När den tidigare Scania-entreprenören Jonas Svanholm såg statistiken över hur benägna lastbilschaufförer var att råka ut för olyckor och arbetsskador, tog han och hans team sig an utmaningen att göra sådana arbetsplatser säkrare för alla yrkesverksamma genom att göra säkerhetsvästen som chaufförerna är skyldiga att bära utanför fordonet till något smartare och mer hjälpsamt i farliga situationer.

Att vara yrkeschaufför toppar listan över de mest riskfyllda arbetsmiljöerna både i Sverige och globalt; av 404 dödsfall i arbetsrelaterade olyckor stod yrkeschaufförer för 66 dödsfall under perioden 2011-2020 enligt Arbetsmiljöverket.

tinyML och falldetektering

Behovet av uppkopplad säkerhet sträcker sig långt bortom enbart lastbilschaufförer, och det stora antalet arbetare i farliga yrken blev drivkraften bakom att grunda Swanholm Technology AB, med uppdraget att erbjuda uppkopplade säkerhetsprodukter för utsatta yrkesverksamma. Huvudsyftet är mycket enkelt: att göra slutanvändaren säkrare och ge ägarna insikt i hur man bygger en säkrare arbetsmiljö i nära samarbete med företag för att hitta nya affärsmodeller och nya produkter att sälja.

Detta mål var inte utan sina utmaningar, då vi behövde introducera ett nytt säkerhetslager, utan att lägga till ytterligare uppgifter att utföra eller saker att ta med för användaren.

Lastbilschaufförer upplever ofta långa arbetspass, regelbundet med potentiellt stressande situationer samt krävande väderförhållanden, och det var avgörande att utgå från den plattform de redan hade. Värdet behövde uppfylla säkerhetsstandarden EN 471 klass 2, även när det var utrustat med smart teknik och blev Alert Vest. Det säger sig självt att frågorna var många och mycket praktiskt arbete behövde göras för att nå det produktsortiment som Swanholm idag erbjuder marknaden, med över 100 sålda enheter och med verksamhet i 5 europeiska länder.

Vissa praktiska problem med en sådan enhet behövde lösas, vilket lade grunden till en ny, utökad typ av säkerhetsprodukt. Detta väckte en rad praktiska frågor som till exempel;

• Hur används en säkerhetsväst idag, vad är dess faktiska syfte?
• Vilka sensorer är nyckeln och var placeras sensorer bäst för optimal avläsning?
• Hur bäddas elektroniken bäst in i tyget och sömnaden?
• Hur ofta skulle en användare behöva ladda det inbyggda litiumbatteriet?
• Vad är det bästa sättet att ansluta den smarta västen till en smartphone, eller till och med en surfplatta?
• Hur skulle enheten klara sig genom år av smuts, regn, normalt slitage?
• Kan elektroniken enkelt tas bort när västen behöver tvättas?
• Kommer arbetare att känna sig övervakade, även om västen bara rapporterar sin position via smarttelefonen när larmet för fall upptäckt utlöses?

Denna produktlinje utvecklades i nära samarbete med västtillverkare, inbyggda ingenjörer, transport- och byggföretag och, viktigast av allt, slutanvändarna själva. Parallellt med dessa intervjuer och workshops behövde mjukvaran som utförde detektering av farliga fall utvecklas och tränas, och det var då Jonas Svanholm kontaktade teamet på Imagimob för att förklara slutanvändarnas behov och önskemål, och därmed ge uppdraget som initierade en serie utvecklingsiterationscykler, vilket ledde fram till den slutliga produkten och marknadsintroduktionen 2020.

För att återgå till teorierna om att upptäcka en fallande person; själva fallet registreras som en händelse på en bråkdels sekund; som vanligtvis börjar med en liten förändring i rörelseverktorn, följt av millisekunder av skenbar tyngdlöshet, och sedan en plötslig, större förändringstakt i den resulterande accelerationsvektorn, sådana är kännetecknen för ett verkligt fall.

Med en säkerhetsväst som plattform visade sig nacken vara en bra placering av sensorn för att få konsekventa avläsningar, medan allt annat som batterier och den inbyggda datorn kan placeras på endera sidan, eller båda för viktsymmetri. Inom maskininlärning finns de traditionella stegen som ska följas, var och en påverkar effektiviteten och noggrannheten hos den resulterande modellen.

tinyML och datamängder

Maskininlärningsprojekt inleds med att samla in data på ett eller annat sätt, och inom många tillämpningsområden finns öppna dataset tillgängliga för träning. I specifika tillämpningar, där ett dataset som täcker det exakta användningsfallet kan vara svårt att hitta, måste ytterligare träningsdata samlas in. Detta gjordes med hjälp av en Bluetooth-ansluten accelerometer med samtidigt videoinspelning. Videoinspelningen, även om den inte användes i sig i den slutliga applikationen, möjliggör märkning av data både i realtid och i efterproduktion, med hjälp av Imagimob mobilinspelningsapp för Android.

Som ett samvetsgrant team har ett stort antal övningar och tester genomförts av Imagimob-teamet, på parkeringen vid Swanholm Technologys kontor och på olika kundplatser i flera länder.

Att falla ur förarsätet i en lastbil, från dess bakre del vid lastning, halka på marken, falla ner i en vägdike; möjligheterna att falla är nästan oändliga och det är viktigt att täcka så många fall som möjligt.

Sensorn som används för denna produkt är Bosch BMI-160, som innehåller både en 3-axlig accelerometer och en 3-axlig gyroskop i ett litet format. Den hanterar acceleration upp till ±16g och dess strömförbrukning är 180 μA för accelerometern i full drift och 3μA i viloläge, vilket gör den till en bra kandidat för inbyggda applikationer när den drivs av batterier.

Efter datainsamling och märkning genereras och tränas modellen, följt av verifiering med testdata. Det är ett fint sätt att säga att det finns delar av träningsdatan som AI:n inte har sett tidigare, där dess förutsägelser jämförs med den faktiska sanningen.

Ett falskt positivt resultat – ett upptäckt fall när det inte har inträffat – är åtminstone irriterande och leder så småningom till en "Peter och vargen"-effekt där ingen till slut reagerar på larm från ett illa fungerande system. Ett faktiskt fall som inträffar oupptäckt är betydligt värre och kräver bara ett enda falskt negativt inträffande för att framkalla misstro såväl som allvarliga konsekvenser för individen.

Naturligtvis behöver en användare inte vara ensam arbetare för att dra nytta av den uppkopplade säkerhetsvästen. Många andra grupper av yrkesarbetare bär västen idag, byggarbetsplatser, lagerlokaler, vägarbetare, hamnarbetare med mera.

En av Swanholms nuvarande kunder hade en incident innan de utrustade sina team med de smarta västarna. Det var en mycket olycklig händelse som inträffade på en byggarbetsplats mitt under en teamoperation med många människor i närheten; en av hjullasterförarna blir yr och faller över 2 meters höjd från sitt fordon och efter att ha landat medvetslös tar det fulla timmar för de andra att inse hans situation då han låg bakom ett av de stora hjulen. Så även när man samarbetar är det bra att kunna övervaka alla kontinuerligt i händelse av plötsliga incidenter.

Långt ifrån alla fall, snubblingar eller hopp resulterar faktiskt i allvarlig skada. Därför är enheten utrustad med en tidtagare som startar direkt när ett fall upptäcks, vilket gör det möjligt för användaren att återställa västen under en viss tid, under vilken en serie varningssignaler hörs. Först efter att normalt sett 30 sekunder har passerat, när ett faktiskt larm utfärdas, skickas meddelanden till kamrater, ledning och/eller säkerhetspersonal. Om det uppstår en faktisk olycka behöver användaren inte göra, eller kanske inte kan göra, något, så det räcker att vänta på att tidtagaren går ut så kommer larmet att verkställas som förväntat.

Den anslutna västen är också utrustad med en tydlig tryckknapp på framsidan för att uppmärksamma om en operatör fastnar, kilas fast eller på annat sätt blir inklämd i en arbetssituation utan att kunna ringa någon via telefon. Det kanske inte blir något fall alls, och detta utgör ett sekundärt sätt att begära hjälp som komplement till AI-detektionsalgoritmen.

En annan viktig standardfunktion hos produktserien Swanholm är möjligheten att säkert uppdatera firmware trådlöst, FOTA (Firmware Over-The-Air), med hjälp av smarttelefonen. Detta möjliggör uppdateringar av nya tinyML-modeller och applikationer i takt med att algoritmerna för fallupptäckt utvecklas, utan att produkterna behöver skickas in för uppgradering. Läs mer om varselvästen här.

Artikel ursprungligen publicerad i FleetPoint, 2022-11-02