Intelligente Edge-Module für Überwachungstechniken

Um Intrusionen zu verhindern, müssen viele Objekte permanent überwacht werden. Beispiele für solche Objekte sind Flughäfen, Kraftwerke, Fabriken, militärische Bereiche und sonstige öffentliche und private Gelände. Ein zuverlässiges Überwachungssystem muss vor allem bei einer Intrusion sofort Alarm auslösen. Gleichzeitig müssen Fehlalarme ausgeschlossen werden. Zur Minimierung der Betriebskosten ist ein hoher Automatisierungsgrad zwingend erforderlich. Ein typisches Beispiel für die konkreten Anforderungen an ein solches Überwachungssystem stellt die Kontrolle von Flughäfen dar. Diese sind komplett eingezäunt, so dass wenig definierte Übergänge für den Personen- und Gütertransfer verbleiben. Selbst der relativ kleine Flughafen Leipzig/Halle ist von Zäunen mit einer Gesamtlänge von 36 km umgeben. Dies stellt eine echte Herausforderung für eine permanente und lückenlose Überwachung dar. Dafür werden in der Regel hauptsächlich Videosysteme oder auch Streifendienste eingesetzt. Die Standardüberwachungsverfahren haben spezifische Vorteile, aber auch fundamentale Nachteile. Dies führt dazu, dass eine permanente Überwachung ohne jegliche Fehlalarme auf unter Nutzung etablierter Techniken nahezu ausgeschlossen ist. Es erscheint uns daher sinnvoll, neue Überwachungstechniken auf Basis der Verknüpfung von Sensoren und Künstlicher Intelligenz zu etablieren.

Insbesondere die Entwicklung supersensitiver  Magnetfeldsensoren hat seit Anfang der 1990er Jahre eine rasante Entwicklung erfahren. Die Anwendungen reichen von der Grundlagenforschung in der Biomedizin bis hin zur industriellen Robotik. Auch Akzelerometer (Beschleunigungssensoren) haben in den letzten Jahren eine rasante Entwicklungsdynamik hin zu universell einsetzbaren Massenprodukten erfahren, und sie werden häufig mit Magnetfeldsensoren „on Chip“ kombiniert. Dies erhöht erheblich die anwendungsspezifische Funktionalität der Sensoren. Auch für die Überwachung größerer eingezäunter Areale bietet sich die Kombination dieser zwei Sensortypen „on Chip“ für die Entwicklung leistungsfähiger, intelligenter und dezentraler Sensormodule an.

Im Allgemeinen sind allerdings die von den Sensoren erfassten Signale schwach, und es muss zwingend eine Diskriminierung nicht vermeidbarer Störsignale erfolgen. Klassische diesbezügliche Verfahren umfassen natürlich Filterung und Rauschunterdrückung. Zwangsläufig werden dabei letztendlich  Entscheidungsprozesse auf Basis der registrierten Daten zusätzlich durch intrinsisch limitierende Faktoren wie die zur Verfügung stehende Kommunikationsbandbreite begrenzt. Aus unserer Sicht bietet hier die Einbettung Künstlicher Intelligenz für die Echtzeitverarbeitung bei stark limitierten Hardware-Ressourcen ein erhebliches Optimierungspotenzial.

Typischerweise handelt es sich bei zum Einsatz kommenden Edge-Devices um Hardware, die aus einem Sensor, einer Verarbeitungseinheit und einem Kommunikationsmodul sowie gegebenenfalls weiterer Peripherie besteht. Indem nur entscheidungsrelevante Informationen kommuniziert werden, können die zur Verfügung stehenden Kommunikationsbandbreiten effizient genutzt und die Zeit für einen Entscheidungsprozess minimiert werden. Innerhalb eines Netzwerks aus solchen, intelligenten Edge-Devices können die einzelnen Module miteinander kommunizieren und damit interagieren, was kollektive Entscheidungsprozesse ermöglicht – die Basis des „Cross Computings“. Die anhand von Überwachungs- und Sicherheitstechniken erläuterten Ansätze lassen sich gleichsam universell in den unterschiedlichsten Anwendungsbereichen etablieren. Insbesondere zählen dazu Bereiche wie „Machine Health Monitoring“, „Tracking“ und „Indoor Navigation“.

Im Laufe der Zeit wurden viele effiziente Echtzeitsignalverarbeitungsalgorithmen entwickelt. Es hat sich gezeigt, dass insbesondere Ansätze auf der Basis von „Machine-Learning“ verschiedene universell einsetzbare Lösungen liefern. Neuronale Netze haben sich als geradezu revolutionär im Zusammenhang mit komplexen Entscheidungsprozessen erwiesen. Sie sind jedoch für gewöhnlich rechenintensiv und erfordern damit eine recht umfangreiche  Hardware. Ziel unseres Ansatzes ist die Implementierung leistungsfähiger „Machine Learning“-Algorithmen bei stark reduzierter und dezentral organisierter Hardware-Ausstattung.

Leistungsfähigkeit, Störanfälligkeit, Langlebigkeit und Anschaffungskosten sind die wesentlichen Aspekte, die über den Erfolg von Überwachungstechniken im Wettbewerb entscheiden. Ein Sensornetzwerk, das im Wesentlichen aus „Edge-Devices“ besteht, weist einen maximalen Grad an Modularität und Flexibilität auf. Außerdem ist es beliebig skalierbar, was besonders für die Perimetersicherung von höchster Relevanz ist. Wir gehen davon aus, dass „Edge Devices“ und „Cross Computing“ zukünftig bei der Entwicklung intelligenter, modularer und dezentral organisierter Sensorsysteme generell eine überragende Rolle spielen werden