22.09.2021 - 08:26

Die TU Berlin beteiligt am Projekt „Berliner Digitaler Bahnbetrieb“ (BerDiBa)

Im Rahmen dessen will ein Konsortium aus zwölf Partnern in den nächsten vier Jahren Technologien für das automatisierte Fahren auf der Schiene entwickeln und erproben. Das Daimler Center for Automotive IT (DCAITI) an der TU Berlin erstellt dafür in Zusammenarbeit mit dem Fraunhofer-Institut FOKUS Algorithmen für die Umfeldwahrnehmung des automatisierten Fahrzeugs.

Ein Konsortium aus 12 PartnerInnen wird im Projekt Berliner Digitaler Bahnbetrieb (BerDiBa) in den nächsten vier Jahren Technologien für das automatisierte Fahren auf der Schiene entwickeln und erproben. Das Daimler Center for Automotive IT (DCAITI) an der TU Berlin erstellt dafür in Zusammenarbeit mit dem Fraunhofer-Institut FOKUS Algorithmen für die Umfeldwahrnehmung des automatisierten Fahrzeugs. Das Fachgebiet Elektronische Mess- und Diagnosetechnik an der TU Berlin wird in Zusammenarbeit mit dem Zuse-Institut Berlin ein automatisches Planungstool für die Wartungstermine des Zuges entwickeln.

Der automatisierte Schienenverkehr soll zukünftig neue Möglichkeiten eröffnen. Das Projekt BerDiBa soll dafür einen ersten Baustein legen und ein automatisiertes Fahren auf der Schiene ermöglichen. Der digitale Bahnbetrieb umfasst dabei drei Aspekte: fahrerlose Züge, automatisch geplante Wartungen sowie die Möglichkeit für eine Steuerung aus der Ferne für Situationen, in denen eine autonome Fahrt zum Beispiel aufgrund des Wetters nicht möglich ist. Ziel ist, den Schienenverkehr sicherer und die Prozesse effizienter zu gestalten.

Das Daimler Center for Automotive IT (DCAITI) an der TU Berlin arbeitet dafür eng mit dem Geschäftsbereich Smart Mobility des Fraunhofer-Instituts FOKUS zusammen. Das gemeinsame Forschendenteam besitzt langjährige Erfahrung, automatisierten Fahrzeugen beizubringen, die Umwelt um sie herum zuverlässig wahrzunehmen. Im Projekt BerDiBa werden die Forschenden „Deep-Learning“-Algorithmen aus der Künstlichen Intelligenz mit Hilfe von speziell aufbereiteten Videofilmen trainieren. So können die Züge lernen, mit Sensoren wie Radar und Lidar – dem „Radar“ mit Laserlicht – ihre Umgebung korrekt zu erfassen. Dabei müssen sowohl statische Objekte wie Signalanlagen, Gleise und Bahnhöfe, als auch dynamische Objekte wie Personen, Tiere, Fahrzeuge und andere Züge richtig erkannt werden.

– ANZEIGE –




Kontinuierliche Beobachtung

Eine besondere Bedeutung habe dabei die langfristige, kontinuierliche Beobachtung der Fahrstrecke: Hängen Äste über der Trasse, die bald abbrechen könnten? Ist plötzlich in einem Zaun ein Loch entstanden, über das Tiere oder Kinder auf die Schienen gelangen könnten? Bisher sind die LokführerInnen angewiesen, auf solche Dinge zu achten. „Diese kontinuierliche Beobachtung ist etwas, das wir so aus dem automatisierten Straßenverkehr nicht kennen“, sagt Dr. Ilja Radusch, Leiter des Geschäftsbereichs Smart Mobility am Fraunhofer FOKUS und des DCAITI an der TU Berlin. „Das bedeutet für die Algorithmen ganz neue Anforderungen.“

Neuronale Netze

Auch Prof. Dr. Clemens Gühmann vom Fachgebiet Elektronische Mess- und Diagnosetechnik der TU Berlin wird sich mit dem sogenannten Lichtraumprofil einer Bahnstrecke beschäftigen – also dem Raum, der von Vegetation und anderen Gegenständen freizuhalten ist. Anhand von Kameradaten über die Jahreszeiten hinweg sagen neuronale Netze hier die weitere Entwicklung des Pflanzenwachstums voraus. Damit lässt sich effizient planen, wann und wo zurückgeschnitten werden muss.

Weniger Ausfallzeiten

„Tiefe neuronale Netze verwenden wir auch, um aus Daten von Sensoren im Zug Aussagen über den Zustand seiner Bauteile zu gewinnen“, erklärt Clemens Gühmann. So könne sich etwa der von einem Stell-Motor einer Tür benötigte Strom mit der Zeit ändern, wenn die Motorleistung abnimmt. „Aus vielen solcher einzelnen Daten schätzen wir ab, wann Bauteile ausgetauscht werden müssen“, sagt Gühmann. In Zusammenarbeit mit dem Zuse-Institut Berlin entsteht daraus ein Planungstool, das die Wartungstermine des Zuges automatisch und effizient festlegt. So können nicht nur Reparaturen zusammengelegt und damit Geld gespart werden – es erhöht sich auch die Ausfallsicherheit und somit die Pünktlichkeit der Züge.

BerDiBa wird von der Stadt Berlin mit 7,6 Millionen Euro aus dem Innovationsförderprogramm ProFIT gefördert und hat ein Gesamtvolumen von 13,7 Millionen Euro.

Zum Konsortium gehören:

– acs plus GmbH
– AAI GmbH
– GSP GmbH
– ITQ GmbH
– neurocat GmbH
– Siemens Mobility GmbH (Konsortialführer)
– Teraki GmbH

– DFKI
– Fraunhofer FOKUS und HHI
– TU Berlin
– Zuse-Institut Berlin

Autor: jst

— Textanzeige —
Webinar HORIBASmart LiDAR Calibration: Dieses Webinar zeigt HORIBAs laborbasierte Testlösungen für vernetzte und autonome Fahrzeuge, die das Kalibrieren von LiDAR-Sensoren ermöglichen, ohne dabei auf physische Testobjekte zurückzugreifen. Zur Anmeldung.

Aktuelle Termine

DEKRA Zukunftskongress Nutzfahrzeuge

Zum Termin

Webinar MobilitySnacks

Zum Termin

Automotive Software Engineering

Zum Termin
Gefunden bei intellicar.de
https://intellicar.de/tests-and-research/die-tu-berlin-beteiligt-am-projekt-berliner-digitaler-bahnbetrieb-berdiba/
22.09.2021 08:39