Data4Sim

Datengetriebene Simulation Manueller Prozesse in der Logistik

Zielstellung des Projekts ist die Entwicklung von Verfahren, um manuelle Betriebsabläufe sensorbasiert zu erfassen und (teil-)automatisiert in Simulationsmodelle zu überführen. Solche Simulationsmodelle ermöglicht es, präzise Vorhersagen über die Auswirkungen von Änderungen in manuellen Betriebsabläufen zu treffen, bspw. die Simulation von manuellen Kommissionier-prozessen in Logistikzentren oder Handelsdistributionslagern. Die Auswirkungen von geänderten Arbeitsfolgen (z.B. Variationen der Generierungslogik von Picklisten) oder von Lagerstrategien (z.B. die Artikelverteilung im Lager) können so mittels Simulation ermittelt werden.

Technologisch wird dieses Ziel erreicht, indem die manuellen Betriebsabläufe zunächst mithilfe körpergetragener Sensorik erfasst werden. Auf Basis dieser Sensordaten wird mittels KI-Methoden, wie beispielsweise einem Convolutional Neural Network (CNN), auf die von den Mitarbeitenden durchgeführten Aktivitäten geschlossen. Diese Aktivitäten werden in ein detailliertes Simulationsmodell der manuellen Prozesse überführt. In diesem werden Modellparameter (z.B. Dauer von Arbeitsschritten), ihre Abhängigkeiten (z.B. Einfluss von Ermüdung oder Erfahrung auf die Dauer von Arbeitsschritten) sowie die temporale Struktur der Aktivitäten (z.B. Strategien der Mitarbeitenden bzgl. der Reihenfolge von Arbeitsschritten) auf Basis der erfassten Aktivitäten modelliert. In dem resultierenden Simulationsmodell können Maßnahmen zur Optimierung der Betriebsabläufe gezielt geplant und ihre Auswirkungen untersucht werden.

Publikationen

Moh'd Khier Al Kfari, Stefan Lüdtke. Domain Adaptation in Human Activity Recognition through Self-Training. Companion of the 2024 on ACM International Joint Conference on Pervasive and Ubiquitous Computing (Ubicomp Workshops) 2024. [web]

Friedrich Niemann, Fernando Moya Rueda, Moh’d Khier Al Kfari, Nilah Ravi Nair, Stefan Lüdtke and Alice Kirchheim. Towards Standardized Dataset Creation for Human Activity Recognition: Framework, Taxonomy, Checklist, and Best Practices. 9th International Workshop on Annotation of Real World Data for Artificial Intelligent Systems (2025).