05. Feb 2025
Autonomes Fahren im logistischen Kontext: Einblicke in die Arbeit von Alexander Marquardt
Die zunehmende Automatisierung in der Logistikbranche eröffnet spannende Möglichkeiten – insbesondere im Bereich des autonomen Fahrens. In seiner Masterarbeit untersucht Alexander Marquardt, inwieweit autonome Systeme auf Basis von Computer Vision in einer begrenzten logistischen Umgebung realisiert werden können.
Ein visionäres Projekt: Der Gabelstapler-Demonstrator
Zentrales Element der Forschung ist ein Gabelstapler-Demonstrator, der als Testumgebung für innovative Ansätze zur automatisierten Objekterkennung dient. Die Wahl der richtigen Kamera erwies sich dabei als essenziell: Auflösung, Bildwinkel und Bildrate haben maßgeblichen Einfluss auf die Qualität der Trainingsdaten und die Leistungsfähigkeit der Objekterkennung.
Datengrundlage und Modelltraining
Für die Modellierung eines zuverlässigen Computer Vision-Systems wurde ein eigener Datensatz mit 800 Bildern erstellt und durch Augmentierung erweitert. Der Datensatz umfasst zentrale Objekte wie den Gabelstapler, RFID-Tags als Ladungsobjekte sowie Hindernisse in Form von Paketen. Um die Annotation der Objekte effizient zu gestalten, wurde das Labeling-Tool „Label Studio“ verwendet. Ergänzend dazu kam das KI-gestützte Tool „Segment Anything“ zum Einsatz, wodurch das manuelle Labeling erheblich beschleunigt wurde.
Neuronale Netze im Vergleich: Mask R-CNN vs. Mask2Former
Zwei neuronale Netze wurden zur Objekterkennung getestet: Mask R-CNN als etabliertes Convolutional Neural Network (CNN) und Mask2Former, ein Modell basierend auf Vision Transformers. Die Evaluation zeigte, dass Mask2Former bei weniger Trainingsepochen eine höhere Präzision erreichte als Mask R-CNN. Vor allem mit dem Swin-Transformer-Backbone konnte Mask2Former eine verbesserte Objekterkennung liefern. Jedoch brachte die höhere Genauigkeit auch eine geringere Verarbeitungsgeschwindigkeit mit sich – ein entscheidender Faktor für den Einsatz in Echtzeitanwendungen.
Fazit und Ausblick
Die Ergebnisse belegen, dass ein autonomes Fahren in einem begrenzten logistischen Umfeld mittels Computer Vision grundsätzlich realisierbar ist. Während CNNs weiterhin solide Ergebnisse liefern, zeigen Vision Transformer-Modelle enormes Potenzial für die Zukunft. Als nächster Schritt soll die KI-gestützte Steuerung des Gabelstaplers weiterentwickelt und optimiert werden. Zudem könnten zusätzliche Sensoren wie LiDAR-Scanner und Tiefenkameras zur Verbesserung der Hinderniserkennung integriert werden.
Mit dieser Arbeit legt Alexander Marquardt einen wichtigen Grundstein für die Weiterentwicklung autonomer Transportsysteme – ein vielversprechender Beitrag zur Zukunft der Logistikautomation.
Vielen Dank an Manuel Schreiner für die Betreuung der Masterthesis.
(Foto v.l.: Manuel Schreiner, Alexander Marquardt)
Wir fördern innovative IT-Themen in 13 Communities und zeigen Ihnen gerne in unserem Innovation-Lab beispielhafte Lösungen.
Sie haben Fragen zu Projekten aus dem IoT-Umfeld? Unser Team steht Ihnen zwecks Beratung und Austausch gerne zur Verfügung.
