【技术实现步骤摘要】
本专利技术涉及一种用于识别危险空间中的障碍物的方法，所述危险空间能够被交通工具驶过。本专利技术还涉及一种用于识别障碍物的设备。此外，本专利技术还涉及一种铁路道口，其具有用于识别障碍物的设备。此外，本专利技术还涉及一种站台，其具有用于识别障碍物的设备。最后，本专利技术涉及一种计算机程序产品以及一种用于该计算机程序产品的提供装置，其中，所述计算机程序产品配备有用于实施所述方法的程序指令。
技术介绍
1、危险空间例如可以由铁路道口或者站台形成。危险空间在此是必须在交通工具、即列车通过时没有障碍物的轨道区域。具有(全)护栏装置的铁路道口由工作人员或者通过相对昂贵的雷达扫描仪装置进行监测，该雷达扫描装置需要安全许可(安全等级sil-3)。对于更简单的运行条件，也可以采用诸如在警告之后时间控制地关闭(根据db ril 456.0001的呼叫护栏装置)的解决方案。例如在vag纽伦堡也将具有雷达扫描装置的非常复杂的解决方案用于监测站台。
2、在汽车工业中存在用于障碍物识别的广泛使用的算法，但是这些算法还没有在开放的道路环境中使用，因为之前已知具有事故后果的故障情况。原则上，障碍物的识别通过以下方式进行：借助合适的传感装置(光学传感器、雷达、超声波)将位于交通工具前方的区域中的对象识别为障碍物并且计算机辅助地优选通过使用人工智能来分类。分类的结果是识别出那些被认为是障碍的对象。在此情况下，障碍物是可能与相关交通工具发生碰撞的对象。
3、另一方面，也可能将例如处于交通工具的车道以外而因此不会发生碰撞的对象识别出来。这些对象不
4、ai(人工智能)应用目前尚未获准应用于在铁路领域的安全应用(也即高安全级别应用)，这尤其是因为难以理解其确切功能，并且也不能覆盖在铁路领域中为传感装置所必须要求的距离。其可能仅能像必须利用给特殊方法来监控的黑匣子那样被处理。这尤其在用于轨道上的自动驾驶的障碍物识别中是有问题的，必须以高安全性完成障碍物识别。在使用ai时，无法预测传感装置在特定情况下能识别到障碍物的程度，以及传感装置是否有足够的能力识别到障碍物，也不清楚路线的危险空间是否没有障碍物。
5、人工智能(以下也缩写为ki)在本专利技术的范畴内应狭义地理解为计算机辅助机器学习(以下缩写为ml)。在此涉及的是算法的参数化的统计学习，优选适用于非常复杂的应用情况。系统根据上述学习数据借助ml识别并学习在检测到的过程数据中的模式和规律。借助合适的算法能够通过ml找到所出现的问题的解决方案。ml分为三个领域——监督学习、无监督学习和强化学习(英文：reinforcement learning)，其具有更具体的应用，例如回归和分类、结构识别和预测、数据产生(采样)或自主处理。
6、在监督学习下，系统通过已知数据的输入和相应的输出的关联进行训练，并且通过该方式学习近似函数关系。在此，这有赖于能够使用足够合适的数据，因为如果系统使用不合适的(例如非代表性)数据进行训练，它会学习到错误的功能关系。在无监督学习下，系统也使用样本数据进行训练，但仅使用输入数据，而与已知输出没有任何联系。系统了解如何形成和扩展数据组、相关用例的典型特征以及发生偏差或异常的位置。由此允许描述应用例并发现错误状态。在强化学习下，系统通过试错来学习，通过对给定问题提出解决方案并通过反馈功能接收对该建议的正面或负面评价。根据奖励机制，ai系统学习实施相应的功能。
7、机器学习例如可以通过人工神经网络(以下简称人工神经网络，简称ann)来进行。人工神经网络通常基于许多神经元的网络，例如mcculloch-pitts神经元或轻微修改。原则上，在ann中也可以采取其他人工神经元应用，例如高阶神经元。网络的拓扑结构(连接到节点的分配)必须根据其任务来确定。在网络固件之后进行训练阶段，在该训练阶段中“学习”网络。在此，可以通过以下方法学习网络：
8、·开发新的连接
9、·删除现有的连接
10、·改变权重(从神经元j到神经元i的权重)
11、·如果有阈值，调整神经元的阈值
12、·添加或删除神经元
13、·对激活、传播或输出功能进行修改
14、此外，当神经元的激活函数或网络的学习率发生变化时，学习行为也会发生变化。实际上，ann主要通过修改神经元的权重来学习。阈值的调整在此可以通过on神经元处理。因此，ann能够通过学习算法来学习复杂的非线性函数，学习算法试图通过迭代或递归过程由现有的输入值和所期望的输出值确定函数的所有参数。在此，ann是联结主义流派，因为由多个简单的同类部分组成功能。只有在其加和的情况下才表现出复杂行为。
技术实现思路
1、本专利技术所要解决技术问题在于，提供一种用于在尤其交通工具驶过的路线上的危险空间中识别障碍物的方法，所述方法自动地实施并且在此满足高安全性要求。此外，本专利技术所要解决的技术问题还在于，提供一种能够实施所述方法的铁路道口或者站台。此外，本专利技术所要解决的技术问题在于，提供一种计算机程序产品以及用于所述计算机程序产品的提供装置，通过所述计算机程序产品能够实施所述方法。
2、所述技术问题按照本专利技术一种用于识别危险空间中的障碍物的方法解决，所述危险空间能够被交通工具驶过，其中，传感器装置检测位于危险空间中或危险空间旁的多个对象，所检测的对象被计算机辅助地识别并且被计算机辅助地评估以便识别障碍物，其中，使用具有待识别的对象的危险空间的模型或模式图来评估这些对象，所述模型包含多个待识别的对象以及这些对象在危险空间中或危险空间旁的位置，其中，根据所述模型针对所识别的对象检查这些对象是否在预期的位置上被识别出，只要识别出的对象对应于所述模型中的所有对象，则触发在危险空间中不存在障碍物的评估，或者只要所述模型中包含与识别出的对象不相对应的对象，则触发在危险空间中存在障碍物的评估，其中，只要所述危险空间被交通工具驶过，就中断对所述对象的评估。
3、因此，根据本专利技术的用于障碍物识别的方法逆向于在障碍物识别中已知的方法。通常识别有可能成为障碍物的对象，其中，评估的内容是该对象是否实际上成为障碍物。在此会出现不确定性的情况是：有对象未被识别到，并且因此当该对象是障碍物时，也不被注意到。在此，根据现有技术的障碍物识别中存在潜在风险。
4、应当根据按照本专利技术的方法识别的对象是那些根据危险空间的模型(即对具有待识别的对象的危险空间的描述，所述待识别的对象能够与在测量时通过传感器装置检测和识别到的对象进行比较)而已知其位置的对象。因此，对于未在预期的位置上识别到该对象的情况，可以推断该对象被其它未知的对象遮挡。在此预测性地涉及障碍物，因此不能识别出对象的事实可以用于引发安全措施，例如紧急制动。
5、所述方法的优点在于，仅需识别之前就已知的对象。本文档来自技高网...
【技术保护点】
1.一种用于识别危险空间(GFR)中的障碍物(HD1...HD2)的方法，所述危险空间能够被交通工具(FZ)驶过，其中，
2.根据权利要求1所述的方法，其特征在于，具有关于检测对象(OB1)的信息的标志被检测为所述对象(OB1)。
3.根据前述权利要求之一所述的方法，其特征在于，在触发危险空间(GFR)中存在障碍物(HD1…HD2)的评估之后，
4.根据权利要求1至3之一所述的方法，其特征在于，对铁路道口(BU)的危险空间(GFR)进行监测。
5.根据权利要求4所述的方法，其特征在于，所述传感器装置安装在铁路道口(BU)的至少一个道口拦木(SRB)或者至少一个护栏驱动器(SRA)上，并且所述传感器装置沿着朝向轨道(GL)的视向(BR)监测所述危险空间(GFR)。
6.根据权利要求1至3之一所述的方法，其特征在于，对站台(BS)的危险空间(GFR)进行监测。
7.根据权利要求6所述的方法，其特征在于，所述传感器装置安装在站台(BS)的站台棱边(BK)处或者站台棱边下方，或者与所述站台(BS)相对置地安装，并且所
8.一种用于识别障碍物(HD1…HD2)的设备，其具有
9.一种铁路道口(BU)，具有用于识别障碍物(HD1…HD2)的设备，所述设备具有
10.一种站台(BS)，具有用于识别障碍物(HD1…HD2)的设备，所述设备具有
11.一种计算机程序产品，具有用于实施根据前述权利要求1至7之一所述方法的程序指令。
12.一种用于根据权利要求11所述的计算机程序产品的提供装置，其中，所述提供装置存储和/或提供所述计算机程序产品。
...【技术特征摘要】
1.一种用于识别危险空间(gfr)中的障碍物(hd1...hd2)的方法，所述危险空间能够被交通工具(fz)驶过，其中，
2.根据权利要求1所述的方法，其特征在于，具有关于检测对象(ob1)的信息的标志被检测为所述对象(ob1)。
3.根据前述权利要求之一所述的方法，其特征在于，在触发危险空间(gfr)中存在障碍物(hd1…hd2)的评估之后，
4.根据权利要求1至3之一所述的方法，其特征在于，对铁路道口(bu)的危险空间(gfr)进行监测。
5.根据权利要求4所述的方法，其特征在于，所述传感器装置安装在铁路道口(bu)的至少一个道口拦木(srb)或者至少一个护栏驱动器(sra)上，并且所述传感器装置沿着朝向轨道(gl)的视向(br)监测所述危险空间(gfr)。
6.根据权利要求1至3之一所述的方法，其特征...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。