dem 3D-Modell de- tektiert und lokalisiert und das 3D-Modell wird auf Basis der Kenntnis der intrinsischen Parameter der für die Erfassung der Bilddaten verwendeten Sensoreinheit auf ein 2D-Modell proj i ziert . Schließlich werden die Segmentierungsdaten auf Basis des 2D-Modells ermittelt . Wie bereits erläutert , dienen intrinsische Parameter der Wiederherstellung des Zusammenhangs zwischen einem Kamerakoordinatensystem und dem Bildkoordinatensystem . Derartige Parameter umfassen die Brennweite und das optische Zentrum in der Bildebene der Bilddaten .

Bei dem erfindungsgemäßen Verfahren umfasst das Basismodell für computerbasiertes Sehen vorzugsweise einen Bild-Enkodie- rer und einen Prompt-Enkodierer und die von dem Umgebungsbereich erfassten Bilddaten werden in den Bild-Enkodierer eingegeben und die Segmentierungsdaten werden als Promptdaten in den Prompt-Enkodierer eingegeben . Dabei werden die Bilddaten in einen abstrakten Merkmalsvektor überführt und die Segmentierungsdaten werden in einen abstrakten Merkmalsvektor überführt . Die abstrakten Merkmalsvektoren lassen sich als Eingangsvektoren für ein KI-basiertes Modell einsetzen .

Besonders bevorzugt umfasst das Basismodell für computerbasiertes Sehen einen hochperf ormanten Masken-Dekodierer mit reduzierter Anzahl von Eingangsparametern, welcher auf Basis der enkodierten Promptdaten des Prompt-Enkodierers und der enkodierten Bilddaten die Ergebnissegmente , insbesondere Kan- didaten-Segmente , für ein möglicherweise auftretendes Hindernis erzeugt . Dieser hochperf ormante Masken-Dekodierer führt die Informationen der Ausgangsdaten der Schienendetektion und der Bildauswertung zusammen . Aufgrund einer reduzierten Anzahl von Eingabeparametern ist dieser Masken-Dekodierer besonders leistungs fähig . Ein solcher hochperf ormanter Maskendekodierer ist in der Dokumentation von „SAM" unter der Internet-Adresse https : / / segment-anything , com beschrieben .

Besonders bevorzugt wird das KI-basierte Aussortieren von falschpositiven Ergebnissegmenten, insbesondere Kandidaten- Segmenten, aus den Ergebnissegmenten, insbesondere Kandida- ten-Segmenten, durch ein KI-basiertes Modell eines der folgenden Modelltypen durchgeführt :

- ein auf maschinellem Lernen basierendes Verfahren,

- eine Stützvektormaschine ,

- ein Entscheidungsbaum oder Entscheidungswald,

- eine Klassi fi zierung nächster Nachbarn .

Je nach Anwendungsbereich kann durch empirische Evaluierung der Modelle einer der vorstehenden Ansätze als besonders effektiv und präzise ermittelt werden und für diesen Anwendungsbereich ausgewählt werden .

Die Erfindung wird im Folgenden unter Hinweis auf die beigefügten Figuren anhand von Aus führungsbeispielen noch einmal näher erläutert . Es zeigen : FIG 1 ein Flussdiagramm, welches ein Verfahren zur Hinderniserkennung für ein Schienenfahrzeug gemäß einem Aus führungsbeispiel der Erfindung veranschaulicht ,

FIG 2 eine schematische Darstellung von Bilddaten, die bei dem in FIG 1 veranschaulichten Verfahren erfasst werden,

FIG 3 eine schematische Darstellung von den bereits in FIG 2 veranschaulichten Bilddaten ähnlichen Bilddaten, wobei unterschiedliche Obj ekte im Schienenbereich detektiert wurden,

FIG 4 eine schematische Darstellung einer Hinderniserkennung gemäß einem Aus führungsbeispiel der Erfindung und der dabei verwendeten Modelle und Daten,

FIG 5 eine schematische Darstellung einer Hinderniserkennungseinrichtung gemäß einem Aus führungsbeispiel der Erfindung,

FIG 6 eine schematische Darstellung eines Schienenfahrzeugs gemäß einem Aus führungsbeispiel der Erfindung .

In FIG 1 ist ein Flussdiagramm 100 gezeigt , welches ein Verfahren zur Hinderniserkennung für ein Schienenfahrzeug gemäß einem Aus führungsbeispiel der Erfindung veranschaulicht .

Bei dem Schritt 1 . 1 werden dreidimensionale farbige Bilddaten BD, auch als RGB-Bilddaten bezeichnet , von der Umgebung bzw . einem Umgebungsbereich U vor einem Schienenfahrzeug 61 ( siehe FIG 6 ) erfasst . Die Erfassung der Bilddaten BD erfolgt durch eine an dem Schienenfahrzeug 61 angeordnete Sensoreinheit 62 ( siehe FIG 6 ) . Die Sensoreinheit 62 umfasst eine optische Kamera zur Aufnahme von farbigen Bilddaten BD . Die Bilddaten BD umfassen Informationen über den Umgebungsbereich U des Schienenfahrzeugs 61 . Der Umgebungsbereich U umfasst in diesem Aus führungsbeispiel einen Frontbereich vor dem Schienenfahrzeug 61 , in den das Schienenfahrzeug 61 einfahren möchte . Bei dem Schritt l . I I werden auf Basis der Bilddaten BD die vor dem Schienenfahrzeug 61 verlaufenden Schienen S in den Bilddaten BD detektiert und lokalisiert . Es werden insbesondere Positionen der Schienen S ermittelt .

Bei dem Schritt l . I I I werden Segmentierungsdaten SD auf Basis der detektierten und lokalisierten Schienen S ermittelt .

Bei dem Schritt 1 . IV werden die Bilddaten BD und die Segmentierungsdaten SD in ein Basismodell für computerbasiertes Sehen VFM, welches Ergebnissegmente ES erzeugt , eingegeben . Zunächst werden die Bilddaten BD und die Segmentierungsdaten SD dekodiert , wobei abstrakte Merkmalsvektoren entstehen, welche in einen Masken-Dekodierer eingegeben werden, der auf Basis der abstrakten Merkmalsvektoren eine valide Maske als Ergebnisvektor generiert .

Diese Maske wird als Ergebnissegment ES des Basismodells VEM für computerbasiertes Sehen ausgegeben .

Bei dem Schritt l . V wird das Ergebnissegment ES als Kandida- ten-Segment KS für ein möglicherweise auftretendes Hindernis H eingestuft .

Bei dem Schritt l . VI wird das Kandidaten-Segment KS durch ein Klassi fi zierungssystem darauf getestet , ob es möglicherweise ein falschpositives Kandidaten-Segment FP-KS umfasst . Wird das Kandidaten-Segment KS als Hindernis H validiert , so wird zu dem Schritt l . VI I übergegangen, bei dem das Kandidaten- Segment KS als Hindernis H bzw . Hindernissegment ausgegeben wird . Falls detektiert wird, dass das Kandidaten-Segment KS ein falschpositives Ergebnis repräsentiert , was in FIG 1 mit „n" gekennzeichnet ist , wird zu dem Schritt l . VI I I übergegangen, bei dem das Kandidaten-Segment KS als falschpositives Segment FP-KS aussortiert wird .

In FIG 2 ist eine schematische Darstellung 20 von durch eine Kamera eines Schienenfahrzeugs erfassten Bilddaten BD gezeigt . In FIG 2 ist der Schritt l . I I veranschaulicht , bei dem die Schienen S lokalisiert und identi fi ziert werden .

In FIG 3 ist der in FIG 2 ähnelnde Bilddarstellung als schematische Darstellung 30 mit eingezeichnetem Sicherheitsbereich bzw . segmentiertem Schienenbereich gezeigt . Der Sicherheitsbereich SB bzw . Schienenbereich SB markiert den Bereich im Bild, in dem Obj ekte als Kollisionshindernisse aufgefasst werden .

In FIG 3 wird ein Mast PL als Kandidaten-Ob ekt bzw . als Kan- didaten-Segment KS detektiert . Durch eine Validierung kann in einem zweiten Schritt festgestellt werden, dass es sich bei dem detektierten Obj ekt um einen Mast handelt , es also kein potentielles Hindernis H darstellt .

In FIG 4 ist eine schematische Darstellung 40 einer Hinderniserkennung und der dabei verwendeten Modelle und Daten veranschaulicht . Unten rechts in FIG 4 ist die Eingabe von Bilddaten BD symbolisiert . Die Bilddaten BD können sowohl für die Bildverarbeitung in dem Basismodell für computerbasiertes Sehen VFM verarbeitet werden als auch zur Detektion und Lokalisierung von Schienen S genutzt werden . Für eine Detektion und Lokalisierung von Schienen S werden die Bilddaten BD als Eingabedaten für ein Schienendetektionsmodell SDM verwendet .

Das Schienendetektionsmodell SDM basiert auf einer semantischen Segmentierung von Schienen S in Bilddaten BD und gibt Segmentierungsdaten SD aus . Alternativ können auch Positionsdaten eines Satellitennavigationssystems GPS als Eingabedaten für ein digitales Landkartenprogramm genutzt werden, welche digitale Landkartendaten DLK erzeugt . Mit Hil fe der Geoposition des Schienenfahrzeugs findet das Landkartenprogramm die Position des Schienenfahrzeugs auf der digitalen Landkarte und kann den aktuell befahrenen Schienenstrang in der digitalen Landkarte ermitteln . Dieser detektierte Schienenstrang kann dann abhängig von der Pose der Kamera des Schienenfahrzeugs in den Bilddatenraum proj i ziert werden und dort quasi als synthetisches Bild mit segmentierten Schienen S dienen . Die so erzeugten Segmentierungsdaten werden nachfolgend als Maskendaten oder Punktdaten in ein Basismodell für computerbasiertes Sehen VFM eingegeben .

Dort werden sie von einem sogenannten Prompt-Enkodierer PE in einen abstrakten Merkmalsvektor MVP gewandelt . Um die Bilddaten BD direkt zur Obj ektdetektion nutzen zu können, werden die Bilddaten BD in einen Bild-Enkodierer BE eingegeben, welcher die Bilddaten BD ebenfalls in einen abstrakten Merkmalsvektor MVB verwandelt . Die abstrakten Merkmalsvektoren werden in einen sogenannten Lightweight-Masken-Dekodierer LMD eingegeben . Der Lightweight-Masken-Dekodierer LMD ermittelt eine Liste von Kandidaten-Segmenten KS und zugeordneten Merkmalsvektoren . Diese Informationen werden an ein Klassi fikationsmodell KM übergeben, welches als Ergebnisdaten validierte Hindernisse H ausgibt .

In FIG 5 ist eine schematische Darstellung einer Hinderniserkennungseinrichtung 50 gemäß einem Aus führungsbeispiel der Erfindung gezeigt .

Die Hinderniserkennungseinrichtung 50 umfasst eine links in FIG 5 dargestellte Sensordatenschnittstelle 51 . Die Sensordatenschnittstelle 51 ist dazu eingerichtet , Bilddaten BD von einem Umgebungsbereich U eines Schienenfahrzeugs 61 ( siehe FIG 6 ) zu empfangen, in dem die Hinderniserkennungseinrichtung 50 angeordnet ist . Weiterhin umfasst die Hinderniserkennungseinrichtung 50 auch eine Lokalisierungseinheit 52 zum Detektieren und Lokalisieren von Schienen S in dem Umgebungsbereich U . Die Lokalisierungseinheit 52 empfängt sowohl Bilddaten BD als auch Selbstlokalisierungsdaten SLKD und digitale Landkartendaten DLK zur Ermittlung des Verlaufs von Schienen S im Bilddatenraum der erfassten Bilddaten BD . Die Selbstlokalisierungsdaten SLKD können auf Basis eines Satellitennavigationssystems ermittelt werden und die digitalen Landkartendaten DLK werden von dem Schienenfahrzeug in einer Landkartendatei mitgeführt . Teil der Hinderniserkennungseinrichtung 50 ist außerdem eine Segmentierungseinheit 53 , welche dazu eingerichtet ist , Segmentierungsdaten SD auf Basis der detektierten und lokalisierten Schienen S zu ermitteln .

Die Hinderniserkennungseinrichtung 50 weist ein Basismodell VEM für computerbasiertes Sehen auf . Teil dieses Basismodells VMF ist eine Eingabeeinheit 54 zum Eingeben der Bilddaten BD und der Segmentierungsdaten SD in das Basismodell für computerbasiertes Sehen VEM .

Teil des Basismodells für computerbasiertes Sehen ist auch eine Datenfusionseinheit 55 zum Generieren eines Ergebnissegments ES oder mehrerer Ergebnissegmente ES des Basismodells für computerbasiertes Sehen VEM, als Bereich, welcher ein de- tektiertes Hindernis H umfasst , für den Fall , dass ein Hindernis H detektiert wird . Das Ergebnissegment ES oder die Ergebnissegmente ES wird bzw . werden als Kandidaten-Segment KS bzw . Kandidaten-Segmente KS für ein möglicherweise auftretendes Hindernis H oder mehrere möglicherweise auftretende Hindernisse H eingestuft .

Schließlich umfasst die Hinderniserkennungseinrichtung 50 eine Klassi fi zierungseinheit 56 , welche dazu eingerichtet ist , KI-basiert generierte falschpositive Kandidaten-Segmente FP-KS aus dem Kandidaten-Segment KS oder gegebenenfalls den ermittelten Kandidaten-Segmenten KS aus zusortieren und validierte Hindernisse H zu ermitteln und aus zugeben .

In FIG 6 ist eine schematische Darstellung 60 eines Schienenfahrzeugs 61 gemäß einem Aus führungsbeispiel der Erfindung veranschaulicht . Das links in FIG 6 schematisch dargestellte Schienenfahrzeug 61 fährt von links nach rechts in Pfeilrichtung auf Schienen S eines Gleiskörpers und erfasst Bilddaten BD von einem vor dem Schienenfahrzeug 61 liegenden Umgebungsbereich U . Hierzu umfasst das Schienenfahrzeug 61 in seinem Frontbereich eine Sensoreinheit bzw . Kameraeinheit 62 . Die Bilddaten BD werden an eine Hinderniserkennungseinrichtung 50 übermittelt , die ebenfalls Teil des Schienenfahrzeugs 61 ist und den in FIG 5 veranschaulichten Aufbau hat . Die Hinderniserkennungseinrichtung 50 ermittelt nun auf Basis der Bilddaten BD, dass sich in der Umgebung, genauer gesagt auf der rechten Schiene S des in FIG 6 gezeigten Gleiskörpers ein Kollisionshindernis H befindet . Dieses Ergebnis H wird an eine von dem Schienenfahrzeug 61 umfasste Steuereinrichtung 63 übermittelt , welche in Antwort auf dieses Kollisionshindernis H Steuerbefehle an einzelne Funktionseinheiten des Schienenfahrzeugs 61 übermittelt . Beispielsweise werden die Bremsen des Schienenfahrzeugs 61 angesteuert , um das Schienenfahrzeug 61 vor dem Kollisionshindernis zum Stehen zu bringen .

Es wird abschließend noch einmal darauf hingewiesen, dass es sich bei den vorbeschriebenen Verfahren und Vorrichtungen lediglich um bevorzugte Aus führungsbeispiele der Erfindung handelt und dass die Erfindung vom Fachmann variiert werden kann, ohne den Bereich der Erfindung zu verlassen, soweit er durch die Ansprüche vorgegeben ist . Es wird der Vollständigkeit halber auch darauf hingewiesen, dass die Verwendung der unbestimmten Artikel „ein" bzw . „eine" nicht ausschließt , dass die betref fenden Merkmale auch mehrfach vorhanden sein können . Ebenso schließt der Begri f f „Einheit" nicht aus , dass diese aus mehreren Komponenten besteht , die gegebenenfalls auch räumlich verteilt sein können . Unabhängig vom grammatikalischen Geschlecht eines bestimmten Begri f fes sind Personen mit männlicher, weiblicher oder anderer Geschlechteridentität mit umfasst .

Claims

Patentansprüche

1. Verfahren zur Hinderniserkennung für ein Schienenfahrzeug (61) , aufweisend die Schritte:

- Erfassen von Bilddaten (BD) von einem Umgebungsbereich (U) des Schienenfahrzeugs (61) ,

- Detektieren und Lokalisieren von Schienen (S) in dem Umgebungsbereich (U) ,

- Ermitteln von Segmentierungsdaten (SD) auf Basis der detek- tierten und lokalisierten Schienen (S) ,

- Eingeben der Bilddaten (BD) und der Segmentierungsdaten (SD) in ein Basismodell für computerbasiertes Sehen (VFM) , welches für den Fall, dass ein Hindernis (H) detektiert wird, ein Ergebnissegment (ES) als Bereich, welcher das Hindernis (H) umfasst, generiert,

- Ausgeben des Ergebnissegments (ES) als Bereich, welcher ein detektiertes Hindernis (H) umfasst, für den Fall, dass ein Hindernis (H) detektiert wurde.

2. Verfahren nach Anspruch 1, wobei

- das ausgegebene Ergebnissegment (ES) des Basismodells für computerbasiertes Sehen (VEM) als Kandidaten-Segment (KS) für ein möglicherweise auftretendes Hindernis (H) eingestuft wird und

- das Kandidaten-Segment (KS) KI-basiert geprüft und für den Fall, dass es als falschpositives Kandidaten-Segment (FP- KS) detektiert wird, aussortiert wird.

3. Verfahren nach Anspruch 2, wobei das KI-basierte Prüfen und gegebenenfalls Aussortieren des Kandidaten-Segments (KS) als falschpositives Kandidaten-Segment (FP-KS) durch ein KI- basiertes Modell eines der folgenden Modelltypen durchgeführt wird :

- ein auf maschinellem Lernen basierendes Verfahren,

- eine Stützvektormaschine,

- ein Entscheidungsbaum oder Entscheidungswald,

- eine Klassifizierung nächster Nachbarn.

4. Verfahren nach einem der vorstehenden Ansprüche, wobei die von dem Umgebungsbereich (U) erfassten Bilddaten (BD) einen der folgenden Typen von Bilddaten umfassen:

- 2D-Bilddaten,

- 3D-Bilddaten .

5. Verfahren nach einem der vorstehenden Ansprüche, wobei das Detektieren und Lokalisieren von Schienen (S) durch eine KI- basierte Identifizierung der Schienen (S) in den erfassten Bilddaten (BD) erfolgt.

6. Verfahren nach Anspruch 5, wobei die KI-basierte Identifizierung der Schienen (S) auf Basis maschinellen Lernens erfolgt.

7. Verfahren nach einem der vorstehenden Ansprüche, wobei die Detektion und Lokalisierung der Schienen (S) auf Basis

- einer digitalen Landkarte (DLK) ,

- einer Selbstlokalisierung des Schienenfahrzeugs (61) und

- der Kenntnis der intrinsischen Parameter einer für die Erfassung der Bilddaten (BD) verwendeten Sensoreinheit (62) erfolgt .

8. Verfahren nach Anspruch 7, wobei

- die erfassten Bilddaten (BD) 2D-Bilddaten umfassen,

- auf Basis der digitalen Landkarte (DLK) und der Selbstlokalisierung ein 3D-Modell von dem Umgebungsbereich (U) des Schienenfahrzeugs (81) generiert wird,

- die Schienen (S) in dem 3D-Modell detektiert und lokalisierten werden und

- das 3D-Modell auf Basis der Kenntnis der intrinsischen Parameter der für die Erfassung der Bilddaten (BD) verwendeten Sensoreinheit (62) auf ein 2D-Modell projiziert wird,

- die Segmentierungsdaten (SD) auf Basis des 2D-Modells ermittelt werden.

9. Verfahren nach einem der vorstehenden Ansprüche, wobei das Basismodell für computerbasiertes Sehen (VEM) einen Bild- Enkodierer (BE) und einen Prompt-Enkodierer (PE) umfasst und die von dem Umgebungsbereich (U) erfassten Bilddaten (BD) in den Bild-Enkodierer (BD) eingegeben werden und die Segmentierungsdaten (SD) als Promptdaten in den Prompt-Enkodierer (PE) eingegeben werden.

10. Verfahren nach Anspruch 9, wobei das Basismodell für computerbasiertes Sehen (VEM) einen hochperf ormanten Masken-De- kodierer (LMD) mit reduzierter Anzahl von Eingangsparametern umfasst, welcher auf Basis der enkodierten Promptdaten (MVP) des Prompt-Enkodierers (PE) und der enkodierten Bilddaten (MVB) das Ergebnissegment (ES) für ein möglicherweise auftretendes Hindernis (H) erzeugt.

11. Hinderniserkennungseinrichtung (50) , aufweisend:

- eine Sensordatenschnittstelle (51) zum Erfassen von Bilddaten (BD) von einem Umgebungsbereich (U) eines Schienenfahrzeugs ( 61 ) ,

- eine Lokalisierungseinheit (52) zum Detektieren und Lokalisieren von Schienen (S) in dem Umgebungsbereich (U) ,

- eine Segmentierungseinheit (53) zum Ermitteln von Segmentierungsdaten (SD) auf Basis der detektierten und lokalisierten Schienen (S) ,

- ein Basismodell für computerbasiertes Sehen (VEM) , aufweisend :

- eine Eingabeeinheit (54) zum Eingeben der Bilddaten (BD) und der Segmentierungsdaten (SD) in das Basismodell für computerbasiertes Sehen (VEM) ,

- eine Datenfusionseinheit (55) zum Generieren eines Ergebnissegments (ES) des Basismodells für computerbasiertes Sehen (VEM) als Bereich, welcher ein detektiertes Hindernis (H) umfasst, für den Fall, dass ein Hindernis (H) de- tektiert wurde.

12. Schienenfahrzeug (61) , aufweisend

- eine Sensoreinheit (62) zum Erfassen von Bilddaten (BD) von der Umgebung des Schienenfahrzeugs (61) ,

- eine Hinderniserkennungseinrichtung (50) nach Anspruch 11, - eine Steuereinrichtung (63) zum Steuern eines Fahrverhaltens des Schienenfahrzeugs (61) in Abhängigkeit davon, ob von der Hinderniserkennungseinrichtung (50) ein Hindernis (KH) in der Umgebung des Schienenfahrzeugs (61) erkannt wurde .

13. Computerprogrammprodukt mit einem Computerprogramm, welches direkt in eine Speichereinheit einer Steuereinrichtung (63) eines Schienenfahrzeugs (61) ladbar ist, mit Programmabschnitten, um alle Schritte eines Verfahrens nach, einem der Ansprüche 1 bis 11 auszuführen, wenn das Computerprogramm in der Steuereinrichtung (63) ausgeführt wird.

14. Computerlesbares Medium, auf welchem von einer Rechnereinheit ausführbare Programmabschnitte gespeichert sind, um alle Schritte des Verfahrens nach einem der Ansprüche 1 bis 11 auszuführen, wenn die Programmabschnitte von der Rechnereinheit ausgeführt werden.