Methodenentwicklung zur präventiven Steigerung der Arbeitssicherheit an Flurförderzeugen mit Umsetzung eines Assistenzsystems durch Fusion und Analyse von 2D- und 3D-Bilddaten (PräVISION)

Status:

abgeschlossen 03/2018

Zielsetzung:

Jeder arbeitsbedingte Ausfall von Beschäftigten bedingt neben persönlichen Schmerzen und Einschränkungen auch einen wirtschaftlichen Schaden durch die fehlende Arbeitskraft und Behandlungskosten für Arbeitgeber und Gesellschaft. Besonders für kleinere und mittelgroße Unternehmen stellt dies ein hohes Risiko dar. Darum gilt es, potenzielle Gefahrensituationen bereits frühzeitig zu erkennen und durch präventive Maßnahmen zu vermeiden.

Die Zielsetzungen des Projektes waren zum einen, grundsätzliche Methoden der Bildanalyse zur Steigerung der Arbeitssicherheit beim Einsatz motorbetriebener Flurförderzeugen aufzuzeigen. Dafür sollten unterschiedliche Methoden entwickelt, evaluiert und hinsichtlich ihrer Wirkung, Zuverlässigkeit und Effizienz gegenübergestellt werden. Zum anderen erfolgte die Entwicklung eines herstellerunabhängigen Demonstrator-Assistenzsystems, mit dem der Nachweis geführt werden kann, dass sich mit 2D- und 3D-Bildverarbeitung die Arbeitssicherheit steigern lässt. Dieses Assistenzsystem ist für beliebige manuell bediente Gabelstapler unterschiedlicher Hersteller nachrüstbar und kann somit branchenübergreifend seinen zukünftigen Einsatz finden. Hierbei wird eine sehr hohe Unabhängigkeit von proprietären, fahrzeugeigenen Sensoren erreicht, deren Integration heute in der Nachrüstung eine Hürde darstellt. Ferner erfolgte die Auslegung der Bildanalysemethoden unter der Berücksichtigung der Vielfältigkeit der intralogistischen Arbeitsumgebung, ohne sich auf ein einziges Umgebungsszenario festzulegen.

Aktivitäten/Methoden:

Zunächst wurde eine Betrachtung unterschiedlicher Methoden zur Erhöhung der Arbeitssicherheit an motorbetriebenen Gabelstaplern durchgeführt. Im Anschluss wurden auf Basis einer Analyse der vorliegenden Unfalldaten mit Flurförderzeugen kritische Bereiche im Arbeitsbereich des Flurförderzeuges sowie Situationen ermittelt, die häufig Unfälle zu verzeichnen hatten. Auf Basis dieser Analyse wurde im Folgenden das zu entwickelnde Assistenzsystem identifiziert und im Rahmen eines Systementwurfes konzipiert. Neben den technologischen Komponenten für die Sensorik und Auswertealgorithmen wurden zudem unterschiedliche Maßnahmen für die Gestaltung der Schnittstelle zum Fahrer des Flurförderzeuges konzipiert. Für die Simulation der Sensordaten und das Nachstellen von relevanten Testfällen entstand im Projekt ein realitätsnahes Modell einer dynamischen Lagerumgebung. Hier können sich Flurförderzeuge und Personen beliebig bewegen und synthetische Sensordaten von diesen Situationen erzeugt werden. Die Daten wurden automatisch gekennzeichnet und für die Entwicklung der Methoden verwendet. Die Entwicklung der Analysemethoden fokussierte auf zwei unterschiedliche Ansätze, wobei jeweils ein Kollisionserkennungssystem mit einem Modul zur Personendetektion kombiniert wurde. Zum einen wurden klassische Methoden zur Bildverarbeitung hinsichtlich ihrer Eignung für den Anwendungsfall untersucht. Zudem wurden die aktuellen Entwicklungen im Bereich der künstlichen Intelligenz aufgegriffen und Ansätze entwickelt, die auf unterschiedliche Arten von tiefen neuronalen Netzen beruhen. Alle Ansätze wurden innerhalb von Laborbedingungen mit Hilfe von Demonstrator-Systemen evaluiert. Das Projekt schloss mit einem Feldtest innerhalb einer industriellen Arbeitsumgebung ab.

Ergebnisse:

Im ersten Schritt konnten unterschiedliche Arten von Interaktionsmöglichkeiten mit einem Flurförderzeug-Fahrer systematisch analysiert werden. Als Ergebnis wurde ein Konzept für ein taktiles Warnsystem entwickelt. Die Sensor- Simulationssoftware war in der Lage, beliebige logistische Szenarien virtuell nachzustellen und Trainingsdaten zu erzeugen. Die Analyse der klassischen Methoden der Bildverarbeitung zeigte die grundlegende Eignung für den Anwendungsfall, jedoch traten häufig falsche Detektionen auf, die die Akzeptanz eines solchen Systems beim Fahrer verringern könnten. Der Ansatz über Deep Learning-Methoden erzielte sehr gute Ergebnisse in den Labor- und Feldtests hinsichtlich der Erkennungsqualität bei einer sehr geringen Anzahl von Fehldetektionen. Durch das Training mit den simulierten Daten ist der Ansatz zudem unabhängig von einem konkreten Anwendungsszenario und daher auf unterschiedliche Einsatzorte übertragbar. Als Gesamtergebnis ist ein Assistenzsystem entstanden, das durch Verwendung moderner Sensortechnologien einen kritischen Bereich, bspw. hinter dem Fahrer, zuverlässig nach Personen durchsuchen und den Fahrer dementsprechend warnen kann. Die Nutzung eines taktilen Interaktionskanals führt zudem dazu, dass der Fahrer nicht durch weitere audio-visuelle Interaktionskanäle überlastet wird.

Stand: