Die heutigen Perimetersicherheitstechnologien wurden an ihre praktischen Leistungsgrenzen gebracht, können aber unter bestimmten Umständen immer noch gelegentliche Belästigungen oder Fehlalarme auslösen. Dies beeinträchtigt die Systemleistung und kostet Unternehmen Geld. Das ist einer der Gründe, warum die Branche bereit ist für den nächsten Evolutionsschritt in der Perimetersicherheit: Sensorfusion.
Sensorfusion ist in Kreisen der Perimetersicherheit noch eine relativ neue Technologie. Mit dieser Neuheit gehen oft Missverständnisse einher. In dieser mehrteiligen Blogserie besprechen wir die Sensorfusion als kritischen Bestandteil eines Sicherheitsportfolios: was sie ist, wie sie funktioniert und welche Vorteile sie bietet. Wir werden auch Lösungen besprechen, die manchmal vorgeben, Sensorfusion zu sein, es aber nicht sind, und erklären, wie man den Unterschied erkennt und was sie genau auszeichnet. Mehr als die Summe seiner Teile.
Sensorfusion ist der Prozess der Kombination gleichzeitiger Eingaben von verschiedenen Sensortypen, um aussagekräftige Signale mit einer viel höheren Genauigkeit zu extrahieren, als dies von einzelnen Sensoren isoliert möglich ist.
Vielleicht haben Sie den Begriff „Sensorfusion“ auch schon in anderen Branchen gehört, beispielsweise bei selbstfahrenden Autos oder selbstnavigierenden Robotern. Die Sensorfusion in der Perimetersicherheit wendet das gleiche Konzept und die gleichen technologischen Grundlagen an: die Verwendung ausgeklügelter maschineller Lerntechniken, um intelligente Ergebnisse aus möglicherweise unklaren Eingaben abzuleiten.
Es analysiert Datenströme von Überwachungskameras, Zaunsensoren, volumetrischen Sensoren und anderen Eingaben, um Ereignisse wie Einbruchsversuche oder sogar Wartungsbedarf zuverlässig zu identifizieren. Da ein Modell der Aussenwelt aus mehreren unterschiedlichen Eingabetypen entwickelt wird, kann eine Sicherheitslösung mit Sensorfusion die Stärken ihrer zusammengesetzten Sensortechnologien nutzen und gleichzeitig die potenziellen Nachteile jedes einzelnen Sensortyps minimieren. Die Fähigkeit, die besten Daten aus mehreren Eingängen zu extrahieren, ermöglicht der Sensorfusionstechnologie ein unvergleichliches Leistungsniveau.
Das „Kombinieren von Eingaben“ klingt einfach und unkompliziert, aber ein System qualifiziert sich nur dann als Sensorfusion, wenn diese Eingaben auf eine bestimmte Weise kombiniert werden. Eine häufige Fehldarstellung der Sensorfusion ist ein System, das einfache boolesche Logik verwendet, um seine Entscheidungen abzuleiten. Boolesche Logik ist eine Möglichkeit, „wahre“ und „falsche“ Werte mit Funktionen wie UND, ODER und NICHT zu kombinieren.
Beispielsweise könnte ein Sicherheitssystem, das Boolesche Logik verwendet, einen Einbruch melden, wenn der Zaunsensor eine Bewegung erkennt UND die Kamera eine Bewegung aufnimmt. Ein echtes Sensorfusionssystem vergleicht jedoch nicht nur die „Wahr/Falsch“-Ausgänge der obersten Ebene von jeder überwachten Quelle. Diese einfache Logik ist bei weitem nicht so ausgefeilt oder nuanciert wie die Sensorfusion, die viel genauer ist, da sie den Gesamtkontext untersucht.
Da es zwischen diesen beiden Ansätzen oft zu Verwechslungen oder zu starken Vereinfachungen kommen kann, werden wir in einem späteren Beitrag dieser Blogserie einen ausführlichen Vergleich darüber liefern, warum Sensorfusion nicht dasselbe ist wie Sensorintegration. Künstliche Intelligenz im Herzen Innerhalb eines Sensorfusionssystems befindet sich fortgeschrittene Mathematik (digitale Filter, probabilistische Modelle und neuronale Netze), die Rohdaten von einem kombinierten Sensorarray verarbeiten.
Die Sensorfusionsalgorithmen benötigen enorme Mengen an paralleler Verarbeitungsleistung sowie Zugriff auf die Low-Level-Sensordaten, die nicht verfügbar sind, wenn Systeme von mehreren Anbietern stammen.
Sensorfusionssysteme können keine subtilen Merkmale aus dem konstanten Strom von Sensordaten extrahieren, die sie verarbeiten, es sei denn, sie wurden zuvor trainiert. Beim Training werden grosse Datenmengen gesammelt, um die Algorithmen systematisch zu verfeinern. Die Algorithmen werden nicht nur auf einfache Variablen trainiert, sondern auch auf die qualitativen Attribute der Sensordaten wie Standort, Signalintensität und Konfidenzniveau.
Mit genügend Daten erstellt das System Korrelationen zwischen den komplexen Eingabeströmen und den Ereignissen, die es erkennen muss. Noch wichtiger ist, dass es lernt, welche Arten von Mustern keine Aufmerksamkeit verdienen, selbst wenn diese Muster einfachere Systeme täuschen könnten. Ein Sensorfusionssystem könnte gleichzeitige Zaunvibrationen UND Kamerabewegungen erkennen und dennoch einen Fehlalarm erkennen, der durch Wind und in der Nähe befindliche, nicht bedrohliche menschliche Aktivitäten ausgelöst wird. Oder erzeugen Sie umgekehrt mit hoher Zuverlässigkeit einen Einbruchsalarm, selbst wenn ein erfahrener Eindringling eine Methode anwendet, um einen bestimmten Sensor zu umgehen. Das Sensorfusionssystem kann auch mit historischen Informationen über den Standort und das Ergebnis von Alarmen gefüttert werden, was es ihm ermöglicht, laufend zu lernen und seine Fähigkeit zu verbessern, Sicherheitsprobleme richtig zu erkennen. Mehr Kontext für informierte, intelligente Entscheidungen Für Perimeter-Sicherheitsanwendungen hat die Sensorfusion direkte, praktische Vorteile, nämlich die Fähigkeit, die Stärken einzelner Sensortechnologien zu maximieren und gleichzeitig ihre Mängel zu vermeiden. Es verhindert nicht nur Belästigungen und Fehlalarme, sondern erhöht auch die Wahrscheinlichkeit, dass Sicherheitsteams fundierte, intelligente Entscheidungen treffen können.
