Mobile-Menu

Sim-to-Real-Gap in der Logistik Zebra stellt Trainingsdatensatz STRIPES für Lager-KI vor

Von Berk Kutsal 2 min Lesedauer

Anbieter zum Thema

Zebra Technologies Germany GmbH
Fujitsu Technology Solutions GmbH
QUNIS GmbH
Fivetran Germany GmbH

Zebra Technologies hat den Datensatz STRIPES vorgestellt, der Computer-Vision-Modelle für Lagerumgebungen trainieren soll. Er simuliert Beschädigungen und Unordnung, damit synthetische Trainingsdaten näher an die Realität heranrücken. Die Objekterkennung werde dadurch um bis zu 4,9 Prozent präziser, so das Unternehmen.

In dicht bestückten Lagergängen müssen Bildmodelle Kartons zuverlässig erkennen. STRIPES stellt dafür 30.000 synthetische Szenen unter CC BY 4.0 bereit.(Bild: Zebra Technologies)
In dicht bestückten Lagergängen müssen Bildmodelle Kartons zuverlässig erkennen. STRIPES stellt dafür 30.000 synthetische Szenen unter CC BY 4.0 bereit.
(Bild: Zebra Technologies)

Das KI-Forschungsteam von Zebra hat mit STRIPES (Sim-to-Real Industrial Perception for Warehouse Scenes) nach eigenen Angaben Computer-Vision-Modelle für drei typische Situationen trainiert: die Lagerung in Regalen, die Bereitstellung auf dem Boden und auf Paletten sowie die Beladung von Lastkraftwagen.

Der Datensatz soll die Lücke zwischen Simulation und Realität schließen. Dazu bildet er laut Zebra physische Beschädigungen, Unordnung und chaotische Verhältnisse realer Lager nach. Der Datensatz ist auf Zenodo unter CC BY 4.0 veröffentlicht.

Es ist ein bekanntes Problem beim Training von Bildmodellen: Synthetische Szenen lassen sich in großer Zahl erzeugen, wirken aber oft zu sauber und regelmäßig. Reale Bilder zeigen mehr Abweichungen, sind jedoch aufwendiger zu sammeln und zu beschriften. Wie sich synthetische Bilddaten für das Modelltraining eignen, hängt deshalb stark davon ab, wie gut sie reale Einsatzbedingungen abbilden.

„Mit der Veröffentlichung des STRIPES-Datensatzes stellen wir Wissenschaft, Industrie, unseren Partnern und unseren Kunden ein leistungsstarkes neues Werkzeug zur Verfügung, das die Entwicklung der nächsten Generation intelligenter Automatisierung beschleunigen kann“, sagte Andrea Mirabile, Senior Director of AI Research bei Zebra Technologies.

Kartons mit Dellen, Staub und Folie

Für STRIPES erzeugten die Forscher laut Zebra 30.000 Bilder, 3.000 Kartontexturen und -geometrien sowie rund eine Million beschriftete Objekte. Die Szenen zeigen Kartons in Regalen, auf dem Boden und in Lastwagen. Generative KI lieferte unterschiedliche Erscheinungsformen; simulierte Schäden wie Quetschungen, Beulen und Staub sollten die Abnutzung beim Transport nachbilden.

Auch die Anordnung der Kartons sollte physikalisch plausibel sein. Eine Schwerkraftsimulation ließ sie dicht gepackt, schräg oder ineinander verkeilt liegen. So sollte der Datensatz nicht nur einzelne Objekte, sondern auch typische Unordnung in Lagerabläufen abbilden.

Zebra testete STRIPES mit kompakten Computer-Vision-Modellen, die für den Echtzeiteinsatz auf Edge-Geräten ausgelegt seien. Nach Angaben des Unternehmens verbesserte sich die Erkennung, wenn die Modelle zunächst mit STRIPES trainiert und anschließend mit realen Daten feinjustiert wurden.

Gegenüber dem Training ausschließlich mit realen oder ausschließlich mit synthetischen Daten habe die mittlere Average Precision um bis zu 4,9 Prozent zugelegt.

(ID:50975594)

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte