3D&AI för en säkrare, smartare och effektivare lasthantering i terminaler (TRASSEL)

TRASSELs realtidsbaserade teknologi och effektiva AI-metoder ger strategiska beslut, snabb anpassning och automatiserad styrning för en effektivare terminalverksamhet. DB Schenker prioriterar smart styrning, optimal resursplanering och platsanvändning, stödda av våra innovativa lösningar.
Vad ville projektet göra?
- Optimering av Fordon och Infrastruktur: Användning av sensorer, data och AI för att optimera fordon och terminalers effektivitet
- Miljö- och Trafiksäkerhetsförbättringar: Minska energiförbrukningen i interna transporter och öka trafiksäkerheten på systemnivå
- Konkurrenskraft och Innovation: Främja intresse från stora logistikaktörer för forskningen och samarbetet med innovativa SME:er
Under projektets gång har det framkommit att integration i befintliga IT-system skulle vara komplicerad. Partners har därför fokuserat på fristående lösningar genom webbgränssnitt eller appar för att effektivt presentera data och insikter.
Hur gjorde man det?
- Behovsdefinierande aktiviteter: Genom workshops, platsbesök och möten identifierade vi behoven av data och insikter. Dialog med partners och observation av verksamheten ledde till insikter om hur data om godsplacering och rörelse kan förbättra verksamheten.
- Datainsamling med Viscando 3D&AI-sensorer: Under slutet av projektet genomfördes datainsamling med Viscando OTUS3D-sensorer vid DB Schenkers terminal i Göteborg. Användning av anonymiserade data möjliggjorde analys och visualisering av platsanvändningen. Algoritmanpassningar gjordes för att förbättra resultatet.
- Visualisering av insikter från mätningen: 3D-punktmolnsdata från Viscando-sensorer användes för att skapa ytanvändningskartor. Dessa uppdaterades 2 gånger per sekund och inkluderade dynamiska kartor över upptagen yta, åldern på placerat gods och statistik om fyllnadsnivåer.
Vad kom de fram till?
- Realidsbaserade Lösningar för Terminaloptimering: Projektet presenterar innovativa lösningar genom realtidsdata, visualisering och dataanalyser. Dessa möjliggör strategiskt beslutsunderlag, realtidsmonitorering för snabb anpassning, och automatiserad styrning baserad på aktuella mätningar, inklusive indikation av lediga lastbilsportar.
- Förslag på Effektiva AI-Metoder: För att öka effektiviteten av de föreslagna lösningarna introduceras två AI-metoder. Metod 1 fokuserar på kort- och långsiktig prediktion av platsanvändning med etablerade AI-tekniker som Imitation learning och LSTM-nätverk. Metod 2 kombinerar mönsterigenkänning, tidsserieprediktion och optimering för att identifiera och hantera situationer effektivt.
- Prioriterade Funktioner för Optimerad Terminalhantering: DB Schenker identifierar centrala funktioner som stöds av projektets lösningar. Det inkluderar smart styrning av inkommande lastbilar baserat på tillgänglig plats, optimal planering av resurser med realtidsinformation och prediktion, samt optimering av terminalens platsanvändning genom anpassning av områden baserat på behov och optimal godshantering.
- Tillgängligt Dataset för Framtida Utveckling: Projektet tillhandahåller ett anonymiserat dataset med platsanvändningsdata från ett intagstorg under en vecka. Detta dataset blir en grund för framtida utveckling av data- och AI-baserade lösningar som föreslås inom projektet.
Nyfiken på projektresultaten?
Hör Yury Tarakanov, Viscando and Gustav Von Sydow, DB Schenker berätta om våra framsteg och resultat. Kolla in filmen för mer information!