DE102022210424A1

DE102022210424A1 - Selbstlokalisierung eines Schienenfahrzeugs

Info

Publication number: DE102022210424A1
Application number: DE102022210424.2A
Authority: DE
Inventors: Stefan Fuchs; Wolfram Martens; Paul Müller; Peter Rudolph; Fernando Segundo
Original assignee: Siemens Mobility GmbH
Current assignee: Siemens Mobility GmbH
Priority date: 2022-09-30
Filing date: 2022-09-30
Publication date: 2024-04-04
Also published as: WO2024068128A1

Abstract

Es wird ein Verfahren zur Ermittlung der Wahrscheinlichkeitsverteilung (p(P)) einer Pose (P) eines Schienenfahrzeugs (1) beschrieben. Bei dem erfindungsgemäßen Verfahren wird eine formale Struktur eines Systemzustands (x), welcher eine Pose (P) des Schienenfahrzeugs (1) repräsentiert, und ein Bewegungsmodells (BM) des Schienenfahrzeugs (1), welches eine Wahrscheinlichkeitsverteilung einer Posenänderung (DP) in Abhängigkeit von der Zeit repräsentiert, definiert, wobei eine mögliche Pose (P) des Schienenfahrzeugs (1) auf Basis des Verlaufs von Schienenstrecken in Gleiskartendaten (GKD) eingeschränkt wird, aber eine teilweise Kompensation der Restriktion auf Basis einer modellbasiert definierten möglichen Abweichung der Pose (P) des Schienenfahrzeugs (1) von der eingeschränkten möglichen Pose (P) erfolgt. Zudem werden Sensormodelle (SM) zur Charakterisierung des Messverhaltens von Sensoren des Schienenfahrzeugs (1), welche für die Ermittlung der Wahrscheinlichkeitsverteilung (p(P)) der Pose (P) des Schienenfahrzeugs (1) auf Basis von Sensordaten (SD) verwendet werden, definiert. Weiterhin wird ein Bayes-Filter (BF) auf Basis des Systemzustands (x), des Bewegungsmodells (BM) und der Sensormodelle (SM) ermittelt. Außerdem wird eine Wahrscheinlichkeitsverteilung (p(x0)) eines initialen Zustands (x0) des Schienenfahrzeugs (1) konfiguriert. Während einer Fahrt des Schienenfahrzeugs werden Sensordaten (SD) durch die Sensoren zur Ermittlung der Pose (P) des Schienenfahrzeugs (1) erfasst und es wird die Wahrscheinlichkeitsverteilung (p(P)) der Pose (P) des Schienenfahrzeugs (1) durch Anwendung des Bayes-Filters (BF) auf die erfassten Sensordaten (SD) und auf die Wahrscheinlichkeitsverteilung (p(x0)) des initialen Systemzustands (x0) des Schienenfahrzeugs (1) als Eingangsgrößen ermittelt. Es wird auch eine Selbstlokalisierungseinrichtung (30) beschrieben. Ferner wird ein Schienenfahrzeug (1) beschrieben.

Description

Die Erfindung betrifft ein Verfahren zur Ermittlung der Wahrscheinlichkeitsverteilung einer Pose eines Schienenfahrzeugs. Außerdem betrifft die Erfindung eine Selbstlokalisierungseinrichtung. Überdies betrifft die Erfindung ein Schienenfahrzeug.
Die Kenntnis der Pose eines Schienenfahrzeugs wird für sehr viele unterschiedliche Anwendungen im Bereich des Schienenverkehrs benötigt. Wenn von einer Pose eines Schienenfahrzeugs gesprochen wird, so umfasst diese Größe sowohl die Position des Schienenfahrzeugs als auch dessen Orientierung im Raum. Beispielsweise können Fahrgastinformationssysteme den Fahrgästen Informationen übermitteln, welche im Zusammenhang mit einer aktuellen Position des Schienenfahrzeugs stehen. Weiterhin können diese Daten für die Planung des Fahrbetriebs genutzt werden. Zum Beispiel kann auf Basis einer ermittelten Position eines Zugs eine Verspätung des Zugs vorausberechnet und angezeigt werden oder es können Blockabstände zwischen Zügen reduziert werden. Außerdem kann eine notwendige Wartung vorhergesagt werden. In diesem Zusammenhang können Informationen hinsichtlich der Geometrie bzw. des Verlaufs eines Gleisabschnitts dazu genutzt werden, Vibrationsmessungen auszuwerten. Posendaten können auch dazu genutzt werden, um eine automatisierte Signalerkennung durch Vorhersagen der Position eines Signals in einem Kamerabild zu implementieren und damit ein ADAS-System (ADAS = Advanced Driver Assistance System = weiterentwickeltes Fahrerassistenzsystem) zu unterstützen. Posendaten können auch für eine Hindernisdetektion und eine Reaktion auf ein solches Hindernis genutzt werden. Auf deren Basis kann eine Trajektorie ermittelt werden, um detektierte Objekte als kritisch oder unkritisch einzustufen.
Die Genauigkeitsanforderungen für eine Lokalisierungslösung sind in Abhängigkeit von der Anwendung recht unterschiedlich.
Beispielsweise benötigen Fahrgastinformationssysteme lediglich Genauigkeiten im Meterbereich und die Orientierung des Schienenfahrzeugs ist unwichtig. Für eine Hindernisdetektion dagegen muss die Position und Orientierung des Schienenfahrzeugs mit hoher Genauigkeit bekannt sein, um Hindernisse in großen Entfernungen, zum Beispiel einige 100 Meter bis 1 km entfernt, zu detektieren und exakt zu lokalisieren.
Herkömmliche Verfahren zur Lokalisierung von Schienenfahrzeugen können auf einem naiven „Karten-Einrasten“-Algorithmus („map-snapping“-Algorithmus) basieren. Dabei wird eine einzelne Sensorinformation, typischerweise eine GNSS-Position (GNSS = Global Navigation Satellite System = globales Satellitennavigationssystem), mit einer Schienenkarte abgeglichen. In der Schienenkarte wird der nächste Punkt zu dieser GNSS-Position auf einem Schienenstrang ausgewählt und als wahrscheinlichste Position des Schienenfahrzeugs eingestuft und diese Position wird als die Position des Schienenfahrzeugs an einen Benutzer ausgegeben.
Eine zweite Herangehensweise bzw. eine ganze Gruppe von Lösungsansätzen kann als ein Lösungsansatz klassifiziert werden, der auf der Anwendung eines Bayesschen Filters beruht.
In einem Bayesschen Filter wird ein Systemzustand geschätzt und über eine Zeit verfolgt, so dass eine nachfolgende zusätzliche Berücksichtigung von zusätzlichen Sensormessdaten zu einer verbesserten Schätzung führt. Bayessche Filter für eine Schienenfahrzeuglokalisation umfassen ein Bewegungsmodell, welches die wahrscheinliche Bewegung eines Schienenfahrzeugs zwischen zwei Zeitpunkten vorhersagt, und einen Satz von Sensormodellen, welche den wahrscheinlichen Zustand der geschätzten Pose aktualisieren, immer wenn Sensordaten verfügbar werden.
Ein Bayes-Filter wird dazu genutzt, einen n-dimensionalen Systemzustand $x = [\begin{matrix} x^{1} \\ ⋮ \\ x^{n} \end{matrix}]$
eines physikalischen Systems über die Zeit zu verfolgen.
In der Regel ist es sinnvoll, im Bayes-Filter den Systemzustand nicht allein durch die Variablen zu definieren, die direkt die Pose eines Schienenfahrzeugs angeben. Stattdessen kann die Schätzung erheblich verbessert werden, wenn zusätzliche Variablen über die Zeit verfolgt werden. Beispielsweise kann mit einer Schätzung der aktuellen Geschwindigkeit des Schienenfahrzeugs im Bewegungsmodell eine erheblich bessere Vorhersage des Systemzustandes erfolgen als allein basierend auf der zuletzt geschätzten Position oder Pose des Schienenfahrzeugs. Weitere Werte, welche Teil des Systemzustandes darstellen können, umfassen die Bias-Werte für einzelne Sensoren, insbesondere Inertialsensoren, oder den Uhrenfehler in einem GNSS-Empfänger. Das Bewegungsmodell umfasst also die physikalische Bewegung des Schienenfahrzeuges, es beschreibt aber zusätzlich auch die zeitliche Entwicklung anderer physikalischer Größen, die Teil des Systemzustandes sind. Der Begriff Bewegungsmodell bezieht sich also nicht allein auf die physikalische Bewegung des Schienenfahrzeugs, sondern beschreibt allgemeiner die zeitliche Entwicklung des Systemzustandes.
Die Schätzung des Zustands, auch als Systemzustand oder Bewegungszustand bezeichnet, wird in wahrscheinlichkeitstheoretischer Form dargestellt, zum Beispiel als Wahrscheinlichkeitsdichte, auch als Verteilungsdichte bezeichnet, für kontinuierliche Zustandsvariablen. Enthält der Zustand auch diskrete Variablen, so wird eine diskrete Wahrscheinlichkeitsverteilung oder eine Kombination aus diskreter Verteilung und Verteilungsdichte benötigt. Für die folgenden Gleichungen wird von kontinuierlichen Zustandsgrößen und somit Verteilungsdichten ausgegangen, um die Notation zu erleichtern.
Der Zustandsschätzung liegt eine initiale Schätzung des Zustandes zugrunde, welche in der Regel eine sehr hohe Unsicherheit abbildet, da der Systemzustand erst im Verlauf eingehender Messdaten genauer geschätzt werden kann. Die aktuelle Zustandsschätzung wird zunächst durch ein Bewegungsmodell bestimmt. Ein solches Bewegungsmodell wird repräsentiert durch die bedingte Wahrscheinlichkeitsdichte: $p (x_{k} | x_{k - 1}) .$
Dieser Ausdruck beschreibt die bedingte Wahrscheinlichkeit des Zustands x zum Zeitpunkt k in Abhängigkeit von dem Zustand x zum Zeitpunkt k-1. Zusätzlich erfolgen zu diskreten Zeitpunkten Aktualisierungen der Schätzung gemäß Gleichung (2) in Folge von Messungen bzw. Sensordaten z, welche durch ein Sensormodell oder mehrere Sensormodelle dargestellt werden. Ein solches Sensormodell wird repräsentiert durch die Wahrscheinlichkeitsverteilung: $p (z_{k} | x_{k}) .$
Das Sensormodell beschreibt eine bedingte Wahrscheinlichkeitsverteilung von Sensormessdaten z zum Zeitpunkt k in Abhängigkeit von dem Zustand x zum Zeitpunkt k.
Die Aktualisierung der Zustandsschätzung durch das Bewegungsmodell sowie die Aktualisierung durch die Sensormodelle erfolgen typischerweise im Wechsel, so dass vor jeder Aktualisierung mit Sensordaten eine Aktualisierung durch das Bewegungsmodell erfolgt. Der Satz von Bayes liefert die Gleichung, um die Schätzung der aktualisierten Bewegungsdaten durch die Sensormessung zu ermitteln.
Die Aktualisierung durch das Bewegungsmodell erfolgt gemäß: $\tilde{p} (x_{k}) = \int p (x_{k} | x_{k - 1}) d x_{k - 1},$
die Aktualisierung durch das Sensormodell gemäß: $p ((x_{k} | z_{k})) = η \cdot p (z_{k} | x_{k}) \cdot \tilde{p} (x_{k}),$
wobei η eine Normalisierungskonstante ist, die zwar allgemein schwer zu berechnen ist, jedoch in der Regel nicht benötigt wird.
Der durch die Gleichungen für die Aktualisierung durch Bewegungsmodell und Sensormodell beschriebene Algorithmus wird aufgrund der rekursiven Zustandsberechnung aus dem zurückliegenden Zeitschritt im Zusammenhang mit einer Lokalisierung auch als Markov-Lokalisierung bezeichnet. Diese Markov-Lokalisierung ist zum Beispiel in Sebastian Thrun et al. „Probabilistic Robotics (Intelligent Robotics and Autonomous Agents)“. The MIT Press, 2005. beschrieben.
Allerdings ist die exakte Berechnung der Wahrscheinlichkeitsdichten bzw. Wahrscheinlichkeitsverteilungen eines Systemzustands zum Zeitpunkt k in Folge der vorgenannten Gleichungen für allgemeine Formulierungen der Bewegungs- und Sensormodelle nicht möglich. Unter gewissen vereinfachenden Bedingungen für das Bewegungsmodell, die Sensormodelle sowie die Wahrscheinlichkeitsverteilung bzw. Wahrscheinlichkeitsdichte des Systemzustands, können spezielle Filter verwendet werden, die eine effiziente und exakte Berechnung der Aktualisierungsschritte erlauben. So kann für lineare Gaußsche Systeme das klassische Kalman-Filter herangezogen werden. Für nicht-lineare Aktualisierungsmodelle kann unter gewissen Einschränkungen (wie weiterhin quasi-Gaußsche Verteilungen) das Extended Kalman Filter, das Unscented Kalman Filter oder das Error-State Extended Kalman Filter angewendet werden. Für Systeme mit signifikant nicht-Gaußschen Wahrscheinlichkeitsverteilungen dagegen können unter gewissen Bedingungen Multi-Hypothesen Filter verwendet werden.
Wenn sich die Wahrscheinlichkeitsdichte auf einzelne signifikante Peaks verteilt, welche im Idealfall beispielsweise annähernd Gaußsches Verhalten zeigen, ist es möglich, die einzelnen Peaks als separate Hypothesen zu verfolgen, insbesondere durch leistungsstarke Filter wie das Extended Kalman-Filter und das Unscented Kalman-Filter. Parallel zu den Parametern der einzelnen Hypothesen (zum Beispiel Mittelwert und Kovarianz) wird dann das Gewicht der einzelnen Hypothesen verfolgt, woraus durch gewichtete Addition der einzelnen Hypothesen die Funktion für die gesamte Verteilung folgt.
Die maximale Flexibilität gegenüber nichtlinearen Aktualisierungsgleichungen sowie nicht-Gaußschen Verteilungen ist durch das Partikel-Filter, auch als Sequential Monte Carlo Filter bezeichnet, gegeben. Zusätzlich existiert mit dem Rao-Blackwell Partikel-Filter die Möglichkeit, das Partikel-Filter mit, zum Beispiel, dem Kalman-Filter zu kombinieren.
Lokalisierungsverfahren für Schienenfahrzeuge, welche Bayessche Filter nutzen, können in zwei größere Klassen eingeteilt werden:

Zum einen existieren kommerzielle Lokalisierungslösungen, welche eine zentimetergenaue Position und eine geforderte Genauigkeit der Orientierung liefern können. Diese Verfahren basieren gewöhnlich auf Echtzeitkinematiken (RTK = Real Time Kinematics) und gekoppelter Inertialnavigation. Diese Genauigkeiten werden allerdings typischerweise nur unter idealen Umweltbedingungen erreicht, bei denen Satellitendaten verfügbar sind. Außerdem sind die leistungsstärksten dieser Systeme besonders teuer aufgrund der Nutzung hochpräziser Trägheitsmesstechnologie. Bei diesen kommerziellen Lösungen wird typischerweise die Fahrzeugpose in einem Lösungsraum mit vollen 6 Freiheitsgraden geschätzt, wobei Einschränkungen, die sich für Schienenfahrzeuge anhand von Gleis-Kartendaten ergeben, nicht berücksichtigt werden. In einigen Fällen wird eine teilweise Nutzung von Gleis-Kartendaten untersucht, um die Lokalisierung auf eine breitere Datenbasis zu stellen, wobei die spezielle Dynamik in Folge des Schienenverlaufs berücksichtigt wird. Eine solche Vorgehensweise ist in C. Reimer et al. „INS/GNSS/Odometer Data Fusion in Railway Applications“. In Symposium Inertial Sensors & Systems 2016. beschrieben.

Eine mögliche Darstellung eines Systemzustandes x für ein Bayes-Filter, welches keine Gleiskarten verwendet, wäre: $x = [\begin{matrix} l o n \\ l a t \\ a l t \\ φ \\ θ \\ ψ \\ v_{x} \\ v_{y} \\ v_{z} \\ b_{a x} \\ b_{a y} \\ b_{a z} \\ t_{e r r} \end{matrix}] .$
Dabei sind lon, lat, alt die sogenannten WGS84-Koordinaten (Das World Geodetic System 1984 ist ein geodätisches Referenzsystem als einheitliche Grundlage für Positionsangaben auf der Erde und im erdnahen Weltraum), φ, θ, ψ die Euler-Winkel, welche die Orientierung des Schienenfahrzeugs angeben, v_x, v_y, v_z die linearen Geschwindigkeitswerte in drei Dimensionen, b_ax, b_ay, b_az die Bias-Werte für einen 3D-Accelerometer und t_err ein GNSS-Uhrenfehler. Teil des Zustands x sind also unter anderem auch 6 Koordinaten lon, lat, alt, φ, θ, ψ, die eine Pose P des Schienenfahrzeugs beschreiben.
Als Sensor-Bias werden quasi-statische Fehler in Messgeräten bezeichnet, welche sich nur sehr langsam, zum Beispiel in Abhängigkeit von der Umgebungstemperatur ändern. Die Nichtberücksichtigung solcher Fehler ist insbesondere dann problematisch, wenn die gemessenen Werte über die Zeit integriert werden, zum Beispiel bei der Ermittlung von Geschwindigkeit und Position über Integration der Beschleunigung, da sich konstante Anteile im Messfehler in der Zustandsschätzung aufsummieren (Drift). Gleichzeitig ist es möglich, den Einfluss der quasi-statischen Fehler zu minimieren, indem mithilfe anderer Sensor-Modalitäten die Bias-Werte als Teil des Systemzustandes online geschätzt werden. Die Schätzung von Bias-Werten in Beschleunigungssensoren ist zum Beispiel durch die Messung der absoluten Position durch driftfreie Sensoren, wie zum Beispiel GNSS, möglich.
Als Beispiel für ein in der Literatur genutztes Bewegungsmodell für einen Ansatz ohne die Nutzung von Gleiskarten wird an dieser Stelle auf Sebastian Thrun et al. „Probabilistic Robotics (Intelligent Robotics and Autonomous Agents)“. The MIT Press, 2005. verwiesen. Dort wird ein Bewegungsmodell für einen mobilen Roboter in der Ebene beschrieben. Das „Velocity Motion Model“ berechnet die resultierende Wahrscheinlichkeitsverteilung zum Zeitpunkt k für die Zustandsvariablen x, y, ψ, also die 2D-Postion und den Gierwinkel, in der Ebene. In diesem Beispiel werden die translatorische und die rotatorische Geschwindigkeit als Steuergrößen, also als für die Zustandsaktualisierung bekannte Eingangsgrößen, betrachtet. Zustandsmodelle für kommerzielle Lokalisierungslösungen betrachten selbstverständlich höherdimensionale Zustandsdarstellungen und komplexere Bewegungsmodelle.
Die Implementierung eines geeigneten Bayes-Filters für einen solchen hochdimensionalen Systemzustand wird üblicherweise mit einem sogenannten Extended Kalman-Filter oder einem Error State Kalman-Filter realisiert, die mit hohen Systemdimensionen umgehen können und nicht-lineare Zusammenhänge von Bewegungsmodellen und Sensormodellen abbilden können.
Bei einer anderen herkömmlichen Vorgehensweise zur Lokalisierung von Schienenfahrzeugen wird der bekannte Schienenverlauf der Gleise, auf denen sich ein zu lokalisierendes Schienenfahrzeug gerade befindet, für eine Einschränkung des Lösungsraums genutzt, da sich das Schienenfahrzeug irgendwo auf den Gleisen befinden muss. Eine solche Vorgehensweise ist zum Beispiel in O. Heirich. „Localization of Trains and Mapping of Railway Tracks“. PhD Thesis, 2020. beschrieben.
Meist wird das Lokalisierungsproblem auf diese Weise auf ein 1D-Lokalisierungsproblem zurückgeführt, wobei mit dem Bayesschen Filter nur noch die Frage beantwortet werden muss, welche Distanz das Schienenfahrzeug aktuell zurückgelegt hat. Dabei können auch mehrere Hypothesen eingebunden werden, welche berücksichtigen, dass das Schienenfahrzeug eine Weiche mit unbekanntem Zustand überfährt. Allerdings wird mit dieser Vorgehensweise unter Umständen keine sonderlich hohe Genauigkeit erreicht, da mit diesem Modell in der Regel ein realer Zustand eines Schienenfahrzeugs nicht exakt abgebildet werden kann, da es keine Abweichungen der Pose des Schienenfahrzeugs von einer durch den Verlauf einer Schienenstrecke festgelegten Pose zulässt.
Eine mögliche Definition eines Systemzustands x eines Schienenfahrzeugs unter Verwendung einer Gleiskarte wird repräsentiert durch: $x = [\begin{matrix} i d \\ s \\ d \\ v \end{matrix}] .$
Dabei geben id, s und d die topologische Pose des Schienenfahrzeugs wieder und v die Geschwindigkeit des Schienenfahrzeugs entlang des Gleises. Im Einzelnen repräsentiert id die Gleissegment-ID, s den Offset auf dem Gleissegment und d die Richtung auf dem Gleissegment. In einer solchen Zustandsdarstellung ist die geographische Pose des Schienenfahrzeugs eindeutig durch die topologische Pose vorgegeben. Abweichungen beispielsweise des Gierwinkels oder des Rollwinkels gegenüber der Gleisgeometrie, wie sie durch die elastische Aufhängung des Wagenkastens oder aufgrund des Abstandes zwischen Vorder- und Hinterachse in Kurven auftreten können, werden von einem solchen Zustandsmodell bzw. einer solchen Struktur eines Systemzustands nicht erfasst.
Im Folgenden wird der Veranschaulichung halber ein vereinfachtes gleisbasiertes Bewegungsmodell beschrieben. Vereinfachend wird angenommen, dass die Gleiskarte aus einem einzelnen Gleis besteht, so dass zum Beispiel immer die Gleissegment-ID id = 1 angenommen werden kann. Außerdem sei die ursprüngliche Orientierung d₀ des Schienenfahrzeugs auf dem Gleis bekannt, zum Beispiel d₀ = „vorwärts“. Das Bewegungsmodell definiert den folgenden Übergang für die Zustandsgrößen: ${Id}_{k} \to {id}_{k - 1}$
$d_{k} \to d_{k - 1}$
$s_{k} \to s_{k - 1} + v Δ t$
$v_{k} \to v_{k - 1} + σ_{v} w,$
wobei Δt die Zeitdifferenz zwischen den Zeitpunkten k-1 und k beschreibt und σ_vw einen gaussförmigen unabhängigen Rauschprozess mit Intensität σ_v beschreibt (w wird aus einer Einheits-Gaußverteilung mit einem Mittelwert von 0 und einer Standardabweichung von 1 generiert). Auf einer komplexeren Gleiskarte muss das Bewegungsmodell außerdem abbilden, wie die unterschiedlichen Gleissegmente miteinander verbunden sind, so dass bei Überschreiten eines Segmentendes oder -anfangs die Transition auf benachbarte Segmente erfolgt. Eine konkrete Implementierung dieser Vorgehensweise ist zum Beispiel in O. Heirich. „Localization of Trains and Mapping of Railway Tracks". PhD Thesis, 2020. beschrieben.
Im vorbeschriebenen Beispiel mit nur einem Gleissegment und bekannter Orientierung des Fahrzeuges können id und d aus dem Systemzustand und dem Bewegungsmodell entfernt werden, da sie stets unverändert und bekannt sind und die Übergangswahrscheinlichkeit in Gleichung (2) für s und v folgt direkt aus Gleichung (10) und Gleichung (11).
Als Beispiel für ein Sensormodell für sowohl gleiskartenbasierte und gleiskartenlose Ansätze soll hier ein Gaußsches GNSS-Positions-Sensormodell beschrieben werden. Bei einem solchen GNSS-Positions-Sensormodell wird die Messung durch einen Gaußschen Fehlerterm gestört. Das Sensormodell p(z^GNSS|x) wird durch eine einfache mehrdimensionale Gauß-Verteilung N beschrieben: $Z^{G N S S} \sim N (μ, Σ) .$
Dabei ist der Mittelwert µ durch den Längengrad, den Breitengrad und die Höhe über Null, welche aus dem aktuellen Systemzustand hervorgehen, wiedergegeben.
Diese Werte folgen:

- für den Systemzustand ohne Gleiskarte direkt aus dem Längengrad lon, dem Breitengrad lat, und der Höhe alt im Systemzustand,
- für den Systemzustand mit Gleiskarte indirekt aus den topologischen Parametern Gleissegment-ID id, Offset s auf dem Gleissegment (die Orientierung d auf dem Gleis spielt für die Position keine Rolle), wobei die Geometrieinformation aus der Gleiskarte bezogen werden muss, also eine Funktion f: id, s -> lon, lat, alt (13).

Die Kovarianzmatrix Σ kann in einem einfachen Modell als konstant angenommen werden, es ist jedoch auch möglich, die tatsächliche Unsicherheit einer GNSS-Messung zu berücksichtigen, beispielsweise infolge der Anzahl und Konstellation der verfügbaren Satelliten.
Wie bereits erwähnt, bringen die vorstehend ausführlich beschriebenen Ansätze gewisse teilweise komplementäre Limitierungen mit sich, was die Genauigkeit der Posenermittlung betrifft.
Es besteht also die Aufgabe, eine im Vergleich zum Stand der Technik exaktere, zuverlässigere und robustere Selbstlokalisierung eines Schienenfahrzeugs zu ermöglichen.
Diese Aufgabe wird durch ein Verfahren zur Ermittlung einer Wahrscheinlichkeitsverteilung einer Pose eines Schienenfahrzeugs gemäß Patentanspruch 1, eine Selbstlokalisierungseinrichtung gemäß Patentanspruch 11 und ein Schienenfahrzeug gemäß Patentanspruch 12 gelöst.
Bei dem erfindungsgemäßen Verfahren zur Ermittlung einer Wahrscheinlichkeitsverteilung einer Pose eines Schienenfahrzeugs werden bei dem Schritt i) eine formale Struktur eines Systemzustands, welcher eine Pose des Schienenfahrzeugs repräsentiert, und ein Bewegungsmodell des Schienenfahrzeugs, welches eine Wahrscheinlichkeitsverteilung einer Posenänderung in Abhängigkeit von der Zeit repräsentiert, ermittelt bzw. definiert. Mit einer „formalen Struktur“ soll hier beschrieben werden, dass an dieser Stelle kein konkreter Systemzustand mit einer konkreten Pose ermittelt wird, sondern modellhaft eine mathematische Formelstruktur bzw. die mathematische Form des Systemzustands, wie sie zum Beispiel weiter unten in Gln. (14) beschrieben wird, formuliert bzw. definiert wird. Wie bereits erläutert, kann der Systemzustand neben der Pose noch weitere Informationen über den Zustand des Schienenfahrzeugs umfassen, wie zum Beispiel die Geschwindigkeit des Schienenfahrzeugs. Dabei wird eine mögliche Pose des Schienenfahrzeugs auf Basis des Verlaufs von Schienenstrecken in Gleiskartendaten eingeschränkt, aber es erfolgt eine teilweise Kompensation der Restriktion auf Basis einer modellbasiert definierten möglichen Abweichung der Pose des Schienenfahrzeugs von der eingeschränkten möglichen Pose. Insbesondere das Bewegungsmodell lässt sich auf Basis spezifischer Parameterwerte an konkrete Szenarien anpassen.
Zudem werden bei dem Schritt ii) Sensormodelle zur Charakterisierung des Messverhaltens von Sensoren des Schienenfahrzeugs, welche für die Ermittlung der Wahrscheinlichkeitsverteilung der Pose des Schienenfahrzeugs auf Basis von Sensordaten verwendet werden, definiert. Wie die Sensormodelle aussehen, ist in der Praxis letztendlich dadurch bestimmt, welche Sensoren in einer bestimmten Anwendung verfügbar sind.
Weiterhin lassen sich die Sensormodelle ähnlich wie das Bewegungsmodell auf Basis spezifischer Parameterwerte an konkrete Szenarien anpassen.
Auf Basis des Systemzustands, des Bewegungsmodells und des Sensormodells wird bei dem Schritt iii) ein Bayes-Filter ermittelt. Wie bereits erläutert, umfasst ein Bayes-Filter ein rekursives probabilistisches Verfahren zur Schätzung von Wahrscheinlichkeitsverteilungen unbeobachteter Systemzustände auf Basis von beobachteten Messwerten. Das Bayes-Filter dient später dazu, auf Basis eines zuletzt ermittelten Systemzustands und auf Basis von erfassten Sensordaten eine neuen bzw. aktuellen Systemzustand und eine entsprechende Pose des Schienenfahrzeugs zu ermitteln.
Zudem wird bei dem Schritt iv) eine Wahrscheinlichkeitsverteilung eines initialen Systemzustands des Schienenfahrzeugs konfiguriert. Ein solcher initialer Systemzustand kann zum Beispiel auf Basis externer Informationen bekannt sein. Beispielsweise ist mit vordefinierter Genauigkeit bekannt, von welcher Position aus im Schienennetz bzw. mit welcher Pose das Schienenfahrzeug startet.
Weiterhin werden bei dem Schritt v) Sensordaten durch die Sensoren zur Ermittlung der Pose des Schienenfahrzeugs erfasst.
Unter Sensordaten sind Messdaten zu verstehen, welche für eine Posenermittlung geeignet sind. Typische Messdaten sind GNSS-Daten, Odometriedaten, Sensordaten zur Abtastung der Umgebung, mit denen Landmarken erkannt werden können usw.
Schließlich wird bei dem Schritt vi) eine Wahrscheinlichkeitsverteilung eines Systemzustands und damit auch eine Wahrscheinlichkeitsverteilung der Pose des Schienenfahrzeugs durch Anwendung des Bayes-Filters auf die erfassten Sensordaten und auf die Wahrscheinlichkeitsverteilung des initialen Systemzustands des Schienenfahrzeugs als Eingangsgrößen ermittelt.
Vorzugsweise während einer Fahrt des Schienenfahrzeugs werden dann bevorzugt die Schritte v) und vi) mehrfach wiederholt, wobei jeweils eine aktualisierte Pose des Schienenfahrzeugs bzw. deren Wahrscheinlichkeitsverteilung ermittelt wird.
Hierzu wird bei dem Schritt vi) anstatt der Wahrscheinlichkeitsverteilung des initialen Systemzustands des Schienenfahrzeugs eine Wahrscheinlichkeitsverteilung eines im Zusammenhang mit der zuletzt ermittelten Wahrscheinlichkeitsverteilung der Pose des Schienenfahrzeugs zuletzt ermittelten Systemzustands des Schienenfahrzeugs als Eingangsgröße für das Bayes-Filter verwendet.
Anders ausgedrückt umfasst der zuletzt geschätzte Systemzustand nach jeder weiteren Iteration bzw. Wiederholung der Schritte v) und vi) den zuletzt bei der Anwendung des Bayes-Filters zur Posenermittlung ermittelten Systemzustand. Die Schritte zum Erfassen von Sensordaten und zum Ermitteln der Wahrscheinlichkeitsverteilung der Pose des Schienenfahrzeugs werden also während einer Fahrt wiederholt ausgeführt bzw. i-teriert, um aus der zuletzt ermittelten Pose bzw. dem diese Pose umfassenden zuletzt ermittelten Systemzustand einen neuen aktuellen Systemzustand und eine neue aktuelle Pose des Schienenfahrzeugs zu ermitteln.
Die Kenntnis der wahrscheinlichen Pose des Schienenfahrzeugs kann für posenabhängige Aktionen, Reaktionen, insbesondere Anwendungen, die in der Einleitung beschrieben wurden, genutzt werden.
Auf Basis der Sensordaten und auf Basis von Gleiskartendaten, bevorzugt hochgenauen Gleiskartendaten, welche einen Streckenabschnitt umfassen bzw. darstellen, auf dem sich das Schienenfahrzeug aktuell befindet, wird anschaulich gesprochen, ein eingeschränkter Lösungsraum, welcher die gesuchte Pose umfasst, aber Abweichungen der Pose von einer allein streckenbasiert ermittelten Pose erlaubt, ermittelt. Der eingeschränkte Lösungsraum ergibt sich aus der Kenntnis der durch die Gleisgeometrie vorgegebenen nominellen Trajektorie, auf der sich das Schienenfahrzeug befindet, sowie aus der Kenntnis möglicher Abweichungen der Pose des Schienenfahrzeugs von dieser Trajektorie. Die Trajektorie ergibt sich anhand des Verlaufs eines Schienenabschnitts bzw. Streckenabschnitts, welcher dem Schienenfahrzeug auf Basis der vorzugsweise hochgenauen Landkartendaten sowie der Sensordaten und älterer Posendaten zugeordnet wird. Für die Einschränkung des Lösungsraums kann zunächst einfach davon ausgegangen werden, dass die im eingeschränkten Lösungsraum erlaubten Abweichungen von einem nominellen Verhalten der Pose des Schienenfahrzeugs „klein“ sind gegenüber den Beträgen der Zustandsgrößen, die ohne die Einschränkung durch die Gleisdaten möglich wären. Hochgenaue Gleiskartendaten sind mit einer vorbestimmten Genauigkeit dargestellt. Die benötigte Genauigkeit hängt von den Anwendungen ab, für die die Selbstlokalisierung genutzt werden soll. Bevorzugt sind hochgenaue Gleiskartendaten mit einer maximalen relativen Abweichung von 5 cm und einer maximalen absoluten Abweichung von 20 cm abgebildet. Besonders bevorzugt beträgt die relative Abweichung 5 cm und die maximale absolute Abweichung nur 10 cm. Mit einer größeren Genauigkeit der Gleiskarte erhöht sich auch die erreichbare Genauigkeit bei der Ermittlung der Pose des Schienenfahrzeugs. Es sei an dieser Stelle angemerkt, dass mit dem erfindungsgemäßen Verfahren auch relativ ungenaue Gleiskarten genutzt werden können, die im Stand der Technik Probleme bereiten, da erfindungsgemäß Abweichungen der Pose des Schienenfahrzeugs gegenüber der Gleiskarte zugelassen werden.
Ein Bewegungsmodell definiert den Übergang der Zustandsgrößen eines Systemzustands x zwischen den Zeitpunkten k-1 und k. Beispiele für solche Bewegungsmodelle sind in den Gleichungen (10) und (11) oder im „Velocity Motion Model“ in Sebastian Thrun et al. „Probabilistic Robotics (Intelligent Robotics and Autonomous Agents)“ beschrieben. The MIT Press, 2005.
Veranschaulicht. Ein Sensormodell definiert einen Zusammenhang zwischen einem Systemzustand und der Wahrscheinlichkeitsverteilung/-verteilungsdichte eines bestimmten Messwertes bzw. Sensormesswertes. Ein Beispiel für ein solches Sensormodell ist in den Gleichungen (12) und (13) veranschaulicht. Vorteilhaft vereinfacht sich die Definition eines Systemzustands und eines Bewegungsmodells aufgrund der Annahme eines eingeschränkten Lösungsraumes im Vergleich zu einer herkömmlichen Vorgehensweise ohne eine solche Einschränkung, wie später noch im Detail veranschaulicht wird. Andererseits wird eine erhöhte Präzision einer Schätzung eines Systemzustands und damit einer Pose eines Schienenfahrzeugs ermöglicht, weil das Verfahren Abweichungen der Position und Pose von einer Trajektorie eines Streckenabschnitts, auf dem sich das Schienenfahrzeug gerade befindet, erlaubt.
Die Pose des Schienenfahrzeugs wird bevorzugt durch eine Anwendung eines Bayesschen Filters auf eine Kombination aus einem Bewegungsmodell und einem Satz von Sensormodellen ermittelt. Anschaulich gesprochen wird also einerseits eine ungefähre Pose des Schienenfahrzeugs auf Basis von bevorzugt hochgenauen Gleiskartendaten ermittelt. Andererseits wird auf Basis der ungefähren Pose ein reduzierter Lösungsraum ermittelt, in dem sich eine exakte Pose des Schienenfahrzeugs wahrscheinlich befindet. Vorteilhaft vereinfacht sich die Struktur eines Filteralgorithmus aufgrund der Einschränkung des Lösungsraums beträchtlich, so dass sich der Rechenaufwand im Vergleich zu einer generischen Herangehensweise, insbesondere gegenüber gleiskartenlosen Ansätzen, reduziert.
Anders als bei einer herkömmlichen gleiskartenbasierten Vorgehensweise werden jedoch Abweichungen der Pose des Schienenfahrzeugs von einem „nominellen“ Verhalten des Schienenfahrzeugs im Bewegungsmodell bzw. von der gleiskartenbasiert ermittelten ungefähren Pose in dem reduzierten Lösungsraum ermittelt, um so exaktere Werte für eine Pose des Schienenfahrzeugs zu ermitteln.
Der Systemzustand x eines Schienenfahrzeugs kann nun wie folgt beschrieben werden: $x = [\begin{matrix} i d \\ s \\ d \\ v \\ Δ φ \\ Δ θ \\ Δ ψ \\ Δ y \\ Δ z \end{matrix}] .$
Dabei geben id, s, d die topologische Pose des Schienenfahrzeugs wieder, v die Geschwindigkeit entlang des Gleises, Δφ, Δθ, Δψ, Δy, Δz die Posenabweichung, d.h. die Abweichung der Orientierung und die Translation in Quer- und Vertikalrichtung an.
Allerdings kann der Systemzustand noch vereinfacht dargestellt werden. Denn es können bestimmte Eigenschaften des physikalischen Systems berücksichtigt werden, um die Dimension des Systemzustandes zu reduzieren. Beispielsweise sind die Abweichungen Δψ der Schienenfahrzeugpose gegenüber der Gleisgeometrie um die Gierachse oder auch die Abweichungen Δφ gegenüber der Gleisgeometrie um die Rollachse erheblich signifikanter als die Abweichungen Δθ um die Nickachse. Ebenfalls können die translatorischen Abweichungen Δy, Δz in vielen Anwendungen vernachlässigt werden. Auf diese Weise erhält man einen vereinfachten Systemzustand der Form: $x = [\begin{matrix} i d \\ s \\ d \\ v \\ Δ φ \\ Δ ψ \end{matrix}] .$
Δφ gibt die Rollwinkelabweichung an und Δψ die Gierwinkelabweichung an.
Vorteilhaft wird durch die Einbeziehung von Gleiskarten der Lösungsraum für die Ermittlung des Systemzustands stark reduziert. Im Gegensatz zu den herkömmlichen Lösungen mit Gleiskarte werden jedoch auch Abweichungen der Pose der Schienenfahrzeuge von der Gleisgeometrie zugelassen und nachverfolgt.
Aufgrund der Beschränkung auf einen Bereich um den Gleisverlauf können Posenabweichungen nur sehr klein ausfallen, wodurch sich für die Berechnung der Abweichungen eine lineare Darstellung mit einer Gaußschen Verteilung anbietet. Die kleinen Abweichungen ermöglichen es außerdem, unterschiedliche Freiheitsgrade entkoppelt zu betrachten.
In dem erfindungsgemäßen Bewegungsmodell wird also zusätzlich zur Transition des topologischen Zustandes auch eine Transition für die Posenabweichung bzw. die Abweichung der Orientierung definiert. Im Fall, dass lediglich eine Abweichung im Gierwinkel betrachtet wird, lautet diese dann zum Beispiel $Δ ψ_{k} \to Δ ψ_{k - 1} + σ_{ψ} w .$
Der Term σ_ψw in Gleichung (16) drückt ähnlich wie bei der Geschwindigkeit in Gleichung (11) aus, welche Änderungen in der Gierwinkel-Abweichung Δψ_k zwischen zwei Zeitpunkten k - 1 und k zu erwarten sind. Die Aktualisierung der Posenabweichung kann bei Bedarf auch komplexere Darstellungen enthalten, zum Beispiel um Trägheitseffekte abzubilden. Weiterhin kann hier aber von linearem Verhalten ausgegangen werden.
Für den Systemzustand mit Gleiskarte plus Posenabweichung kann das Sensormodell ebenfalls aus der Gleiskarte ermittelt werden.
Für ein Sensormodell für eine Positionsmessung müssen die Geokoordinaten aus der Gleiskarte noch um die Positionsabweichungen Δy und Δz angepasst werden. Es kann dann die folgende Funktion f definiert werden: $f : id, s, Δ y, Δ z \to lon, lat, alt .$
Die erfindungsgemäße Selbstlokalisierungseinrichtung weist eine Filterermittlungseinheit zum Ermitteln eines Bayes-Filters durch das Definieren einer formalen Struktur eines Systemzustands, welcher eine Pose eines Schienenfahrzeugs repräsentiert, und eines Bewegungsmodells des Schienenfahrzeugs, welches eine Posenänderung des Schienenfahrzeugs in Abhängigkeit von der Zeit repräsentiert, auf. Dabei wird eine mögliche Pose des Schienenfahrzeugs auf Basis des Verlaufs von Schienenstrecken in Gleiskartendaten eingeschränkt, aber es erfolgt eine teilweise Kompensation der Restriktion auf Basis einer modellbasiert definierten möglichen Abweichung der Pose des Schienenfahrzeugs von der eingeschränkten möglichen Pose.
Die Filterermittlungseinrichtung ist außerdem dazu eingerichtet, Sensormodelle zur Charakterisierung des Messverhaltens von Sensoren des Schienenfahrzeugs, welche für die Ermittlung der Wahrscheinlichkeitsverteilung der Pose des Schienenfahrzeugs auf Basis von Sensordaten verwendet werden, zu definieren.
Zudem ist die Filterermittlungseinrichtung dazu eingerichtet, ein Bayes-Filter auf Basis des Systemzustands, des Bewegungsmodells und des Sensormodells zu ermitteln.
Teil der erfindungsgemäßen Selbstlokalisierungseinrichtung ist auch eine Konfigurationseinheit zum Konfigurieren einer Wahrscheinlichkeitsverteilung eines initialen Zustands des Schienenfahrzeugs.
Weiterhin umfasst die erfindungsgemäße Selbstlokalisierungseinrichtung eine Sensordatenschnittstelle zum Erfassen von Sensordaten von Sensoren des Schienenfahrzeugs zur Ermittlung der Pose des Schienenfahrzeugs und eine Posenermittlungseinheit zum Ermitteln einer Wahrscheinlichkeitsverteilung einer aktuellen Systemzustands und damit auch der Wahrscheinlichkeitsverteilung einer Pose des Schienenfahrzeugs durch Anwendung des Bayes-Filters auf die erfassten Sensordaten auf die Wahrscheinlichkeitsverteilung des initialen Systemzustands des Schienenfahrzeugs als Eingangsgrößen.
Bevorzugt ist die Posenermittlungseinheit dazu eingerichtet anstatt der Wahrscheinlichkeitsverteilung des initialen Systemzustands bei einer wiederholten Posenermittlung eine Wahrscheinlichkeitsverteilung eines zuletzt geschätzten Systemzustands des Schienenfahrzeugs als Eingangsgröße für das Bayes-Filter zu verwenden. Dieser zuletzt geschätzte Systemzustand umfasst nach jeder weiteren Iteration den zuletzt bei der Anwendung des Bayes-Filters zur Posenermittlung ermittelten Systemzustand des Schienenfahrzeugs.
Mithin ist die Posenermittlungseinheit also dazu eingerichtet, bei einer wiederholten Posenermittlung anstatt der Wahrscheinlichkeitsverteilung des initialen Systemzustands des Schienenfahrzeugs eine Wahrscheinlichkeitsverteilung eines im Zusammenhang mit der zuletzt ermittelten Wahrscheinlichkeitsverteilung der Pose des Schienenfahrzeugs zuletzt ermittelten Systemzustands des Schienenfahrzeugs als Eingangsgröße für das Bayes-Filter zu verwenden.
Die erfindungsgemäße Selbstlokalisierungseinrichtung teilt die Vorteile des erfindungsgemäßen Verfahrens zur Ermittlung einer Wahrscheinlichkeitsverteilung einer Pose eines Schienenfahrzeugs.
Das erfindungsgemäße Schienenfahrzeug weist eine Sensoreinheit zum Erfassen von Sensordaten zum Ermitteln einer Pose des Schienenfahrzeugs auf. Zudem umfasst das erfindungsgemäße Schienenfahrzeug die erfindungsgemäße Lokalisierungseinrichtung, welche dazu eingerichtet ist, auf Basis der erfassten Sensordaten die Pose des Schienenfahrzeugs zu ermitteln. Optional umfasst das erfindungsgemäße Schienenfahrzeug eine Einrichtung zum Durchführen einer Aktion auf Basis der Kenntnis der Pose des Schienenfahrzeug, wie zum Beispiel eine Steuerungseinrichtung zum Steuern eines Fahrverhaltens des Schienenfahrzeugs in Abhängigkeit von einer durch die Lokalisierungseinrichtung ermittelten Pose. Das erfindungsgemäße Schienenfahrzeug teilt die Vorteile der erfindungsgemäßen Selbstlokalisierungseinrichtung.
Ein Großteil der zuvor genannten Komponenten der Selbstlokalisierungseinrichtung können ganz oder teilweise in Form von Softwaremodulen in einem Prozessor eines entsprechenden Rechensystems realisiert werden, z.B. von einer Steuereinheit eines Schienenfahrzeugs. Eine weitgehend softwaremäßige Realisierung hat den Vorteil, dass auch schon bisher verwendete Rechensysteme auf einfache Weise durch ein Software-Update nachgerüstet werden können, um auf die erfindungsgemäße Weise zu arbeiten. Insofern wird die Aufgabe auch durch ein entsprechendes Computerprogrammprodukt mit einem Computerprogramm gelöst, welches direkt in ein Rechensystem ladbar ist, mit Programmabschnitten, um die Schritte des erfindungsgemäßen Verfahrens, zumindest die durch einen Computer ausführbaren Schritte, insbesondere den Schritt zum Definieren eines Bewegungsmodells des Schienenfahrzeugs, beispielsweise durch eine konkrete Parameterwahl, den Schritt zum Definieren von Sensormodellen, beispielsweise durch eine konkrete Parameterwahl, den Schritt zum Ermitteln eines Bayes-Filters, den Schritt zum Konfigurieren einer Wahrscheinlichkeitsverteilung eines initialen Systemzustands des Schienenfahrzeugs und den Schritt zum Ermitteln einer Wahrscheinlichkeitsverteilung der Pose des Schienenfahrzeugs, auszuführen, wenn das Programm in dem Rechensystem ausgeführt wird. Ein solches Computerprogrammprodukt kann neben dem Computerprogramm gegebenenfalls zusätzliche Bestandteile, wie z. B. eine Dokumentation, und/oder zusätzliche Komponenten, auch Hardware-Komponenten, wie z.B. Hardware-Schlüssel (Dongles etc.) zur Nutzung der Software, umfassen.
Zum Transport zum Rechensystem bzw. zur Steuereinheit und/oder zur Speicherung an oder in dem Rechensystem bzw. der Steuereinheit kann ein computerlesbares Medium, z.B. ein Memorystick, eine Festplatte oder ein sonstiger transportabler oder fest eingebauter Datenträger dienen, auf welchem die von einem Rechensystem einlesbaren und ausführbaren Programmabschnitte des Computerprogramms gespeichert sind. Das Rechensystem kann z.B. hierzu einen oder mehrere zusammenarbeitende Mikroprozessoren oder dergleichen aufweisen.
Die abhängigen Ansprüche sowie die nachfolgende Beschreibung enthalten jeweils besonders vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung. Dabei können insbesondere die Ansprüche einer Anspruchskategorie auch analog zu den abhängigen Ansprüchen einer anderen Anspruchskategorie und deren Beschreibungsteilen weitergebildet sein. Zudem können im Rahmen der Erfindung die verschiedenen Merkmale unterschiedlicher Ausführungsbeispiele und Ansprüche auch zu neuen Ausführungsbeispielen kombiniert werden.
In einer Ausgestaltung des erfindungsgemäßen Verfahrens zur Ermittlung der Wahrscheinlichkeitsverteilung einer Pose eines Schienenfahrzeugs wird eine Gaußsche Verteilung für die mögliche Abweichung angenommen. Eine solche Gaußsche Verteilung kann insbesondere bei der Annahme kleiner Abweichungen angenommen werden, was aufgrund der Einschränkung des Lösungsraums auf Posen, die mit dem Gleisverlauf, in den der PosenErmittlung zugrundeliegenden Gleiskartendaten zumindest grob vereinbar sind, ermöglicht wird. Insbesondere kann unter Annahme kleiner Abweichungen und einer Gaußschen Verteilung vorteilhaft ein besonders leistungsfähiges Kalman-Filter (oder Erweiterungen davon) eingesetzt werden, mit dem der Rechenaufwand reduziert und die Genauigkeit der Schätzung der Pose des Schienenfahrzeugs besonders hoch ist.
In einer Ausgestaltung des erfindungsgemäßen Verfahrens zur Ermittlung einer Pose eines Schienenfahrzeugs wird ein linearisiertes und entkoppeltes Bewegungsmodell für die mögliche Abweichung, welche eine oszillatorische Bewegung des Schienenfahrzeugs um die eingeschränkte Pose des Schienenfahrzeugs umfasst, angewendet. Eine exakte Verfolgung der Wahrscheinlichkeitsverteilungen der Bewegungszustände und Sensormesszustände ist möglich, wenn das Bewegungsmodell und das Sensormodell durch lineare Funktionen beschrieben werden, sowie die Ausgangsverteilung des Systems als Gaußverteilung angenommen wird. Eine solche lineare Gestalt des Bewegungsmodells und des Sensormodells wird aufgrund der nur relativ kleinen Abweichungen der realen Pose von einer durch die Einschränkung des Lösungsraums ermittelbaren ungenauen bzw. ungefähren Pose ermöglicht.
Sind die einzelnen Komponenten der Zustände entkoppelt, so ist es oft möglich, zur Ermittlung der Abweichungen der exakten Pose die Anzahl der möglichen Dimensionen der Abweichungen von der eingeschränkt möglichen Pose zu reduzieren. Vorteilhaft wird durch die Dimensionsreduktion der Rechenaufwand zur Ermittlung der Wahrscheinlichkeitsverteilungen der Bewegungszustände reduziert.
Dabei werden bevorzugt die Abweichungen von einem Neigungswinkel der ungefähren Pose vernachlässigt, denn die Nickneigung eines Schienenfahrzeugs gegenüber der Gleisgeometrie ist gewöhnlich minimal. Ebenfalls können bevorzugt die translatorischen Abweichungen in Quer- und Vertikalrichtung vernachlässigt werden, da sie als klein gegenüber den typischerweise erforderlichen translatorischen Genauigkeiten angenommen werden können. Vorteilhaft wird durch die Dimensionsreduktion der Rechenaufwand zur Ermittlung der Wahrscheinlichkeitsdichten der Bewegungszustände reduziert.
Besonders bevorzugt wird für das Ermitteln der Pose des Schienenfahrzeugs eines der folgenden Filter angewendet:

- ein Kalman-Filter,
- ein Partikel-Filter,
- ein Multi-Hypothesen-Filter.

Ein Kalman-Filter eignet sich für ein linearisiertes Zustandssystem. Es kann typischerweise für ein relativ hochdimensionales System angewendet werden, beispielsweise für eine Dimension n = 20. Für Systeme, die zwar nicht exakt linear sind, jedoch um den jeweiligen Systemzustand angemessen linearisiert werden können und eine annähernde Gaußverteilung aufweisen, kann das klassische Kalman-Filter erweitert werden. Ein Kalman-Filter zeichnet sich dadurch aus, dass es unter den genannten Voraussetzungen die mathematisch exakte sowie effizienteste Lösung liefert.
Partikel-Filter sind eher für Lösungen in Systemen mit niedriger Dimensionszahl geeignet, da sie einen hohen Rechenaufwand mit steigender Dimension mit sich bringen. Für ein System mit einem signifikant nichtlinearen Verhalten und nicht Gauß-förmiger Wahrscheinlichkeitsverteilung stellt das Partikel-Filter die wichtigste Implementierung eines Bayes-Filters dar. Es ist besonders flexibel einsetzbar, da auch komplexe nicht-lineare Bewegungsmodelle und Sensormodelle damit bearbeitet werden können. Partikel-Filter können unter Umständen einen vergleichsweise hohen Rechenaufwand mit sich bringen, insbesondere, wenn eine große Anzahl von Partikeln benötigt wird, um die Verteilung ausreichend exakt wiederzugeben. Gleichzeitig ist die Systemdimension deutlich eingeschränkt, da hochdimensionale Systeme (zum Beispiel mit n > 5) nur schlecht durch eine endliche Anzahl von Partikeln abgebildet werden können.
Die zwei wichtigsten komplexeren Varianten des Kalman-Filters sind das sogenannte erweiterte Kalman-Filter (im Englischen Extended Kalman-Filter) und das Unscented Kalman-Filter. Im Vergleich zu dem einfachen Kalman-Filter sind das Extended Kalman-Filter und das Unscented Kalman-Filter rechenaufwändiger, da zu jedem Zeitpunkt eine Linearisierung um den aktuellen Systemzustand erfolgt. Dennoch ist der Rechenaufwand in der Regel vergleichbar mit dem des einfachen Kalman-Filters, so dass auch hier vergleichsweise hochdimensionale Systeme betrachtet werden können. Außerdem verlieren die Erweiterungen des Kalman-Filters die Eigenschaft der Exaktheit des einfachen Kalman-Filters.
Eine Variante des Extended Kalman-Filter ist das Error-State Extended Kalman-Filter, welches im Gegensatz zu dem einfachen Extended Kalman-Filter nicht den physikalischen Systemzustand verfolgt, sondern stattdessen die Abweichung von einem nominellen Verlauf des Systemzustandes. Diese Variante hat den Vorteil, dass die Abweichungen typischerweise nur kleine Magnituden besitzen und somit die im Extended Kalman-Filter angewendeten Linearisierungen bessere Gültigkeit besitzen, so dass die Posenschätzung mit erhöhter Genauigkeit erfolgt.
Eine Art Kombination von Varianten des Kalman-Filters und des Partikel-Filters bildet das Rao-Blackwell Partikel-Filter, bei welchem der Systemzustand in einen linearen und einen nichtlinearen Anteil, x^l, x^nl aufgeteilt wird. Vereinfacht formuliert kann somit für den nichtlinearen Anteil x^nl ein Partikel-Filter genutzt werden und für die linearen Komponenten x^l kann ein Kalman-Filter genutzt werden. Vorteilhaft werden der Rechenaufwand und die Genauigkeit der Posenschätzung bei dieser hybriden Vorgehensweise im Vergleich zu einer exklusiven Beschränkung auf ein Partikel-Filter oder ein Kalman-Filter optimiert.
Die Erfindung wird im Folgenden unter Hinweis auf die beigefügten Figuren anhand von Ausführungsbeispielen noch einmal näher erläutert. Es zeigen:

1 eine Darstellung von unterschiedlichen Lösungsräumen für unterschiedliche Ansätze zur Ermittlung einer Pose eines Schienenfahrzeugs,
2 ein Flussdiagramm, welches ein Verfahren zur Ermittlung der Wahrscheinlichkeitsverteilung einer Pose eines Schienenfahrzeugs gemäß einem Ausführungsbeispiel der Erfindung veranschaulicht,
3 eine schematische Darstellung einer Selbstlokalisierungseinrichtung gemäß einem Ausführungsbeispiel der Erfindung,
4 ein Schienenfahrzeug gemäß einem Ausführungsbeispiel der Erfindung.

In 1 ist eine Darstellung 10 von unterschiedlichen Lösungsräumen für unterschiedliche Ansätze zur Ermittlung einer Pose eines Schienenfahrzeugs gezeigt.
In einer Darstellung 10a oben links in 1 ist symbolisch ein Streckenabschnitt S einer Schienenstrecke gezeigt, auf dem sich ein zu lokalisierendes Schienenfahrzeug 1 befindet. Dem Schienenfahrzeug 1 lässt sich eine exakte Pose zuordnen, die sowohl die aktuelle Position als auch die aktuelle Orientierung des Schienenfahrzeugs 1 wiedergibt.
Oben rechts in einer Darstellung 10b ist das gesamte Rechteck, das den bereits in der Darstellung 10 oben links gezeigten Streckenabschnitt S umfasst, als Lösungsraum L symbolisiert. D.h., bei dieser Variante wird der Lösungsraum L für den Zustand des Schienenfahrzeugs 1, insbesondere dessen Pose, vorab nicht eingeschränkt, so dass der Rechenaufwand und die Ungenauigkeit bei der Berechnung des Zustands des Schienenfahrzeugs 1 mit Hilfe eines Filters sehr hoch sind. Diese Variante entspricht der Vorgehensweise in J. Wendel. „Integrierte Navigationssysteme“. München, 2011, Oldenbourg Verlag.
Unten links in 1 ist in einer Darstellung 10c als eingeschränkter Lösungsraum L der bereits in der Darstellung 10a oben links gezeigte Streckenabschnitt S eingezeichnet. Bei dieser Variante ist der Lösungsraum L maximal eingeschränkt, wobei Abweichungen der Pose des Schienenfahrzeugs 1 von einer Position und Orientierung der Schienen nicht berücksichtigt, werden können. Eine solche Vorgehensweise ist in O. Heirich. „Localization of Trains and Mapping of Railway Tracks". PhD Thesis, 2020. beschrieben.
Unten rechts in 1 ist in einer Darstellung 10d als eingeschränkter Lösungsraum L ein breiterer Bereich um den Streckenabschnitt S herum eingezeichnet, wie er bei dem erfindungsgemäßen Verfahren zur Ermittlung einer Pose eines Schienenfahrzeugs genutzt wird. Dieser eingeschränkte Lösungsraum L ist einerseits ausreichend eingeschränkt, um zum Beispiel Abweichungen der Orientierung eines Schienenfahrzeugs durch eine linearisiertes Modell zu beschreiben, andererseits ist der Spielraum noch groß genug, um typische Abweichungen und Variationen der Pose eines Schienenfahrzeugs im Bewegungsmodell und im Sensormodell berücksichtigen zu können.
In 2 ist ein Flussdiagramm 200 gezeigt, welches ein Verfahren zur Ermittlung der Wahrscheinlichkeitsverteilung einer Pose eines Schienenfahrzeugs gemäß einem Ausführungsbeispiel der Erfindung veranschaulicht.
Bei dem Schritt 2.1 wird zunächst ein komplexes Modell erstellt, welches einen Systemzustand und ein Bewegungsmodell strukturell definiert. Hierbei werden der Systemzustand x und das Bewegungsmodell BM unter der Festlegung strukturiert, dass eine mögliche Pose P des Schienenfahrzeugs auf Basis des Verlaufs von Schienenstrecken in Gleiskartendaten GKD eingeschränkt wird, aber eine teilweise Kompensation der Restriktion auf Basis einer modellbasiert definierten möglichen Abweichung DP der Pose P des Schienenfahrzeugs von der eingeschränkten möglichen Pose erfolgt.
Bei dem Schritt 2.II werden Sensormodelle SM definiert, welche das unterschiedliche Messverhalten unterschiedlicher Sensoren des Schienenfahrzeugs, welche zur Ermittlung der Wahrscheinlichkeitsverteilung p(P) der Pose P des Schienenfahrzeugs verwendet werden, beschreiben.
In Konsequenz der oben beschriebenen Konstruktion des Systemzustands x, des Bewegungsmodells BM und der Sensormodelle SM resultiert ein eingeschränkter Lösungsraum L, so dass die Pose des Schienenfahrzeugs 1 relativ zu einer durch den Verlauf der Schienenstränge determinierten Orientierung leicht variieren kann. Diese Variation erstreckt sich insbesondere auf die Orientierung des Schienenfahrzeugs 1, da aufgrund der Freiheitsgrade der Orientierung des Schienenfahrzeugs 1 relativ zu der Orientierung des Schienenstrangs eine Abweichung der Orientierung des Schienenfahrzeugs 1 von der kartenbasiert zu erwartenden Orientierung wahrscheinlich ist. Weiterhin kann aber auch eine Abweichung der Position des Schienenfahrzeugs 1 von einer auf Basis eines Streckenverlaufs geschätzten Position auftreten, wenn zum Beispiel der Wagenkasten aufgrund der elastischen Aufhängung seitliche Schwingungen ausführt.
Das Bewegungsmodell BM kann mit einem Zustand x, wie er in der Gleichung (15) mit einer möglichen Rollwinkelabweichung und einer Gierwinkelabweichung definiert ist, und einer Transition, wie sie in der Gleichung (16) dargestellt ist, festgelegt werden. Das Sensormodell SM kann wie in Gleichung (17) angepasst werden, wobei die Geokoordinaten aus der Gleiskarte noch um Positionsabweichungen Δy und Δz korrigiert werden, sofern diese als Teil des Systemzustands verfolgt werden.
Bei dem Schritt 2. III wird ein Bayes-Filter BF auf Basis des Systemzustands x, des Bewegungsmodells BM und des Sensormodells SM ermittelt. Als Bayes-Filter BF kann zum Beispiel ein Kalman-Filter genutzt werden.
Bei dem Schritt 2.IV wird nun ein initialer Systemzustand x₀ des Schienenfahrzeugs bzw. dessen Wahrscheinlichkeitsverteilung p(x₀) konfiguriert. Für die Konfiguration p(x₀) des Systemzustands x₀ kann zum Beispiel eine vorbekannte Startpose und deren Unsicherheit genutzt werden.
Bei dem Schritt 2.V werden nun während einer Fahrt des Schienenfahrzeugs Sensordaten SD durch die Sensoren des Schienenfahrzeugs erfasst.
Weiterhin werden bei der Fahrt des Schienenfahrzeugs 1 bei dem Schritt 2.VI auf Basis von Sensormesswerten z_k und der bedingten Wahrscheinlichkeitsdichte p(x_k|x_k-1) des jeweils neuesten ehemaligen Zustands x_k des Schienenfahrzeugs 1 aktualisierte Werte für die Wahrscheinlichkeitsdichte p(x_k) des Zustands x_k ermittelt. Auf Basis der Wahrscheinlichkeitsdichte p(x) des Systemzustands x wird während der Fahrt laufend eine aktuelle Pose P des Schienenfahrzeugs 1 ermittelt.
In 3 ist eine schematische Darstellung einer Selbstlokalisierungseinrichtung 30 gemäß einem Ausführungsbeispiel der Erfindung veranschaulicht. Die Selbstlokalisierungseinrichtung 30 weist eine Sensordatenschnittstelle 31 zum Empfangen von Sensordaten SD zur Lokalisierung eines Schienenfahrzeugs 1 auf.
Weiterhin umfasst die Selbstlokalisierungseinrichtung 30 eine Filterermittlungseinheit 32. Die Filterermittlungseinheit 32 ist dazu eingerichtet, ein Bayes-Filter BF zu ermitteln bzw. zu definieren. Das Bayes-Filter wird, wie im Zusammenhang mit 2 beschrieben, auf Basis eines Systemzustands x, eines Bewegungsmodells BM und eines Sensormodells SM sowie auf Basis von Gleiskartendaten GKD von einem geographischen Bereich, in dem sich der Streckenabschnitt befindet, auf dem sich das Schienenfahrzeug 1 aktuell befindet, definiert. Die Gleiskartendaten GKD werden aus einer Datenbank DB bezogen.
In der in 3 gezeigten Ausführungsform empfängt die Filterermittlungseinheit 32 ein parametrisierbares Bayes-Filter BF_p, welches auf einem parametrisierbaren Systemzustand x_p, einem parametrisierbaren Bewegungsmodell BM_p und einem parametrisierbaren Sensormodell SM_p basiert, über Schnittstellen (nicht im Einzelnen dargestellt). Die Parametrierung des parametrisierbaren Bayes-Filter BF_p erfolgt in der Filterermittlungseinheit 32 durch die Restriktion auf Basis der Gleiskartendaten GKD sowie gegebenenfalls auf Basis von zusätzlichen Informationen I, welche technische Eigenschaften und Abmessungen des Schienenfahrzeugs 1 umfasst, welche die Parametrisierung des Bayes-Filters BF_p ebenfalls beeinflussen. Die zusätzlichen Informationen I können entweder von einem Experten oder Benutzer eingegeben werden oder aus einer externen Datenquelle oder einem internen Datenspeicher des Schienenfahrzeugs 1 bezogen werden.
Teil der Selbstlokalisierungseinrichtung 30 ist auch eine Konfigurationseinheit 33, welche dazu eingerichtet ist, eine Wahrscheinlichkeitsverteilung p(x₀) eines initialen Systemzustands x₀ zu konfigurieren. Die Konfigurationseinheit 33 weist ebenfalls eine Schnittstelle auf, über die ein initialer Systemzustand x₀ oder den initialen Systemzustand x₀ konfigurierende Parameterwerte pw in die Konfigurationseinheit 33 eingegeben werden können.
Die Selbstlokalisierungseinrichtung 30 umfasst zudem eine in 3 gestrichelt markierte Posenermittlungseinheit 34. Die Posenermittlungseinheit 34 umfasst in der in 3 gezeigten Ausführungsform eine Verteilungsermittlungseinheit 34a, welche dazu eingerichtet ist, während einer Fahrt auf Basis von Sensordaten SD bzw. Sensormesswerten z_k und der bedingten Wahrscheinlichkeitsdichte p(x_k|x_k-1) des jeweils neuesten Zustands x_k des Schienenfahrzeugs 1 aktualisierte Werte für die Wahrscheinlichkeitsdichte p(x) (entspricht p(x_k|z_k) in Gln. (5)) des Zustands x zu ermitteln.
Weiterhin umfasst die Posenermittlungseinheit 34 eine Ausgabe-Schnittstelle 34b, welche die aktuelle Schätzung in ein durch Nutzer verwertbares Format verwandelt. Insbesondere kann auf Basis einer statistischen Verteilung p(x) ein Mittelwert gebildet werden, um einen konkreten Zustand x zu ermitteln und eine Pose P auszugeben. Beispielsweise kann bei einer Implementierung eines Partikel-Filters anhand von gewichteten Partikeln ein Mittelwert berechnet werden, der als Systemzustand x oder Pose P ausgegeben wird.
Auf Basis der Wahrscheinlichkeitsdichte p(x) des Zustands x wird während der Fahrt laufend eine aktuelle Pose P des Schienenfahrzeugs 1 ermittelt.
In 4 ist ein Szenario 40 gezeigt, welches ein auf einer Schienenstrecke 2 in Pfeilrichtung fahrendes Schienenfahrzeug 1 gemäß einem Ausführungsbeispiel der Erfindung veranschaulicht. Das Schienenfahrzeug 1 weist eine Sensoreinheit 3 auf, mit der Sensordaten SD, beispielsweise GNSS-Daten, welche zur Zustandsermittlung des Schienenfahrzeugs 1 genutzt werden können, erfasst werden. Die Sensordaten SD werden an eine Selbstlokalisierungseinrichtung 30, welche den in 3 veranschaulichten Aufbau aufweist, übermittelt. Die Selbstlokalisierungseinrichtung 30 schätzt auf Basis dieser Sensordaten eine Pose P des Schienenfahrzeugs 1. Diese Pose P wird an eine Steuereinheit 4 übermittelt. Die Steuereinheit 4 steuert das Schienenfahrzeug 1 auf Basis der ermittelten Pose P.
Es wird abschließend noch einmal darauf hingewiesen, dass es sich bei den vorbeschriebenen Verfahren und Vorrichtungen lediglich um bevorzugte Ausführungsbeispiele der Erfindung handelt und dass die Erfindung vom Fachmann variiert werden kann, ohne den Bereich der Erfindung zu verlassen, soweit er durch die Ansprüche vorgegeben ist. Es wird der Vollständigkeit halber auch darauf hingewiesen, dass die Verwendung der unbestimmten Artikel „ein“ bzw. „eine“ nicht ausschließt, dass die betreffenden Merkmale auch mehrfach vorhanden sein können. Ebenso schließt der Begriff „Einheit“ nicht aus, dass diese aus mehreren Komponenten besteht, die gegebenenfalls auch räumlich verteilt sein können.

Claims

Verfahren zur Ermittlung der Wahrscheinlichkeitsverteilung (p(P)) einer Pose (P) eines Schienenfahrzeugs (1), aufweisend die Schritte: i) Definieren einer formalen Struktur eines Systemzustands (x), welcher eine Pose (P) des Schienenfahrzeugs (1) repräsentiert und Definieren eines Bewegungsmodells (BM) des Schienenfahrzeugs (1), welches eine Wahrscheinlichkeitsverteilung einer Posenänderung (DP) des Schienenfahrzeugs (1) in Abhängigkeit von der Zeit repräsentiert, wobei eine mögliche Pose (P) des Schienenfahrzeugs (1) auf Basis des Verlaufs von Schienenstrecken (2) in Gleiskartendaten (GKD) eingeschränkt wird, aber eine teilweise Kompensation der Restriktion auf Basis einer modellbasiert definierten möglichen Abweichung der Pose (P) des Schienenfahrzeugs (1) von der eingeschränkten möglichen Pose (P) erfolgt, ii) Definieren von Sensormodellen (SM) zur Charakterisierung des Messverhaltens von Sensoren (3) des Schienenfahrzeugs (1), welche für die Ermittlung der Wahrscheinlichkeitsverteilung (p(P)) der Pose (P) des Schienenfahrzeugs (1) auf Basis von Sensordaten (SD) verwendet werden, iii) Ermitteln eines Bayes-Filters (BF) auf Basis des Systemzustands (x), des Bewegungsmodells (BM) und des Sensormodells (SM), iv) Konfigurieren einer Wahrscheinlichkeitsverteilung (p(x₀)) eines initialen Systemzustands (x₀) des Schienenfahrzeugs (1), v) Erfassen von Sensordaten (SD) durch die Sensoren (3) zur Ermittlung der Pose (P) des Schienenfahrzeugs (1), vi) Ermitteln der Wahrscheinlichkeitsverteilung (p(P)) der Pose (P) des Schienenfahrzeugs (1) durch Anwendung des Bayes-Filters (BF) auf die erfassten Sensordaten (SD) und auf die Wahrscheinlichkeitsverteilung (p(x₀)) des initialen Systemzustands (x₀) des Schienenfahrzeugs (1) als Eingangsgrößen.
Verfahren nach Anspruch 1, wobei vorzugsweise während einer Fahrt des Schienenfahrzeugs (1) die Schritte v) und vi) mehrfach wiederholt werden, wobei bei dem Schritt vi) anstatt der Wahrscheinlichkeitsverteilung (p(x₀)) des initialen Systemzustands (x₀) des Schienenfahrzeugs (1) eine Wahrscheinlichkeitsverteilung (p(x_k-1)) eines im Zusammenhang mit der zuletzt ermittelten Wahrscheinlichkeitsverteilung (p(P)) der Pose (p(P)) des Schienenfahrzeugs (1) zuletzt ermittelten Systemzustands (x_k-1) als Eingangsgröße für das Bayes-Filter (BF) verwendet wird.
Verfahren nach Anspruch 1 oder 2, wobei eine Gaußsche Verteilung der möglichen Abweichung angenommen wird.
Verfahren nach einem der vorstehenden Ansprüche, wobei zur Ermittlung der möglichen Abweichung ein linearisiertes und entkoppeltes Bewegungsmodell (BM) für die mögliche Abweichung, welche eine oszillatorische Bewegung des Schienenfahrzeugs (1) um die eingeschränkte mögliche Pose (P) des Schienenfahrzeugs (1) umfasst, angewendet wird.
Verfahren nach einem der vorstehenden Ansprüche, wobei zur Ermittlung der möglichen Abweichung die Anzahl der möglichen Dimensionen der möglichen Abweichung von der eingeschränkten möglichen Pose (P) reduziert wird.
Verfahren nach Anspruch 5, wobei die mögliche Abweichung von einem Neigungswinkel der eingeschränkten möglichen Pose (P) vernachlässigt wird.
Verfahren nach Anspruch 5 oder 6, wobei eine translatorische Abweichung von der eingeschränkten möglichen Pose (P) vernachlässigt wird.
Verfahren nach einem der vorstehenden Ansprüche, wobei als Bayes-Filter (BF) einer der folgenden Filter angewendet wird: - ein Kalman-Filter, - ein Partikel-Filter, - ein Multi-Hypothesen-Filter.
Verfahren nach Anspruch 8, wobei der Kalman-Filter einen der folgenden speziellen Filtertypen umfasst: - ein erweitertes Kalman-filter, - ein Unscented Kalman-Filter, - ein Error-State-Kalman-Filter.
Verfahren nach Anspruch 8, wobei der Partikel-Filter ein Rao-Blackwell-Partikel-Filter umfasst.
Selbstlokalisierungseinrichtung (30), aufweisend: - eine Filterermittlungseinheit (33) zum Ermitteln eines Bayes-Filters (BF) durch - Definieren einer formalen Struktur eines Systemzustands (x), welcher eine Pose (P) eines Schienenfahrzeugs (1) repräsentiert, und eines Bewegungsmodells (BM) des Schienenfahrzeugs (1), welches eine Posenänderung (DP) des Schienenfahrzeugs (1) in Abhängigkeit von der Zeit (t) repräsentiert, wobei eine mögliche Pose (P) des Schienenfahrzeugs (1) auf Basis des Verlaufs von Schienenstrecken in Gleiskartendaten (GKD) eingeschränkt wird, aber eine teilweise Kompensation der Restriktion auf Basis einer modellbasiert definierten möglichen Abweichung der Pose (P) des Schienenfahrzeugs (1) von der eingeschränkten möglichen Pose (P) erfolgt, - Definieren von Sensormodellen (SM) zur Charakterisierung des Messverhaltens von Sensoren des Schienenfahrzeugs (1), welche für die Ermittlung der Wahrscheinlichkeitsverteilung (p(P)) der Pose (P) des Schienenfahrzeugs (1) auf Basis von Sensordaten (SD) verwendet werden, - Ermitteln eines Bayes-Filters (BF) auf Basis des Systemzustands, des Bewegungsmodells (BM) und des Sensormodells (SM), - eine Konfigurationseinheit (32) zum Konfigurieren einer Wahrscheinlichkeitsverteilung (p(x₀)) eines initialen Systemzustands (x₀) des Schienenfahrzeugs (1), - eine Sensordatenschnittstelle (31) zum Erfassen von Sensordaten (SD) von Sensoren des Schienenfahrzeugs (1) zur Ermittlung der Pose (P) des Schienenfahrzeugs (1), - eine Posenermittlungseinheit (34) zum Ermitteln der Wahrscheinlichkeitsverteilung ((p(P)) der Pose (P) des Schienenfahrzeugs (1) durch Anwendung des Bayes-Filters (BF) auf die erfassten Sensordaten (SD) und auf die Wahrscheinlichkeitsverteilung (p(x₀)) des initialen Systemzustands (x₀) des Schienenfahrzeugs (1) als Eingangsgrößen.
Schienenfahrzeug (1), aufweisend: - eine Sensoreinheit (3) zum Erfassen von Sensordaten (SD) zur Ermittlung einer Pose (P) des Schienenfahrzeugs (1), - eine Selbstlokalisierungseinrichtung (30) nach Anspruch 11.
Computerprogrammprodukt mit einem Computerprogramm, welches direkt in eine Speichereinheit einer Steuereinrichtung (4) eines Schienenfahrzeugs (1) ladbar ist, mit Programmabschnitten, um die Schritte eines Verfahrens nach einem der Ansprüche 1 bis 10 auszuführen, wenn das Computerprogramm in der Steuereinrichtung (4) ausgeführt wird.
Computerlesbares Medium, auf welchem von einer Rechnereinheit ausführbare Programmabschnitte gespeichert sind, um die Schritte eines Verfahrens nach einem der Ansprüche 1 bis 10 auszuführen, wenn die Programmabschnitte von der Rechnereinheit ausgeführt werden.