Solutions · KI-Use-Cases
On-Device-Vision-Aufgaben — Fahrerüberwachung, Fahrassistenz, Arbeitsplatzsicherheit, Asset-Sicherheit — fusioniert mit Live-Fahrzeugtelemetrie. Kamera und NPU teilen sich den Speicher, ohne CPU-Pixelkopie. Bringen Sie ein ONNX- oder TFLite-Modell mit; bis zu ~100 TOPS auf der AI-class-Stufe.
Katalog der KI-Use-Cases
Jede Aufgabe ist ein Modell auf dem Gerät, fusioniert mit synchronisiertem OBD, GNSS und CAN. Video wird auf dem Gerät analysiert — nur Ereignisse und die von Ihnen ausgewählten Clips verlassen das Fahrzeug. Bringen Sie Ihr eigenes Modell mit oder lassen Sie eines aus Ihrem Material trainieren.
Aufgaben laufen heute über Erkennung und Klassifikation. Aufgaben, die mit in Prüfung markiert sind, nutzen Pose, Distanzschätzung oder Texterkennung und sind in Entwicklung — pro Flotte validiert, bevor sie ausgeliefert werden.
Fahrer — nach innen
Die kabinenseitige Vision beobachtet den Fahrer, nicht die Straße. Jede Erkennung ist durch Fahrt-, Geschwindigkeits- oder Zündungszustand gating-geschützt, sodass Warnungen im Kontext auslösen — und der Kabinen-Feed wird auf dem Gerät analysiert, nie hochgeladen.
Lidschluss- und Kopfnick-Muster werden auf der Kabinen-Optik bewertet und danach gewichtet, wie lange der Fahrer bereits unterwegs ist, sodass eine lange Nachtschicht die Empfindlichkeit erhöht. Die Inferenz läuft auf dem Gerät — der Kabinen-Feed verlässt das Fahrzeug nie.
Die Kopf-gesenkt-, Blick-von-der-Straße-Haltung wird kontinuierlich klassifiziert, doch die Warnung wird zurückgehalten, bis die GNSS-Geschwindigkeit eine Bewegungsschwelle überschreitet — ein Blick aufs Handy im Stand löst sie nicht aus. Nur auf dem Gerät.
Hand-am-Ohr- und Handheld-Geräte-Gesten werden klassifiziert, während das Fahrzeug fährt, und trennen einen kurzen Blick von anhaltender Handnutzung. Für die Entscheidung werden keine Bilder hochgeladen.
Der Gurt-Zustand und Verstöße gegen die Fahrerkabinen-Policy werden aus dem Bild gelesen und mit Zündung und Bewegung korreliert, sodass die Prüfung erst greift, wenn das Fahrzeug tatsächlich im Einsatz ist.
Straße — nach außen
Die straßenseitige Vision beobachtet den Weg voraus. Erkennungen fusionieren mit eigener Geschwindigkeit, Lenkung und Blinker-CAN, sodass eine Warnung widerspiegelt, was das Fahrzeug tatsächlich tut — keine reine Pixel-Vermutung.
Das vorausfahrende Fahrzeug und der schrumpfende Abstand werden auf der Front-Optik verfolgt und mit der eigenen Geschwindigkeit fusioniert, sodass die Warnung vor unmittelbarem Aufprall mit der tatsächlichen Annäherungsgeschwindigkeit skaliert.
Spurabweichung wird auf der Straßen-Optik erkannt und in dem Moment unterdrückt, in dem der Blinker-CAN-Zustand zeigt, dass das Manöver beabsichtigt ist — angezeigte Spurwechsel lösen keinen Fehlalarm aus.
Fußgänger und Radfahrer im vorderen Fahrweg werden erkannt und nach Geschwindigkeit und Lenkwinkel eingestuft, sodass das nächste Risiko auf dem Fahrweg zuerst angezeigt wird.
Der Folgeabstand wird aus dem Frontbild geschätzt und gegen die Geschwindigkeit für einen Zeitlücken-Score bewertet. Die Abstandsschätzung ist in Entwicklung und wird vor der Auslieferung je Flotte validiert.
Tempolimit-Schilder werden per OCR auf dem Gerät gelesen und mit der gemessenen Geschwindigkeit verglichen, um ein Übergeschwindigkeits-Ereignis auszulösen. Die Schild-Erkennung ist in Entwicklung und wird vor der Auslieferung je Flotte validiert.
Arbeitsplatz — rundum & hinten
Die Rundum- und Heck-Vision deckt die Gefahrenzone bei langsamer Fahrt ab — Zurücksetzen, Beladen und Manövrieren in der Nähe von Personen. Der Sicherheitsalarm löst lokal auf dem Gerät aus, ohne Cloud in der Schleife.
Eine Person, die eine definierte Gefahrenzone um eine Maschine oder ein zurücksetzendes Fahrzeug betritt, wird erkannt und löst einen lokalen Alarm am Gerät aus — kein Cloud-Umweg in der Sicherheitsschleife.
Personen und Hindernisse seitlich oder hinten werden bei langsamen Manövern erkannt und decken die toten Winkel ab, die ein Spiegel übersieht.
Die Pose-Schätzung markiert eine Person an der Kante einer offenen Heckklappe während des Beladens. Die Pose-Arbeit ist in Entwicklung und wird vor der Auslieferung je Flotte validiert.
Bevor das Fahrzeug zum Losfahren freigegeben wird, wird der Heckbereich als frei von Personen bestätigt. Gang-gegated und in Entwicklung, je Flotte vor der Auslieferung validiert.
Asset — Kabine & Ladung
Die Kabinen- und Ladungs-Vision überwacht das Asset, wenn das Fahrzeug geparkt ist oder unbeaufsichtigt fährt. Erkennungen werden mit GNSS gestempelt und durch Verriegelungs-, Zündungs- und Bewegungszustand gegated.
Ein in der Kabine zurückgelassener Passagier, ein Kind oder ein Objekt wird nach Zündung-aus und Tür-Ereignissen erkannt, sodass die Warnung auslöst, sobald das Fahrzeug geparkt ist und sich leert.
Eine Person, die den Laderaum betritt, während das Fahrzeug geparkt und verriegelt ist, wird erkannt und für den Ereignis-Datensatz mit dem GNSS-Standort gestempelt.
Eine aus dem Bild gelesene offene Tür wird mit der Bewegungstelemetrie abgeglichen, sodass das Ereignis nur auslöst, wenn eine Tür offen ist, während das Fahrzeug tatsächlich fährt.
On-Demand & eigenes Modell
Die Runtime ist modellagnostisch. Liefern Sie ein ONNX- oder TensorFlow-Modell, und es wird für Sie in das On-Device-Format konvertiert, oder lassen Sie eines aus Ihrem gelabelten Material trainieren. Modelle werden beim Start eines Pipelines geladen und beim Stopp freigegeben, sodass ein Gerät mehrere Use-Cases aus dem Katalog oben tragen kann.
ONNX · TFLite Bringen Sie ein ONNX- oder TensorFlow-Modell mit; es wird für Sie in das On-Device-Format .tflite konvertiert. Bis zu ~50 MB; unter 5 MB bleibt die Latenz am niedrigsten.
On-Device-NPU Frames werden auf der NPU analysiert, bevor ein Byte das Gerät verlässt. Rohvideo bleibt lokal — nur Ereignisse und die von Ihnen ausgewählten Clips verlassen das Fahrzeug.
laden · freigeben Modelle werden beim Start eines Pipelines geladen und beim Stopp freigegeben. Ein einzelnes Modell oder mehrere kaskadiert über die NPU auf denselben Frames.
Erkennung + Telemetrie Jede Erkennung wird mit synchronisiertem OBD, GNSS und CAN fusioniert — ein Use-Case kann also durch Geschwindigkeit, Gang oder Türzustand gegated werden. Das vollständige Pipeline lebt bei AI Funnel.
Wo es läuft
FAQ
Ja. Liefern Sie ein ONNX- oder TensorFlow-Modell, und es wird für Sie in das On-Device-Format .tflite konvertiert, bis zu ~50 MB. Unter 5 MB bleibt die Latenz am niedrigsten. Oder lassen Sie eines aus Ihrem gelabelten Material trainieren.
Auf der NPU des Geräts, auf AI-class-Silizium. Rohvideo wird auf dem Gerät analysiert — nur Ereignisse und die von Ihnen ausgewählten Clips verlassen das Fahrzeug. Es gibt keinen CPU-Inferenz-Fallback.
Ja. Modelle werden beim Start eines Pipelines geladen und beim Stopp freigegeben, sodass ein Gerät mehrere Aufgaben aus dem Katalog tragen kann — ein einzelnes Modell oder mehrere kaskadiert über die NPU auf denselben Frames.
Cloud-Retraining, Quantisierung und OTA-Modellauslieferung werden vom AI-Funnel-Pipeline verwaltet. Neu trainierte Modelle landen ohne vollständiges Firmware-Update auf dem Gerät.
Wählen Sie die Aufgaben, die Sie brauchen, bringen Sie Ihr eigenes Modell oder Material mit, und wir skizzieren das On-Device-Pipeline während des Gesprächs.
Eine Antwort vom Engineering-Team, ~24 h. Kein Deck, kein NDA.