Servicenavigation

Detailseite

Zurück

Projekt Druckansicht

Transfer Learning zur Aktivitätserkennung in der Intra-Logistik

Fachliche Zuordnung Arbeitswissenschaft, Ergonomie, Mensch-Maschine-Systeme
Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
Produktionssystematik, Betriebswissenschaften, Qualitätsmanagement und Fabrikplanung
Verkehrs- und Transportsysteme, Intelligenter und automatisierter Verkehr
Förderung Förderung von 2016 bis 2023
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 316862460
 
Erstellungsjahr 2025

Zusammenfassung der Projektergebnisse

Die Lagerhaltung spielt eine entscheidende Rolle in der Logistik, wobei trotz Automatisierung die manuelle Arbeit weiterhin dominiert. Insbesondere die Kommissionierung ist kosten- und zeitintensiv, insbesondere in Hochlohnregionen. Die Unvorhersehbarkeit der Nachfrage erschwert die Lageroptimierung, was eine effiziente Planung unerlässlich macht. Traditionelle Zeitstudien sind teuer. Folglich kann die automatisierte Vorhersage menschlicher Aktivitäten mittels Sensoren sowohl die Effizienz der Lageroptimierung als auch die Ergonomie der Arbeitsabläufe verbessern. Human Activity Recognition (HAR) klassifiziert Bewegungen anhand von Signalen aus Videos, Motion Capture-Systemen oder am Körper getragenen Sensoren wie Beschleunigungsmessern und Gyroskopen. Am Körper getragene Sensoren sind kostengünstig, zuverlässig und nicht-invasiv. HAR findet breite Anwendung im Gesundheitswesen und in intelligenten Wohnumgebungen. Dennoch steht HAR vor Herausforderungen aufgrund der Variabilität menschlicher Bewegungen, fehlender standardisierter Definitionen, begrenzter Datensätze und unausgewogener Klassenverteilungen. Multi-channel Time-Series Human Activity Recognition (multi-channel time-series HAR) stellt im Allgemeinen eine anspruchsvolle Klassifikationsaufgabe dar. Menschliche Aktivitäten und Bewegungen zeigen eine große Variabilität. Menschen führen in ähnlicher Weise Aktivitäten aus, die semantisch sehr unterschiedlich sind; umgekehrt werden ähnliche Aktivitäten auf viele verschiedene Arten ausgeführt. Transferlernen nutzt Wissen aus einer Quell-Domäne, um das Lernen in einer verwandten Ziel-Domäne zu verbessern und Datenbeschränkungen zu überwinden. Die gemeinsame Nutzung von Merkmalsrepräsentationen ist eine Art des Transferlernens, wie beispielsweise attributbasierte Repräsentationen. Attributbasierte Repräsentationen, wie menschliche Aktivitätstaxonomien, unterstützen Transfer-based Human Activity Recognition (Transfera based HAR). Die Definition übertragbarer manueller Aktivitäten in der Lagerhaltung ist jedoch aufgrund der Komplexität menschlicher Bewegungen schwierig. Traditionelles HAR geht von festen Aktivätsklassen aus, während Lagertätigkeiten hochdynamisch sind. Da sich Layouts und Technologien weiterentwickeln, müssen sich HAR-Modelle kontinuierlich anpassen. Motiviert durch den Erfolg semantischer Attribute zur Klassenrepräsentation im Bereich der Bild- oder Szenenklassifikation sowie der Dokumentenanalyse, können menschliche Aktivitäten ebenfalls durch eine Sammlung solcher semantischer Attribute dargestellt werden. Dieses Projekt schlägt eine Methode für Transfer Learning for Multi-channel Time-Series HAR (Transfer Learning for M-HAR) vor, die Attributrepräsentationen und Parametertransfer verwendet. Daher wurden im Rahmen dieses Projekts Logistikdaten (Kommissionier- und Verpackungsszenarien) für HAR mithilfe von Inertialsensoren und optischen Motion-Capture-Systemen aufgezeichnet. Die Aufzeichnungen wurden manuell mit Labels versehen, die sowohl Klassen- als auch menschliche Bewegungsattribut-Labels umfassen. Die Projektergebnisse auf dem aufgezeichneten Datensatz sowie auf einem realistischen Datensatz, der von der MotionMiners GmbH bereitgestellt wurde, belegen die Machbarkeit des Transferlernens durch Tests in realen industriellen Anwendungen. Darüber hinaus wurden verschiedene Aspekte der Annotation wie manuelle Annotation, semi-automatisierte Annotation und abfragebasierte Annotation erprobt. Die Ergebnisse zeigen positive Resultate hinsichtlich der abfragebasierten Annotation. Das Projekt wurde an realistischen Daten der MotionMiners GmbH getestet und zeigte das Potenzial der vorgeschlagenen Methode. Ein Annotationswerkzeug mit diesen Möglichkeiten wurde im Rahmen des Projekts veröffentlicht. Abschließend motivierte die Arbeit Forschung in interessante Richtungen wie die Re-Identifikation von Personen, Datensatz-Bias aufgrund individueller Eigenheiten sowie die Entwicklung eines Tutorials oder Formats zur Datensatz-Erstellung.

Projektbezogene Publikationen (Auswahl)

 
 

Zusatzinformationen

© 2026 DFG Kontakt / Impressum / Datenschutz

Textvergrößerung und Kontrastanpassung