Da tidligere Scania-intrapreneur Jonas Svanholm så statistikken over hvor utsatt lastebilsjåfører var for ulykker og skader på jobb, bestemte han og teamet hans seg for å ta på seg utfordringen med å gjøre slike arbeidsplasser tryggere for alle yrkesutøvere, ved å gjøre den refleksvesten sjåførene er pålagt å bruke utenfor kjøretøyet til noe smartere og mer hjelpsomt i farlige situasjoner.

Å være en profesjonell lastebilsjåfør topper de mest risikofylte arbeidsmiljøene både i Sverige og globalt; av 404 dødelige arbeidsulykker utgjør lastebilsjåfører 66 dødsfall i perioden 2011-2020 ifølge Arbeidsmiljøverket.

tinyML og falloppdagelse

Behovet for tilkoblet sikkerhet strekker seg langt utover bare lastebilsjåfører, og det rene antallet arbeidere i farlige yrker ble drivkraften bak etableringen av Swanholm Technology AB, med et oppdrag om å tilby tilkoblede sikkerhetsprodukter for utsatte profesjonelle. Hovedformålet er veldig greit: å gjøre sluttbrukeren tryggere og gi eierne innsikt i hvordan man bygger et tryggere arbeidsmiljø i tett samarbeid med selskaper for å finne nye forretningsmodeller og nye produkter å selge.

Dette målet var ikke uten utfordringer, da vi trengte å introdusere et nytt sikkerhetslag, uten å legge til ekstra oppgaver å utføre eller ting å ta med for brukeren.

Lastebilsjåfører opplever ofte lange dager, jevnlig med potensielt stressende situasjoner samt krevende værforhold, og det var avgjørende å bygge videre på plattformen de allerede hadde. Vesten må oppfylle sikkerhetsstandarden EN 471 klasse 2, også når den er utstyrt med smart teknologi, og bli Alert Vest. Unødvendig å si, spørsmålene var mange og mye praktisk arbeid måtte gjøres for å komme frem til produktutvalget Swanholm i dag tilbyr markedet, med over 100 solgte enheter og med drift i 5 europeiske land.

Noen praktiske utfordringer med en slik enhet måtte løses, noe som la grunnlaget for en ny, utvidet type sikkerhetsprodukt. Dette reiste en rekke praktiske spørsmål som for eksempel;

• Hvordan brukes en sikkerhetsvest i dag, hva er dens faktiske formål?
• Hvilke sensorer er viktige, hvor er sensorer best plassert for optimal avlesning?
• Hvordan er elektronikken best innebygd i stoffet og sysettingen?
• Hvor ofte vil en bruker trenge å lade de innebygde litiumbatteriene?
• Hva er den beste måten å koble den smarte vesten til en smarttelefon, eller til og med et nettbrett?
• Hvordan vil enheten tåle år med skitt, regn, vanlig slitasje?
• Kan elektronikken enkelt fjernes når vesten trenger vask?
• Vil arbeidere føle seg overvåket, selv om vesten kun varsler sin posisjon via smarttelefonen når falldeteksjonsalarmen utløses?

Denne produktlinjen ble utviklet i tett samarbeid med vestprodusenter, innebygde systemingeniører, transport- og entreprenørselskaper og, aller viktigst, sluttbrukerne selv. Parallelt med disse intervjuene og workshoppene måtte programvaren for deteksjon av farlige fall utvikles og trenes, og det var da Jonas Svanholm tok kontakt med teamet hos Imagimob for å forklare sluttbrukernes behov og ønsker, og derigjennom gi oppdraget som initierte en rekke utviklingsiterasjonssykluser, som førte til det ferdige produktet og markedsintroduksjonen i 2020.

Når det gjelder teoriene om å registrere at en person faller; selve fallet registreres som en brøkdel av et sekunds hendelse; vanligvis starter det med en liten endring i bevegelsesvektoren, etterfulgt av millisekunder med tilsynelatende vektløshet, og deretter en plutselig, større endringshastighet i den resulterende akselerasjonsvektoren, slik er kjennetegnene på et ekte fall.

Ved å bruke en sikkerhetsvest som plattform, viste nakken seg å være et godt sted for sensoren for å få konsistente målinger, mens alt annet som batterier og innebygd datamaskin kan plasseres på en eller begge sider for vektsymmetri. Innen maskinlæring er det en tradisjonell rekke trinn som må følges, hvor hvert trinn påvirker effektiviteten og nøyaktigheten til den resulterende modellen.

tinyML og datasett

Maskinlæringsprosjekter starter med innsamling av data på en eller annen måte, og i mange applikasjonsområder finnes det åpne datasett tilgjengelig for trening. I spesifikke applikasjoner kan det være vanskelig å finne et datasett som dekker akkurat brukstilfellet, og dermed må det fanges inn ekstra treningsdata. Dette ble gjort ved hjelp av en Bluetooth-tilkoblet akselerometer med samtidig videoopptak. Videoopptaket, selv om det ikke ble brukt i selve sluttapplikasjonen, muliggjør merking av data både i sanntid og i etterproduksjon, ved bruk av Imagimob mobilopptaksapp for Android.

Som et samvittighetsfullt team, har et stort antall øvelser og tester blitt utført av Imagimob-teamet, på parkeringsplassen ved Swanholm Technology-kontorene og på ulike kundesteder i flere land.

Å falle ut av førersetet i en lastebil, fra bakenden under lossing, å gli på bakken, å falle ned i en grøft langs veien; mulighetene for å falle er nesten uendelige, og det er viktig å dekke så mange tilfeller som mulig.

Sensoren som brukes for dette produktet er Bosch BMI-160, som har både 3-akse akselerometer og 3-akse gyroskop i en liten formfaktor. Den håndterer akselerasjon opp til ±16g og strømforbruket er 180 μA for akselerometeret i full drift og 3 μA i suspendert modus, noe som gjør den til en god kandidat for innebygde applikasjoner når den drives av batterier.

Etter datainnsamling og merking genereres modellen og trenes, etterfulgt av verifisering ved bruk av testdata. Det er en fancy måte å si at det er deler av treningsdataene som AI-en ikke har sett før, der dens prediksjoner sammenlignes med sannhetsverdien.

En falsk positiv – fall registrert når det ikke har skjedd – er irriterende, og fører til slutt til en «Peter og ulven»-effekt hvor ingen reagerer på alarmer fra et dårlig konstruert system. Et reelt fall som ikke blir oppdaget er betydelig verre, og det trengs bare én falsk negativ hendelse for å skape mistillit og alvorlige konsekvenser for den enkelte.

Selvfølgelig trenger ikke en bruker å være en ensom arbeider for å ha nytte av å bruke den tilkoblede sikkerhetsvesten. Mange andre grupper av profesjonelle arbeidere bærer i dag vesten, byggeplasser, lageranlegg, veiarbeidere, lastere ved kaier og så videre.

En av Swanholms nåværende kunder hadde en hendelse før man utstyrte mannskapene sine med de smarte vestene. Det var en svært uheldig hendelse, som skjedde på en byggeplass midt under en teamoperasjon med mange folk i nærheten; en av hjullasterførerne blir svimmel og faller ned fra kjøretøyet sitt fra over 2 meters høyde, og etter at han landet bevisstløs, tar det de andre en hel time å innse situasjonen hans, der han lå bak et av de store hjulene. Så selv når man jobber sammen, er det bra å kunne overvåke alle kontinuerlig i tilfelle plutselige hendelser.

Langt fra alle fall, snublinger eller hopp resulterer faktisk i alvorlig skade. Derfor er enheten utstyrt med en tidtaker som starter umiddelbart når et fall er oppdaget, slik at brukeren kan tilbakestille vesten i en overgangstid, der et sett med varsellyder høres. Først etter at typisk 30 sekunder har gått, utstedes en faktisk alarm, som sender varsler til kolleger, ledelse og/eller sikkerhetspersonell. Hvis det er en faktisk ulykke, trenger ikke brukeren å gjøre noe, eller kan kanskje ikke gjøre noe, så det er tilstrekkelig å bare vente på at tidtakeren løper ut, og alarmen vil bli utløst som forventet.

Den tilkoblede vesten er også utstyrt med en tydelig trykknappbryter på fronten, for å vekke oppmerksomhet dersom en operatør skulle bli sittende fast, klemt eller på annen måte bli liggende i en arbeidssituasjon uten å kunne ringe noen med telefonen. Det er kanskje ikke noe fall i det hele tatt, og dette utgjør en sekundær måte å tilkalle hjelp på, som et supplement til AI-deteksjonsalgoritmen.

En annen viktig standardfunksjon for produktene i Swanholm-serien er muligheten til sikkert å endre fastvaren over luften, FOTA, ved hjelp av smarttelefonen, noe som muliggjør oppdatering av nye tinyML-modeller og applikasjoner etter hvert som falldeteksjonsalgoritmene utvikles, uten at de må sendes inn for en oppgradering. Lær mer om Varselvesten her.

Artikkelen ble opprinnelig publisert i FleetPoint, 2022-11-02