ALIs

kommt noch

Achtung: Die Navigationslinks auf dieser Seite funktionieren nicht, weil das nicht der Rahmen ist, der zu diesem Skript gehört. Wenn das Skript ordnungsgemäß dort installiert ist, wo es später laufen soll, funktionieren auch die Links in der dortigen Umgebung.

LINUX Cluster Project

Fördertechnik, Materialfluss, Logistik


Institution

  • Name: Lehrstuhl für Fördertechnik, Materialfluss, Logistik
  • Address: Boltzmannstraße 15, 85748 Garching
  • Project Proposal Date: 2019-06-11 17:31:27

Abstract:

Die Ausleger von Fahrzeugkranen sind lange schlanke Systeme, die bereits im normalen Gebrauch ein ausgeprägt nichtlineares Tragverhalten aufweisen. In dem Projekt sollen effektive Modellierungtechniken entwickelt werden. Zudem soll erforscht werden, inwieweit die statischen Berechnungsansätze der derzeit gültigen Normumg die Tragwerksbelastungen bei dynamischen Vorgängen richtig beschreiben. Im Rahmen des Forschungsprojekts FORFood TP6 werden intelligente Behälter zum Transport von Lebensmitteln entwickelt. Die intelligente Komponente eines solchen Behälters soll imstande sein, die Temperaturverteilung innerhalb des Behälters mit Hilfe eines Algorithmus basiernd auf den erfassten Daten eines einzigen Sensors zu berechnen. Zur Herleitung des Algorithmus sind themodynamische Simulationen mit der Software OpenFoam erforderlich. Dadurch wird dem Einfluss verschiedener Faktoren wie dem Beladungsgrad des Behälters und der Wärmespeicherkapazität der zu transportierenden Lebensmittel Rechnung getragen. In the project "PräVISION", we try to find methods in order to prevent occupational accidents in intralogistic environments caused by forklift drivers. The idea is to develop a warning system, which is able to predict upcoming collisions by using latest algorithms of computer vision. The main challenge is to avoid unnecessary warnings but to warn whenever it is necessary. This challenge shall be mastered by combining collision detection with people detection algorithms. The latter ones will be used to be able to warn earlier, when humans are in the driveway of the forklift and endangered. When no human is in sight, the system should warn at that time, when it's the last change for driver to brake. To be able to distinguish between humans and warehouse accommodation, we use amongst others neural networks. Because the time-of-flight camera we use for capturing the environment is mounted on the top of the forklift, we can't use pre-trained models for people detection. The most algorithms are trained with stationary captured frontal pictures of humans. At first, we do have the situation of a moving camera, that is in addition not mounted horizontally but in a specific angle on the top of the truck. At second, we get infrared images from the time-of-flight camera, which differ quite much from ordinary color (rgb) images. So, we have to train the neural networks by our self to be able to detect people.