Jak rozwiązanie AI zmniejszyło liczbę wypadków w magazynach o 95%

Bezpieczeństwo ruchu mieszanego w magazynie zależy nie tylko od samego AGV, ale też od tego, jak dobrze system potrafi rozpoznawać zagrożenia pojawiające się nisko przy posadzce. Jednym z trudniejszych przykładów są widły manualnych wózków widłowych, które przy niekorzystnym kącie i oświetleniu bywają słabo widoczne dla klasycznych czujników.

W tym projekcie celem było stworzenie systemu AI, który wykrywa widły wózków widłowych w czasie rzeczywistym i ogranicza ryzyko kolizji pomiędzy pojazdami AGV a wózkami obsługiwanymi ręcznie. Efekt końcowy był bardzo konkretny: według danych ze źródła rozwiązanie pomogło zmniejszyć liczbę wypadków w magazynach o 95%.

Dlaczego wykrywanie wideł jest tak trudne

Widły często znajdują się bardzo nisko, mają wąski profil i w praktyce potrafią zlewać się z tłem posadzki lub palety. Dla środowiska magazynowego oznacza to realny problem bezpieczeństwa, bo niewykryty element może wejść w trajektorię ruchu AGV dopiero w ostatniej chwili.

W analizowanym przypadku organizacja miała dodatkowo trzy typowe ograniczenia wdrożeniowe: brak własnego zespołu AI, presję czasową oraz potrzebę utrzymania projektu w rozsądnych kosztach. To sprawiło, że zamiast budować kompetencje od zera, zdecydowano się na outsourcing rozwoju rozwiązania.

Jak zbudowano rozwiązanie

Projekt został oparty na kilku etapach, które są charakterystyczne dla dojrzałych wdrożeń percepcji AI w logistyce:

• doprecyzowanie wymagań biznesowych i technicznych,
• zbudowanie zbioru danych z rzeczywistych środowisk przemysłowych,
• trenowanie oraz porównywanie modeli detekcji obiektów,
• optymalizacja inferencji pod pracę w czasie rzeczywistym,
• wdrożenie aplikacji i testy w warunkach operacyjnych.

Zgodnie ze źródłem już na etapie analizy wymagań ustalono jasne metryki sukcesu: 95% precyzji, detekcję w czasie rzeczywistym liczoną w milisekundach, bezpieczeństwo danych na poziomie szyfrowania AES-256 oraz gotowość do pracy na platformach mobilnych i desktopowych.

Dane i modele AI

Najważniejszy fundament projektu stanowiły dane. Zebrano tysiące obrazów z przemysłowych środowisk i oznaczono je z użyciem CVAT, opisując widły, przeszkody oraz inne obiekty pojawiające się w polu widzenia systemu. Dane były następnie wzbogacane przez rotację obrazów, zmianę kontrastu i symulację szumu, żeby model lepiej radził sobie z warunkami rzeczywistymi.

Do walidacji jakości danych wykorzystano FiftyOne, a do samego rozwoju modeli użyto Detectron2. Według opisu projektu bardzo dobre wyniki osiągnięto przy użyciu architektur Faster R-CNN i YOLOv5. Dodatkowo parametry modeli były optymalizowane przez Optuna AutoML, co pozwoliło zejść do około 50 ms inferencji na klatkę.

To ważny wynik z perspektywy operacyjnej, bo w systemach bezpieczeństwa sama skuteczność modelu nie wystarczy. Jeśli detekcja jest zbyt wolna, to wartość praktyczna rozwiązania szybko spada.

Warstwa aplikacyjna i wdrożeniowa

Rozwiązanie nie zakończyło się na samym modelu. Opracowano też aplikację mobilną w Android Studio, która pozwalała wizualizować wyniki detekcji w czasie rzeczywistym. Modele zoptymalizowano przy użyciu ONNX Runtime i kwantyzacji FP16, aby zachować płynność działania na urządzeniach mobilnych.

Całość została osadzona w szerszym środowisku technologicznym obejmującym Docker, Kubernetes i TensorBoard po stronie DevOps oraz PostgreSQL i MongoDB po stronie logowania i pracy z danymi. Po wdrożeniu zapewniono monitoring działania i dalszy rozwój funkcji, w tym rozszerzenie systemu o wykrywanie palet.

Jakie były rezultaty

Źródło wskazuje cztery kluczowe efekty biznesowe projektu:

1. Spadek liczby wypadków w magazynach o 95%.
2. Około 35% oszczędności względem budowy własnego zespołu AI.
3. Terminową realizację projektu bez kosztownych opóźnień.
4. Modułową architekturę, która pozwala rozwijać rozwiązanie wraz z potrzebami biznesu.

Z punktu widzenia menedżera operacyjnego to bardzo dobry przykład, że AI w intralogistyce ma sens wtedy, gdy rozwiązuje konkretny problem procesowy. W tym przypadku nie chodziło o „dodanie sztucznej inteligencji”, tylko o usunięcie realnego ryzyka bezpieczeństwa, którego klasyczne sensory nie adresowały wystarczająco dobrze.

Co z tego wynika dla projektów AGV

Ten przykład dobrze pokazuje, że bezpieczeństwo AGV nie zawsze kończy się na standardowej konfiguracji skanerów i logice ruchu. W środowiskach bardziej złożonych warto rozważać dodatkowe warstwy percepcji, szczególnie tam, gdzie obiekt do wykrycia jest niewielki, nisko położony albo trudny do jednoznacznej identyfikacji przez tradycyjne czujniki.

Dla firm planujących podobne wdrożenia najważniejszy wniosek jest prosty: jeśli problem bezpieczeństwa można jasno opisać, zmierzyć i osadzić w realnych danych operacyjnych, to rozwiązania AI mogą przynieść bardzo konkretny efekt biznesowy, a nie tylko technologiczny eksperyment.