Use Case

So wird die IoT-Technologie in der Praxis unserer Community angewendet

Share on linkedin
Share on facebook
Share on whatsapp
Share on email
Share on xing

Sonar-Objekterkennung in Echtzeit für einen autonomen Untersuchungsroboter

Das Hightech-Unternehmen EvoLogics nutzt KI zur Echtzeit-Objekterkennung, um die Operatoren ihrer autonomen Untersuchungsroboter zu unterstützen. Damit identifizieren sie Objekte in schwer interpretierbaren Sonar-Bilddaten schneller und präziser.

Die Herausforderung: Das Identifizieren von Objekten unter Wasser

Die Nachricht sorgte im Frühsommer 2021 für Aufsehen: Auf dem Grund des Rheins bei Köln liegen hunderte Elektro-Tretroller, die Randalierer dort hineingeworfen haben. Die Bergung ist schwierig: Die Sicht im Wasser ist schlecht, die Roller sind teils von Schlamm bedeckt. Bisher konnten Taucher nur wenige Roller entdecken. In ähnlichen Fällen werden sie von autonomen Wasserfahrzeugen unterstützt, wie sie beispielsweise EvoLogics konstruiert.

 

Diese Geräte arbeiten nicht mit Kameras, sondern akustisch mit Seitensicht-Sonar, das auch zur Ortung in U-Booten dient. Einsatzgebiete des Oberflächenfahrzeugs Sonobot von EvoLogics sind beispielsweise die Suche nach Schrott und Behältern aller Art sowie nach Ertrunkenen. Ein Sonar-Roboter produziert allerdings schwer interpretierbare Bilder, die selbst von Experten mit langjähriger Erfahrung nicht immer rasch und präzise ausgewertet werden können.

 

In vielen Fällen, etwa bei der Personensuche, wünschen sich Polizei, Feuerwehr und Hilfsorganisationen eine schnellere Lösung. Dazu gehört auch, das Sonar so weit wie möglich an den Grund des Gewässers zu bringen. Deshalb arbeitet das Unternehmen an einem autonomen Unterwasserroboter, der das Bedienpersonal bei der Objekterkennung unterstützt. Dabei sind zwei wichtige Herausforderungen zu bewältigen:

  • Die Kommunikation mit dem Operator an der Wasseroberfläche: Funk und GPS funktionieren unter Wasser nicht. Stattdessen nutzt EvoLogics selbstentwickelte Unterwassermodems, die Digitaldaten mit Schall übertragen. Sie lassen sich ähnlich wie Funkmodems in das Internet of Things (IoT) integrieren.
  • Das Identifizieren von Objekten mit Künstlicher Intelligenz (KI) – automatisch und in Echtzeit: Damit wird der Operator unterstützt, sodass er die Sonar-Bilder rascher auswerten kann. Wegen der nur geringen Bandbreite eines Akustikmodems muss die KI-Lösung allerdings im Roboter selbst arbeiten.

Die Lösung: Bilderkennung (Computer Vision) analysiert Sonarbilder besser als der Mensch

Lösungen zur Auswertung von Sonar-Bildern entwickelt EvoLogics zusammen mit dem KI- und Cloud-Spezialisten Steadforce aus München. Für Computer Vision nutzen die Entwickler spezifische Hardware von NVIDIA und trainieren mit Deep Learning Algorithmen ein tiefes neuronales Netz. Dafür sind große Datenmengen erforderlich, die normalerweise nur in der Cloud problemlos verarbeitet werden können. Doch die Bandbreite der Kommunikation via Unterwassermodem reicht nicht aus, da Schall unter Wasser nur eine Datenrate im Bereich einiger Kilobits pro Sekunde erlaubt.

 

Deshalb entschieden sich die Entwickler, die Lösung aufzuteilen: Das Training des neuronalen Netzes geschieht in der Cloud, um ihre Leistungsfähigkeit optimal auszunutzen. Das trainierte Modell hat dagegen weniger hohe Anforderungen und ist damit für den Einsatz auf einem Edge-Device geeignet. Es wird in den Bordcomputer des Roboters eingebaut und verarbeitet die Sonardaten vor Ort. Dieser überträgt anschließend das Sonar-Bild sowie Informationen über erkannte Objekte an den Operator.

 

Der Operator sieht nun ein Bild, in dem potenziell wichtige Objekte bereits markiert sind. Dadurch kann er das Bild schneller auswerten. Die Voraussetzung: Das neuronale Netz muss zunächst auf die Erkennung bestimmter Objekttypen trainiert werden. Dies geschieht anhand von möglichst vielen Beispieldaten. Die beiden Entwicklungspartner nutzen dafür u.a. Bilder aus vorangegangenen Survey-Missionen und ergänzen sie mit speziell für diesen Zweck aufgenommenen Sonar-Bildern.

 

Die Datenmanagement- und Machine-Learning-Plattform in der Cloud stellt die individuell trainierten Modelle kontinuierlich bereit. Dadurch besitzen die nutzenden Organisationen eine Bibliothek aus Modellen für spezifischen Anwendungsfälle, beispielsweise für das Auffinden von Abfallbehältern, Autos oder Booten.

 

Das Ergebnis: Flexible Untersuchungsroboter für alle Einsatzgebiete

Die Anwendung der Personensuche mit Sonar ist nur der konkrete, erste Schritt hin zu mehr Autonomie in der Meeresrobotik. Organisationen und Unternehmen sind mit der KI-Lösung in der Lage, die Untersuchungsroboter von EvoLogics an beliebige Unterwasserobjekte anzupassen, auch können andere Sensoren eingebunden werden. So ist es beispielsweise möglich, den Bestand von Fischzuchtbetrieben zu zählen oder im Meer die Anzahl der Fische in Schwärmen oder Regionen zu ermitteln. Dafür müssen die Nutzer das KI-Modul mit den entsprechenden Trainingsdaten anpassen.

 

Der Vorteil dieser Lösung: Sobald der Roboter im Einsatz ist, können die entstehenden Daten gesammelt und zu einem Trainingsdatensatz zusammengeführt werden. Ab einer ausreichenden Menge können die Daten für ein Nachtraining genutzt werden. Dadurch wird der Roboter lernfähig und verbessert sich von Einsatz zu Einsatz.

 

Anwender

dieses Use Cases

Steadforce entwickelt skalierbare, sichere und nachhaltige digitale Plattformen und setzt Visionen in die Realität um.

Umsetzungspartner

dieses Use Cases

EvoLogics ist Experte für Unterwasserkommunikation, Ortung und neuartige Robotik und entwickelt innovative Technologien für die maritime und Offshore-Industrie

Podcast

zum Use Case hören

Keine Lust zu lesen? Hören Sie einfach Best Practices zum Use Case von Anwendern unterwegs.

Kategorien

Frage an die IoT-Community?

Stellen Sie jetzt Ihre Frage an unsere IoT-Community mit 15.000+ Nutzern und 65+ offiziellen IoT-Partnern und erhalten Sie innerhalb von 24h Antwort!