Bei der Kollisionsvermeidung bedeutet Schutz zunächst, zu erkennen, dass eine Person vorhanden ist, ihre Position im Verhältnis zum Fahrzeug zu bestimmen und zu beurteilen, ob sie sich in einer potenziellen Gefahrensituation befindet. Je präziser ein System eine Person erkennen und die Dynamik ihrer Interaktion mit dem Fahrzeug erfassen kann, desto mehr Informationen stehen zur Verfügung, um das Risikoniveau zu bewerten und bei Bedarf eine angemessene Reaktion auszulösen, beispielsweise eine Verlangsamung des Fahrzeugs.
Heute kommen für diesen ersten Schritt der Kollisionsvermeidung hauptsächlich zwei Technologien zum Einsatz: Computer Vision mittels AI-Kameras und funkbasierte Erkennung mittels TAGs. Ihr Funktionsprinzip ist unterschiedlich und damit auch die Bedingungen, unter denen eine Person erkannt werden kann.
Der Unterschied zwischen den beiden Technologien beginnt genau hier: Was benötigt das System, um zu erkennen, dass eine Person vorhanden ist? Bei der AI-Kamera lautet die Antwort: Sichtbarkeit. Bei der TAG-basierten Technologie: Lokalisierung. Dieses Verständnis ist entscheidend, um nicht nur zu beurteilen, was eine Technologie erkennen kann, sondern auch, unter welchen Bedingungen dies möglich ist.
AI-Kamera: Erkennen, um zu detektieren
AI-Kameras nutzen Computer-Vision-Algorithmen, um Personen und andere in der Szene vorhandene Elemente zu erkennen.
Computer Vision hat jedoch eine grundlegende Voraussetzung: Es müssen ausreichend visuelle Informationen vorhanden sein, um die Person zu identifizieren. In einer industriellen oder logistischen Umgebung kann diese Voraussetzung besonders relevant sein. Paletten, Regale, Ladungen, Maschinen und Strukturen können teilweise oder vollständig Sichtbereiche verdecken und dadurch die Erkennung einer Person erschweren.
Einige Algorithmen sind speziell darauf trainiert, mit solchen Situationen umzugehen, und können eine Person auch dann identifizieren, wenn nur ein Teil des Körpers sichtbar ist, beispielsweise Kopf und Schultern. Aber auch in diesen Fällen ist die Erkennung nicht garantiert: Wenn auch dieser Bereich verdeckt bleibt oder die Position bzw. Erscheinung der Person stark von den während des Trainings erfassten Situationen abweicht, kann die Zuverlässigkeit der Erkennung abnehmen.
Dies ist keine Einschränkung einer bestimmten Kamera oder eines spezifischen Algorithmus. Vielmehr handelt es sich um eine der zentralen Herausforderungen in der Forschung zur Fußgängererkennung (Pedestrian Detection). Eine Studie aus dem Jahr 2024 zur Erkennung verdeckter Fußgänger verwendet die internationalen Benchmarks CityPersons, Caltech und CrowdHuman und zeigt, dass die Leistungsfähigkeit von Detektionssystemen bei vollständiger oder teilweiser Verdeckung weiterhin eine Herausforderung darstellt.
Auch die Umgebungsbedingungen können die Erkennung beeinflussen. Die Forschung zur Fußgängererkennung bei Nacht hat zur Entwicklung spezifischer Datensätze wie NightOwls geführt, der rund 279.000 von Forschern der Universität Oxford unter nächtlichen Bedingungen erfasste Einzelbilder umfasst. Die Forscher weisen darauf hin, dass geringe Beleuchtung, Reflexionen, Bewegungsunschärfe, Kontrastveränderungen und Wetterbedingungen die Erkennung im Vergleich zu Tageslichtbedingungen erschweren.
Der Vorteil dieser Technologie besteht darin, dass die Person kein Gerät tragen muss. Ein Mitarbeiter, Besucher, externer Fahrer oder Bediener kann daher erkannt werden, sobald er in das Sichtfeld der Kamera gelangt.
Das Prinzip ist daher einfach: Die Kamera setzt nicht voraus, dass die Person ein Gerät trägt, sondern kann sie erkennen, sobald ausreichend visuelle Informationen vorhanden sind, um sie zu identifizieren.
TAG: Erkennen, wo das Auge nicht sieht
Die Funktionsweise eines TAG-basierten Kollisionsvermeidungssystems ist anders. Das System muss die Person nicht visuell identifizieren, um ihre Anwesenheit zu erkennen: Der TAG kommuniziert mit der Lokalisierungsinfrastruktur und ermöglicht es, die Position der Person im Verhältnis zum Fahrzeug zu bestimmen.
Dies bringt einen wichtigen Vorteil mit sich: Die Erkennung hängt nicht von der Sichtbarkeit der Person ab. Ein mit einem TAG ausgestatteter Mitarbeiter kann daher auch hinter einem Regal, einer Palette, einer Ladung oder einer anderen Struktur sowie bei nicht optimalen Lichtverhältnissen zuverlässig erkannt werden.
Es bleibt jedoch eine grundlegende Voraussetzung: **Die Person muss den TAG tragen.**
Zwei Technologien, zwei Erkennungsbedingungen
AI-Kameras und TAG-basierte Technologien weisen unterschiedliche Erkennungsbedingungen auf.
- AI-Kamera: Die Erkennung hängt davon ab, ob ausreichend visuelle Informationen vorhanden sind, um die Person zu erkennen. Dies ist eine technologiebedingte Voraussetzung und damit eine technologische Einschränkung, die sich nur schwer überwinden lässt. Die Person muss sich im Sichtfeld der Kamera befinden und ausreichend erkennbar sein, damit der Algorithmus sie identifizieren kann.
Computer-Vision-Algorithmen und selbstlernende Verfahren können die Fähigkeit des Systems verbessern, komplexere Situationen zu bewältigen und sich an unterschiedliche Konfigurationen der Szene anzupassen. Sie können jedoch die inhärenten Grenzen der visuellen Erkennung nicht vollständig beseitigen: Wenn die für die Erkennung erforderlichen Informationen nicht verfügbar oder nicht ausreichend sind, kann die Erkennungsleistung abnehmen.
- TAG: Die grundlegende Voraussetzung ist hingegen das Vorhandensein des Geräts. Wenn eine Person keinen TAG trägt, kann sie über das Funksystem nicht erkannt werden. In diesem Fall betrifft die notwendige Voraussetzung für die Erkennung daher nicht die Fähigkeit der Technologie, die Person zu erfassen, sondern die Verfügbarkeit des Geräts.
Dies ist ein Aspekt prozeduraler und organisatorischer Natur und kann durch Zutrittsverfahren, Richtlinien für Besucher und externe Mitarbeiter und vor allem durch die Integration des TAGs in die täglichen Abläufe des Werks gesteuert werden.
Ein weiterer Unterschied betrifft die Art und den Detaillierungsgrad der Daten, die die beiden Technologien für die Analyse bereitstellen können. Bei der AI-Kamera ist der Datenpunkt hauptsächlich mit der Aktivierung der Kamera nach der Erkennung einer Person verbunden. Die TAG-basierte Lokalisierung ermöglicht hingegen detailliertere Informationen über die Position der Person und die Dynamik ihrer Interaktion mit dem Fahrzeug und bietet damit eine umfassendere Informationsgrundlage für die Analyse von Risikosituationen.
Unter Berücksichtigung all dieser Aspekte lässt sich daher feststellen, dass die TAG-basierte Technologie eine solide Grundlage für Kollisionsvermeidungsanwendungen bietet. Dies ist auf ihre Fähigkeit zurückzuführen, Personen unabhängig von ihrer Sichtbarkeit zu erkennen, auf eine Nutzungsanforderung, die durch organisatorische Prozesse gesteuert werden kann, sowie auf den höheren Informationsgehalt der für die Analyse verfügbaren Daten.
Das bedeutet jedoch nicht, dass die AI-Kamera als Alternative ausgeschlossen werden sollte. Im Gegenteil: Ihre Fähigkeit, auch Personen zu erkennen, die keinen TAG tragen, stellt eine wichtige ergänzende Funktion dar, mit der sich die Abdeckung des Systems weiter erhöhen lässt.
Die wahre Stärke liegt nicht in der Wahl, sondern in der Integration.
Werden die beiden Technologien miteinander kombiniert, verringern sich die Bedingungen, unter denen eine Person möglicherweise nicht erkannt wird, weiter. Vereinfacht gesagt bleibt hauptsächlich das Szenario, in dem eine Person keinen TAG trägt und gleichzeitig für die Kamera nicht ausreichend sichtbar ist. Diese Situation tritt deutlich seltener auf als die Bedingungen, die jede Technologie bei alleiniger Anwendung potenziell unberücksichtigt lassen würde.
Aus dieser Perspektive entsteht der Ansatz von AMESPHERE: nicht zwischen zwei Technologien zu wählen, sondern sie in einem einzigen Ökosystem zu integrieren und unterschiedliche Erkennungsmethoden miteinander zu kombinieren.
Die TAG-basierte Technologie bildet das Herzstück der Kollisionsvermeidungslösung. Dank der Präzision der LPS-Technologie (Local Positioning System) erkennt AMESPHERE die Anwesenheit und die relative Position von Personen im Verhältnis zu den Fahrzeugen, auch wenn keine ausreichende Sichtbarkeit gewährleistet ist. Das System analysiert die Dynamik der Interaktion und aktiviert bei Erkennung einer Risikosituation die entsprechenden Schutzfunktionen, wie Warnungen und die Verlangsamung des Fahrzeugs.
Die AI-Kamera ergänzt diese Basis, indem sie die Erkennung auf Personen ausweitet, die keinen TAG tragen, und so die Abdeckung des Systems weiter erhöht.
Eine einzige Benutzeroberfläche für zwei Technologien:
Der Mehrwert der Integration besteht jedoch nicht nur darin, zwei Technologien gleichzeitig einzusetzen. Bei AMESPHERE sind TAG und AI-Kamera Teil desselben Systems und laufen in derselben Fahrzeugschnittstelle zusammen: einem einzigen Display.
Die erkannten Interaktionen werden in Echtzeit auf dem Bord-Tablet angezeigt. Dadurch erhält der Fahrer über eine einzige Schnittstelle Meldungen sowohl zu den über TAG erkannten Mitarbeitern als auch zu den von der AI-Kamera erkannten Personen.
Der Fahrer muss somit nicht zwei unterschiedliche Systeme interpretieren oder zwischen verschiedenen Benutzeroberflächen wechseln. Informationen aus unterschiedlichen Erkennungsmethoden werden in einem einzigen operativen Gesamtbild zusammengeführt, wodurch die Situation rund um das Fahrzeug unmittelbarer und intuitiver erfasst werden kann.
Die Integration betrifft auch die Art und Weise, wie die Voraussetzung für das Tragen eines TAGs innerhalb des Werks umgesetzt werden kann. Wenn die Erkennung von der Verfügbarkeit des Geräts abhängt, ermöglicht seine Integration in die Zutrittsprozesse, die Nutzung zu einem selbstverständlichen Bestandteil der täglichen Abläufe zu machen.
Mit AMESPHERE kann der TAG mit dem für den Zutritt zum Werk verwendeten Ausweis verknüpft werden und wird so Teil des Zutrittsprozesses: kein Gerät, an dessen Mitnahme und Anlegen die Person denken muss, sondern ein in den Prozess integriertes Element.
Dasselbe Prinzip kann auf Besucher, Fahrer und externe Mitarbeiter angewendet werden. Beim Zutritt kann der TAG mit dem Besucherausweis verknüpft werden, sodass auch diese Personen in dieselben Erkennungs- und Schutzlogiken einbezogen werden.
Auf diese Weise kann eine scheinbare Einschränkung der Technologie durch eine Anpassung des organisatorischen Prozesses adressiert werden, der letztlich bestimmt, wie umfassend die tatsächliche Abdeckung des Systems ist.
Von der Erkennung zur Safety Intelligence: Die Qualität der Daten macht den Unterschied
Die Echtzeiterkennung stellt jedoch nur einen Teil des Mehrwerts der LPS-Technologie von AMESPHERE dar. Durch die Berechnung von Parametern wie Position, Abstand, relativer Geschwindigkeit, Trajektorie und Interaktionsdynamik erfasst das System detaillierte Informationen darüber, wie sich Personen und Fahrzeuge in der betrieblichen Umgebung bewegen und miteinander interagieren.
Dies ermöglicht es, über die einfache Frage „War eine Person vorhanden?“ hinauszugehen und auch zu analysieren, wie sich die Interaktion entwickelt hat, wo sie stattgefunden hat und welche Dynamik dabei zu beobachten war.
Die Erfassung und Historisierung dieser Daten ermöglichen es, die betrieblichen Dynamiken über einen längeren Zeitraum zu analysieren und wiederkehrende Muster, besonders risikobehaftete Bereiche und potenzielle Vorläufer von SIF-Ereignissen (Serious Injury & Fatality) zu identifizieren. Die Informationen werden über Dashboards, Berichte, Diagramme und KPIs aufbereitet und visualisiert und bieten HSE und Operations damit eine strukturierte Grundlage für die Analyse von Risikodynamiken.
Der Mehrwert liegt daher nicht allein in der Menge der erfassten Daten, sondern in der Qualität der Informationen, die die LPS-Technologie über die Interaktionen zwischen Personen und Fahrzeugen liefert. AMESPHERE verarbeitet diese Daten weiter und wandelt sie in wertvolle Informationen um, um Risikodynamiken über einen längeren Zeitraum zu verstehen, Handlungsfelder zu identifizieren, geeignete Korrekturmaßnahmen abzuleiten, die Wirksamkeit der umgesetzten Maßnahmen zu überwachen und Verbesserungen auf Basis von Fakten gezielt voranzutreiben.
Fazit
Betrachtet man die unterschiedlichen Bedingungen, unter denen die beiden Technologien arbeiten, wird deutlich, dass die TAG-basierte Technologie eine präzisere Erfassung der Anwesenheit und Position einer Person ermöglicht, da die Lokalisierung über LPS weder von der Sichtlinie noch von der Verfügbarkeit ausreichender visueller Informationen abhängt. Die AI-Kamera ergänzt dies durch eine wichtige Funktion: Sie kann Personen erkennen, die sich im Sichtfeld befinden, aber keinen TAG tragen.
Das Ziel besteht daher nicht darin, eine Technologie der anderen vorzuziehen, sondern die Wirksamkeit des Schutzes für alle Mitarbeiter zu maximieren und damit einen Schutz zu schaffen, der auf die unterschiedlichen Bedingungen reagieren kann, die in der betrieblichen Umgebung auftreten können.
Denn bei der Kollisionsvermeidung ist die möglichst präzise Erkennung einer Person der erste Schritt, um den erforderlichen Schutz genau dann zu aktivieren, wenn er benötigt wird.
PDF herunterladen:
