Augmented Reality zur Steigerung der Arbeitssicherheit von Mobilkranen
-
Moritz Quandt
Dipl.-Wi.-Ing. Moritz Quandt, geb. 1982, studierte Wirtschaftsingenieurwesen an der Universität Bremen und ist seit 2012 Wissenschaftlicher Mitarbeiter am BIBA – Bremer Institut für Produktion und Logistik GmbH an der Universität Bremen. Zu seinen Forschungsschwerpunkten gehören die Erfassung, Modellierung und Analyse logistischer Systeme sowie die Konzeption und Entwicklung von anwendungsorientierten Lösungen der Mensch-Technik-Interaktion.
,
Lars Panter
Lars Panter, B. Sc., geb. 1993, studierte Wirtschaftsinformatik an der Universität Bremen und ist seit 2018 Technischer Mitarbeiter am BIBA – Bremer Institut für Produktion und Logistik GmbH an der Universität Bremen.
Benjamin Staar, M. Sc., geb. 1984, studierte “Cognitive Science” an der Universität Osnabrück und “Systems Biology of Brain and Behavior” an der Universität Bielefeld. Er ist seit 2015 Wissenschaftlicher Mitarbeiter am BIBA – Bremer Institut für Produktion und Logistik GmbH an der Universität Bremen. Sein Forschungsschwerpunkt sind maschinelle Lernverfahren mit besonderem Fokus auf Bildverarbeitung und Anomalieerkennung.
Lennart Steinbacher, M. Sc., geb. 1993, studierte Wirtschaftsingenieurwesen an der RWTH Aachen und ist seit 2018 Wissenschaftlicher Mitarbeiter am BIBA – Bremer Institut für Produktion und Logistik GmbH an der Universität Bremen. Zu seinen Forschungsschwerpunkten gehören die Modellierung, Simulation und Analyse von Produktions- und Logistiksystemen sowie die Konzeption und Entwicklung von Anwendungen im Bereich des Maschinellen Lernens.
Prof. Dr.-Ing Michael Freitag, geb. 1969, studierte an der BTU Cottbus Elektrotechnik mit den Schwerpunkten Automatisierungs- und Kommunikationstechnik und promovierte an der Universität Bremen mit einer Arbeit zur Nichtlinearen Dynamik von Produktionssystemen. Nach verschiedenen Tätigkeiten in Wissenschaft und Industrie übernahm er 2014 die Professur Planung und Steuerung produktionstechnischer und logistischer Systeme im Fachbereich Produktionstechnik der Universität Bremen und ist seit 2015 Direktor des BIBA – Bremer Institut für Produktion und Logistik GmbH. Er beschäftigt sich mit der Modellierung, Simulation und Optimierung von komplexen Produktions- und Logistiksystemen, mit der Entwicklung von Planungs- und Steuerungsmethoden und mit der Automatisierung logistischer Prozesse durch Roboter und flexible Transportsysteme.
Abstract
Der Einsatz von Nutzfahrzeugen bringt eine hohe Anzahl schwerer Unfälle mit sich. Mit bildverarbeitenden Verfahren können die Maschinenführenden gezielt auf Gefahrensituationen hingewiesen werden. Dieser Beitrag stellt eine bilddatenbasierte Bewegungsprognose von Personen im Gefahrenbereich eines Mobilkrans dar. Die Visualisierung dieser Gefahrensituationen mittels AR-Technologie ermöglicht einen rechtzeitigen Eingriff durch die Kranführenden. In Labor- und Feldtests konnte die Funktionsfähigkeit des Systems nachgewiesen werden.
Abstract
The use of commercial vehicles results in a high number of serious accidents. Image-processing methods can be used to alert machine operators to hazardous situations. This paper presents an image-based motion prediction of persons in the risk area of a mobile crane. The visualization of these hazardous situations using AR technology enables timely intervention by the crane operators. The functionality of the system was proven in laboratory and field tests.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Dipl.-Wi.-Ing. Moritz Quandt, geb. 1982, studierte Wirtschaftsingenieurwesen an der Universität Bremen und ist seit 2012 Wissenschaftlicher Mitarbeiter am BIBA – Bremer Institut für Produktion und Logistik GmbH an der Universität Bremen. Zu seinen Forschungsschwerpunkten gehören die Erfassung, Modellierung und Analyse logistischer Systeme sowie die Konzeption und Entwicklung von anwendungsorientierten Lösungen der Mensch-Technik-Interaktion.
Lars Panter, B. Sc., geb. 1993, studierte Wirtschaftsinformatik an der Universität Bremen und ist seit 2018 Technischer Mitarbeiter am BIBA – Bremer Institut für Produktion und Logistik GmbH an der Universität Bremen.
Benjamin Staar, M. Sc., geb. 1984, studierte “Cognitive Science” an der Universität Osnabrück und “Systems Biology of Brain and Behavior” an der Universität Bielefeld. Er ist seit 2015 Wissenschaftlicher Mitarbeiter am BIBA – Bremer Institut für Produktion und Logistik GmbH an der Universität Bremen. Sein Forschungsschwerpunkt sind maschinelle Lernverfahren mit besonderem Fokus auf Bildverarbeitung und Anomalieerkennung.
Lennart Steinbacher, M. Sc., geb. 1993, studierte Wirtschaftsingenieurwesen an der RWTH Aachen und ist seit 2018 Wissenschaftlicher Mitarbeiter am BIBA – Bremer Institut für Produktion und Logistik GmbH an der Universität Bremen. Zu seinen Forschungsschwerpunkten gehören die Modellierung, Simulation und Analyse von Produktions- und Logistiksystemen sowie die Konzeption und Entwicklung von Anwendungen im Bereich des Maschinellen Lernens.
Prof. Dr.-Ing Michael Freitag, geb. 1969, studierte an der BTU Cottbus Elektrotechnik mit den Schwerpunkten Automatisierungs- und Kommunikationstechnik und promovierte an der Universität Bremen mit einer Arbeit zur Nichtlinearen Dynamik von Produktionssystemen. Nach verschiedenen Tätigkeiten in Wissenschaft und Industrie übernahm er 2014 die Professur Planung und Steuerung produktionstechnischer und logistischer Systeme im Fachbereich Produktionstechnik der Universität Bremen und ist seit 2015 Direktor des BIBA – Bremer Institut für Produktion und Logistik GmbH. Er beschäftigt sich mit der Modellierung, Simulation und Optimierung von komplexen Produktions- und Logistiksystemen, mit der Entwicklung von Planungs- und Steuerungsmethoden und mit der Automatisierung logistischer Prozesse durch Roboter und flexible Transportsysteme.
Danksagung
Dieser Beitrag entstand im Rahmen des Projekts „safeguARd – Nutzfahrzeug-Assistenzsystem zur Steigerung des Sicherheitsniveaus auf Basis von Augmented Reality“, welches vom Bundesministerium für Bildung und Forschung (BMBF) unter dem Kennzeichen 16SV7739 gefördert wurde.
Literatur
1 Deutsche Gesetzliche Unfallversicherung (DGUV): Statistik – Arbeitsunfallgeschehen 2019. 2020Search in Google Scholar
2 EU 2019/2144: Verordnung des Europäischen Parlamentes und des Rates über die Typengenehmigung von Kraftfahrzeugen und Kraftfahrzeuganhängern sowie von Systemen, Bauteilen und selbstständigen technischen Einheiten für diese Fahrzeuge im Hinblick auf ihre allgemeine Sicherheit und den Schutz der Fahrzeuginsassen und von ungeschützten Verkehrsteilnehmern, 2019Search in Google Scholar
3 Deutsche Gesetzliche Unfallversicherung (DGUV): Vorschrift 52 – Krane, 2013Search in Google Scholar
4 Sadeghi, S.; Soltanmohammadlou, N.; Rahnamayiezekavat, P.: A Systematic Review of Scholarly Works Addressing Crane Safety Requirements. Safety Science 133 (2021) 105002 DOI: /10.1016/j.ssci.2020.105002/10.1016/j.ssci.2020.105002Search in Google Scholar
5 Hung, W.-H.; Liu, C.-W.; Liang, C.-J.; Kang, S.-C.: Strategies to Accelerate the Computation of Erection Paths for Construction Cranes. Automation in Construction 62 (2016), S. 1–13 DOI: /10.1016/j.autcon.2015.10.008/10.1016/j.autcon.2015.10.008Search in Google Scholar
6 Kang, S.-C.; Miranda, E.: Computational Methods for Cordinating Multiple Construction Cranes. Journal of Computing in Civil Engineering 22 (2008) 4, S. 252–263 DOI: /10.1061/(ASCE)0887-3801(2008)22:4(252)/10.1061/(ASCE)0887-3801(2008)22:4(252)Search in Google Scholar
7 Zhang, C.; Hammad, A.: Improving Lifting Motion Planning and Replanning of Cranes with Consideration for Safety and Efficiency. Advanced Engineering Informatics 26 (2012) 2, S. 396–410 DOI: /10.1016/j.aei.2012.01.003/10.1016/j.aei.2012.01.003Search in Google Scholar
8 Tantisevi, K.; Akinci, B.: Transformation of a 4D Product and Process Model to Generate Motion of Mobile Cranes. Automation on Construction 18 (2009) 4, S. 458–468 DOI: /10.1016/j.autcon.2008.10.008/10.1016/j.autcon.2008.10.008Search in Google Scholar
9 Han, S.; Hasan, S.; Bouferguene, A.; Al-Hussein, M.; Kosa, J.: An Integrated Decision Support Model for Selecting the Most Feasible Crane at Heavy Construction Sites. Automation on Construction 87 (2018), S. 188–200 DOI: /10.1016/j.autcon.2017.12.009/10.1016/j.autcon.2017.12.009Search in Google Scholar
10 Ren, W.; Wu, Z.: Real-Time Anticollision System for Mobile Cranes during Lift Operations. Journal of Computing in Civil Engineering 29 (2015) 6, 04014100, DOI: /10.1061/(ASCE)CP.1943-5487.0000438/10.1061/(ASCE)CP.1943-5487.0000438Search in Google Scholar
11 Sutjaritvorakul, T.; Vierling, A.; Berns, K. : Data-Driven Worker Detection from Load-View Crane Camera. ISARC. In: Proceedings of the International Symposium on Automation andRobotics in Construction (2020) 37, S. 864–871 DOI: /10.22260/ISARC2020/0119/10.22260/ISARC2020/0119Search in Google Scholar
12 Lukezic, A.; Vojir, T.; Cehovin Zajc, L.; Matas, J.; Kristan, M.: Discriminative Correlation Filter with Channel and Spatial Reliability. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (2017), S. 6309–6318 DOI: /10.1109/CVPR.2017.515/10.1109/CVPR.2017.515Search in Google Scholar
13 Rublee E.; Rabaud V.; Konolige K.; Bradski G.R.: ORB: An Efficient Alternative to SIFT or SURF. 2011 IEEE International Conference on Computer Vision (2011), S. 2564–2571 DOI: /10.1109/ICCV.2011.6126544/10.1109/ICCV.2011.6126544Search in Google Scholar
14 Evangelidis, G. D.; Psarakis E. Z.: Parametric image Alignment Using Enhanced Correlation Coefficient Maximization. IEEE Transactions on Pattern Analysis and Machine Intelligence (2008), 30.10, S. 1858–1865 DOI: /10.1109/TPAMI.2008.113/10.1109/TPAMI.2008.113Search in Google Scholar
15 Quandt, M.; Beinke, T.; Freitag, M.; Kölsch, C.: Requirements for an Augmented Realitybased Assistance System – Raising the Safety Level of Mobile Cranes. In: Freitag, M.; Kotzab, H.; Pannek, J. (Hrsg.): Dynamics in Logistics – Proceedings of the 6th International Conference LDIC. Springer-Verlag, Cham 2018, S. 335–340 DOI: /10.1007/978-3-319-74225-0_45/10.1007/978-3-319-74225-0_45Search in Google Scholar
16 Microsoft Corporation: HoloLens 2 – Eine neue Computing-Vision (2021). Online unter https://www.microsoft.com/de-de/hololens/hardware [Abruf am 08.09.2021]Search in Google Scholar
17 Unity Technologies: More than an Engine – Create and Grow More with Unity (2021). Online unter https://unity.com/de [Abruf am 08.09.2021]Search in Google Scholar
18 GitHub Inc.: Microsoft Mixed Reality Toolkit. Online unter https://github.com/microsoft/MixedRealityToolkit-Unity (2021), online abgerufen am 08.09.2021Search in Google Scholar
19 Barekatain, M.; Martí, M.; Shih, H.; Murray, S.; Nakayama, K.; Matsuo, Y.; Prendinger, H.: Okutama-Action: An Aerial View Video Dataset for Concurrent Human Action Detection.The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Workshops (2017), S. 28–35 DOI: /10.1109/CVPRW.2017.267/10.1109/CVPRW.2017.267Search in Google Scholar
20 Milan, A.; Leal-Taixé, L.; Reid, I.; Roth, S.; Schindler, K.: MOT16: A Benchmark for Multi-Object Tracking. arXiv:1603.00831v2 (2016)Search in Google Scholar
21 Quandt, M.; Beinke, T.; Freitag, M.: User-Centered Evaluation of an Augmented Reality-based Assistance System for Maintenance. Procedia CIRP 53rd CIRP Conference on Manufacturing Systems (2020), S. 921–926 DOI: /10.1016/j.procir.2020.03.053/10.1016/j.procir.2020.03.053Search in Google Scholar
© 2021 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Digitale Transformation im Vormarsch
- Arbeitsplanung
- Deep Learning zur Unterstützung der Arbeitsplanung
- Automatisierung
- Wie Automatisierung die Zukunft der Produktion verändern wird
- Mensch und Roboter
- Wirtschaftliche Mensch-Roboter-Arbeitssystemgestaltung
- Qualitätsmanagement
- Prädiktive Qualität in der Prozesslenkung
- Instandhaltung
- Predictive Maintenance – Voraussetzungen und Potenziale
- Qualitätsmanagement und vorausschauende Instandhaltung auf der Basis synthetischer Datensätze
- Störungsmanagement
- Innovatives Störungsmanagement in der XXL-Montage
- Laser-Technologie
- Steuerung von Laser-induzierten periodischen Oberflächenstrukturen
- Elektromobilität
- Cell-to-Pack-Technologie für Li-Ionen-Batterien
- Identifikation qualitätskritischer Parameter
- Additive Fertigung
- Digitale Assistenz in der Additiven Fertigung
- Einführung einer In-situ-Prozess-Überwachung in der additiven Materialextrusion
- Spannsysteme
- Sichere Werkstückspannung bei der Fräsbearbeitung mit Dreibackenfuttern
- Arbeitssicherheit
- Augmented Reality zur Steigerung der Arbeitssicherheit von Mobilkranen
- Studie
- Traceability-Systeme als Enabler für Process Mining
- Mensch und KI
- Mensch-KI-Teaming: Mensch und Künstliche Intelligenz in der Arbeitswelt von morgen
- Digitale Technologien
- Vergleich von Methoden zur Auswahl Digitaler Technologien für KMU
- Digitale Assistenzsysteme
- Einführung neuer Produktvarianten in digitalen Montage-Assistenzsystemen
- Virtuelle Realität
- Automatisierte Erstellung von Virtual-Reality-Schulungen
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Digitale Transformation im Vormarsch
- Arbeitsplanung
- Deep Learning zur Unterstützung der Arbeitsplanung
- Automatisierung
- Wie Automatisierung die Zukunft der Produktion verändern wird
- Mensch und Roboter
- Wirtschaftliche Mensch-Roboter-Arbeitssystemgestaltung
- Qualitätsmanagement
- Prädiktive Qualität in der Prozesslenkung
- Instandhaltung
- Predictive Maintenance – Voraussetzungen und Potenziale
- Qualitätsmanagement und vorausschauende Instandhaltung auf der Basis synthetischer Datensätze
- Störungsmanagement
- Innovatives Störungsmanagement in der XXL-Montage
- Laser-Technologie
- Steuerung von Laser-induzierten periodischen Oberflächenstrukturen
- Elektromobilität
- Cell-to-Pack-Technologie für Li-Ionen-Batterien
- Identifikation qualitätskritischer Parameter
- Additive Fertigung
- Digitale Assistenz in der Additiven Fertigung
- Einführung einer In-situ-Prozess-Überwachung in der additiven Materialextrusion
- Spannsysteme
- Sichere Werkstückspannung bei der Fräsbearbeitung mit Dreibackenfuttern
- Arbeitssicherheit
- Augmented Reality zur Steigerung der Arbeitssicherheit von Mobilkranen
- Studie
- Traceability-Systeme als Enabler für Process Mining
- Mensch und KI
- Mensch-KI-Teaming: Mensch und Künstliche Intelligenz in der Arbeitswelt von morgen
- Digitale Technologien
- Vergleich von Methoden zur Auswahl Digitaler Technologien für KMU
- Digitale Assistenzsysteme
- Einführung neuer Produktvarianten in digitalen Montage-Assistenzsystemen
- Virtuelle Realität
- Automatisierte Erstellung von Virtual-Reality-Schulungen
- Vorschau
- Vorschau
