SEFLI: SEnsor-Fusion und Deep Learning für Radar-gestützte Intelligente Lastwagensicherheit

©BMWK
©ZIM
©Konvoi

SEFLI ist ein innovatives Forschungsprojekt in Zusammenarbeit mit der KONVOI GmbH.

Motivation
Der Warentransport per Lkw ist ein essenzieller Bestandteil der europäischen Wirtschaft, wobei über 70 % der Güter auf der Straße transportiert werden. Allerdings steht die Logistikbranche vor erheblichen Herausforderungen durch Ladungsdiebstahl, Dieseldiebstahl und Vandalismus, was zu erheblichen wirtschaftlichen Schäden führt – allein in Deutschland gibt es jährlich über 26.000 Fälle von Ladungsdiebstahl. Bestehende Sicherheitslösungen sind oft unzureichend, insbesondere bei der Echtzeit-Erkennung und -Verhinderung von Bedrohungen. Mit der Entwicklung eines radar-basierten Überwachungssystems adressiert SEFLI diese kritischen Probleme.

Ziel
SEFLI entwickelt ein radar-basiertes System zur kontinuierlichen Überwachung der Umgebung geparkter Lkw. Durch den Einsatz von Deep Learning und Sensorfusion soll das System Sicherheitsbedrohungen, wie unbefugten Zugang zu Ladetüren, Kraftstofftanks und Reifen präzise erkennen und bewerten. Ziel ist es, Flottenbetreibern Echtzeitwarnungen und Risikobewertungen bereitzustellen, um präventive Maßnahmen gegen Diebstahl und Vandalismus zu ermöglichen bei gleichzeitiger Einhaltung geltender Datenschutzvorschriften der EU. Darüber hinaus leistet SEFLI einen Beitrag zur Weiterentwicklung auf den Feldern des maschinellen Lernens, insbesondere bei der Analyse von Radardaten, einschließlich Rauschreduzierung, Signalmehrdeutigkeit und Echtzeitverarbeitung.

Ansatz
•Vorverarbeitung von Radardaten: Verbesserung der Datenqualität durch fortschrittliche Signalverarbeitungstechniken.
•Radarbasierte Objekterkennung und -verfolgung: Nutzung von Millimeterwellen-Radarsensoren zur Erkennung und Klassifizierung von Objekten rund um den Lkw.
•Schockdatenanalyse zur Erfassung des Lkw-Betriebsmodus: Klassifizierung von Betriebsmodi wie Koppeln, Be- und Entladen sowie Rampenvorgänge mittels Beschleunigungssensordaten.
•Risikobewertung und prädiktive Analysen: Einsatz von Anomalieerkennung und/oder regressionsbasierten Modellen zur dynamischen Sicherheitsbewertung.
•Edge Computing für Echtzeitverarbeitung: Lokale Datenverarbeitung reduziert die Abhängigkeit von Cloud-Diensten, verbessert die Reaktionszeiten und erhöht den Datenschutz.
•Sicherheit und Compliance: Verschlüsselung, Zugriffskontrollen und DSGVO-konforme Anonymisierung schützen sensible Daten.


SEFLI wird durch das Bundesministerium für Wirtschaft und Klimaschutz (BMWK) im Rahmen des Zentralen Innovationsprogramms Mittelstand (ZIM) gefördert.
 

Team

  • Prof. Dr.-Ing. Jens Heger
  • Bek-Myrza Nurmatov