Hintergrund
Die delikatessen Requisiten Fundus Berlin oHG vermietet seit vielen Jahren hochwertige Requisiten für Film-, TV- und Medienproduktionen. Der Fundus umfasst rund 47.000 Objekte auf einer Fläche von über 10.500 m². Die Inventur stellt aufgrund der Menge, Vielfalt und teilweise engen sowie unübersichtlichen Lagerstruktur eine große Herausforderung dar. Im Projekt wurde daher untersucht, ob sich der Prozess mithilfe von Drohnen und Künstlicher Intelligenz (KI) automatisieren lässt.
Ziel war es, die technische Machbarkeit einer drohnengestützten, KI-basierten Inventur zu evaluieren und konkrete Anforderungen für eine zukünftige Umsetzung abzuleiten.
Herausforderung
Die automatisierte Inventur in einem solchen Lagerumfeld ist technisch anspruchsvoll und wird durch mehrere Faktoren erschwert:
Komplexe Lagerstruktur
Die Objekte sind häufig dicht gelagert, teilweise gestapelt oder verdeckt. Dadurch sind sie visuell schwer eindeutig zu erfassen – sowohl für Menschen als auch für KI-Systeme.
Schwierige Aufnahmebedingungen
- Wechselnde und teilweise geringe Lichtverhältnisse
- Enge Regalgänge und wenig Bewegungsfreiheit
- Bewegungsunschärfe bei Drohnenaufnahmen
Diese Faktoren beeinflussen die Qualität der Bilddaten erheblich und damit auch die Auswertbarkeit durch KI.
Navigation im Innenraum
Da in Lagerhallen kein GPS verfügbar ist, muss die Drohne ausschließlich über optische und inertiale Sensorik stabilisiert werden. Insbesondere bei schlechten Lichtverhältnissen führt dies zu Instabilitäten im Flugverhalten.
Anforderungen an KI-Modelle
Die automatische Objekterkennung ist stark abhängig von der Qualität der Trainingsdaten. Problematisch sind insbesondere:
- unvollständige oder unscharfe Bilder
- fehlende Perspektivenvielfalt
- sehr ähnliche oder überlappende Objekte
Lösung
Im Projekt wurde ein Ansatz zur drohnengestützten, KI-basierten Inventur entwickelt und praktisch erprobt.
Die Grundidee:
- Erfassung der Lagerbestände durch eine Drohne mittels Videoaufnahmen
- Analyse der Bilddaten durch KI-gestützte Objekterkennung
- Abgleich der erkannten Objekte mit der bestehenden Unternehmensdatenbank
Ziel ist es, den Inventurprozess weitgehend zu automatisieren und den manuellen Aufwand deutlich zu reduzieren.
Umsetzung
Datenerhebung mit Drohne
Zur praktischen Erprobung wurde eine kompakte Indoor-Drohne eingesetzt, mit der Videoaufnahmen in den Lagerräumen erstellt wurden.
Die Tests zeigten:
- Die Bildqualität ist grundsätzlich ausreichend für eine automatisierte Auswertung
- Stabile Flugbewegungen sind entscheidend für verwertbare Daten
- Bewegungsunschärfe und starke Helligkeitsschwankungen wirken sich negativ aus
Praxiserfahrungen im Lagerumfeld
Die Einsätze vor Ort lieferten wichtige Erkenntnisse:
- Der Propellerschutz ist essenziell für den sicheren Einsatz in engen Regalgängen
- Die Drohne zeigt grundsätzlich eine stabile Fluglage unter geeigneten Bedingungen
- Geringe Beleuchtung kann zu Instabilitäten führen, da visuelle Referenzpunkte fehlen
- Materialeigenschaften (z. B. dunkle oder reflektierende Oberflächen) beeinflussen Sensoren
Diese Aspekte stellen zentrale Anforderungen an zukünftige Drohnensysteme für Indoor-Anwendungen dar.
KI-Analyse und Datenbewertung
Parallel wurden vorhandene Bilddatensätze analysiert und ein Modell zur Objekterkennung trainiert.
Wesentliche Erkenntnisse:
- Die bestehenden Ergebnisse konnten reproduziert und teilweise verbessert werden
- Die Wahl des Trainingsverfahrens beeinflusst die Ergebnisse (z. B. Hinweise auf Overfitting)
- Datenqualität ist ein zentraler Erfolgsfaktor
Insbesondere problematisch sind:
- unvollständige Objektabbildungen
- unscharfe Bilder
- zu geringe Variabilität im Datensatz
Prototyp für automatisierte Inventur
Zur Veranschaulichung wurde ein prototypisches System entwickelt:
- Upload von Drohnenvideos über eine Webanwendung
- Automatische Analyse der Videos mittels KI
- Extraktion erkannter Objekte aus einzelnen Frames
- Klassifizierung der Objekte
Der Prototyp zeigt den möglichen Workflow, macht aber auch deutlich, dass insbesondere die zuverlässige Objekterkennung aktuell noch eine zentrale Herausforderung darstellt.
Abgeleitete Anforderungen
Aus den Projektergebnissen lassen sich klare Anforderungen für zukünftige Lösungen ableiten:
- Hochauflösende Kamera mit guter Low-Light-Performance
- Stabile Navigation ohne GNSS (Indoor-Lokalisierung)
- Verbesserte Beleuchtung oder alternative Sensorsysteme
- Omnidirektionale Hinderniserkennung
- Vollständiger Propellerschutz
- Kompakte Bauweise für enge Lagerumgebungen
- Hochwertige, vielfältige Trainingsdatensätze
Fazit und Ausblick
Das Projekt zeigt, dass eine KI-basierte Inventur mit Drohne grundsätzlich realisierbar ist. Gleichzeitig bestehen noch technische und methodische Herausforderungen.
Besonders relevant für eine erfolgreiche Umsetzung sind:
- robuste Navigations- und Sensorsysteme
- geeignete Lichtverhältnisse
- qualitativ hochwertige Trainingsdaten
Die gewonnenen Erkenntnisse bilden eine fundierte Grundlage für weiterführende Entwicklungsprojekte und zeigen das Potenzial für effizientere Inventurprozesse in kleinen und mittleren Unternehmen.