You are here: Home → Proceedings
Document Actions

Citation and metadata

Back to the article.

Recommended citation

Avsar H, Niemann F, Reining C, ten Hompel M (2021). Cyber-physischer Zwilling Framework zur Generierung menschlicher Bewegungsdaten in der Intralogistik. Logistics Journal : Proceedings, Vol. 2021. (urn:nbn:de:0009-14-54139)

Download Citation

Endnote

%0 Journal Article
%T Cyber-physischer Zwilling Framework zur Generierung menschlicher Bewegungsdaten in der Intralogistik
%A Avsar, Hülya
%A Niemann, Friedrich
%A Reining, Christopher
%A ten Hompel, Michael
%J Logistics Journal : Proceedings
%D 2021
%V 2021
%N 17
%@ 2192-9084
%F avsar2021
%X Menschliche Bewegungen zu erkennen, sie zu deuten und für die Analyse manueller Prozesse relevanten Aktivitäten zuzuordnen sind zentrale Herausforderungen der Human Activity Recognition (HAR). Diesen Herausforderungen geht das Trainieren eines Klassifikators mit Daten voraus. Die Erstellung dieser Trainingsdatensätze, bestehend aus Datenaufnahme, Annotation und Revision von Zeitreihen, bedingt einen immensen Aufwand. Aus diesem Grund werden HAR-Methoden überwiegend an simplen Alltagssituationen getestet. Um HAR-Methoden auch für komplexe Umgebungen wie die Intralogistik entwickeln zu können, ist eine neue Form der Datensatzerstellung notwendig. Dieser Beitrag schlägt ein Framework vor, den Aufwand der Datenaufnahme durch Zuhilfenahme cyber-physischer Zwillinge von Menschen zu reduzieren.
%L 620
%K Cyber-physical twin
%K Cyber-physischer Zwilling
%K Datengenerierung
%K HAR (Human Activity Recognition)
%K Menschliche Aktivitätserkennung
%K Simulation
%K data generation
%R 10.2195/lj_Proc_avsar_de_202112_01
%U http://nbn-resolving.de/urn:nbn:de:0009-14-54139
%U http://dx.doi.org/10.2195/lj_Proc_avsar_de_202112_01
Download

Bibtex

@Article{avsar2021,
  author = 	"Avsar, H{\"u}lya
		and Niemann, Friedrich
		and Reining, Christopher
		and ten Hompel, Michael",
  title = 	"Cyber-physischer Zwilling Framework zur Generierung menschlicher Bewegungsdaten in der Intralogistik",
  journal = 	"Logistics Journal : Proceedings",
  year = 	"2021",
  volume = 	"2021",
  number = 	"17",
  keywords = 	"Cyber-physical twin; Cyber-physischer Zwilling; Datengenerierung; HAR (Human Activity Recognition); Menschliche Aktivit{\"a}tserkennung; Simulation; data generation",
  abstract = 	"Menschliche Bewegungen zu erkennen, sie zu deuten und f{\"u}r die Analyse manueller Prozesse relevanten Aktivit{\"a}ten zuzuordnen sind zentrale Herausforderungen der Human Activity Recognition (HAR). Diesen Herausforderungen geht das Trainieren eines Klassifikators mit Daten voraus. Die Erstellung dieser Trainingsdatens{\"a}tze, bestehend aus Datenaufnahme, Annotation und Revision von Zeitreihen, bedingt einen immensen Aufwand. Aus diesem Grund werden HAR-Methoden {\"u}berwiegend an simplen Alltagssituationen getestet. Um HAR-Methoden auch f{\"u}r komplexe Umgebungen wie die Intralogistik entwickeln zu k{\"o}nnen, ist eine neue Form der Datensatzerstellung notwendig. Dieser Beitrag schl{\"a}gt ein Framework vor, den Aufwand der Datenaufnahme durch Zuhilfenahme cyber-physischer Zwillinge von Menschen zu reduzieren.",
  issn = 	"2192-9084",
  doi = 	"10.2195/lj_Proc_avsar_de_202112_01",
  url = 	"http://nbn-resolving.de/urn:nbn:de:0009-14-54139"
}
Download

RIS

TY  - JOUR
AU  - Avsar, Hülya
AU  - Niemann, Friedrich
AU  - Reining, Christopher
AU  - ten Hompel, Michael
PY  - 2021
DA  - 2021//
TI  - Cyber-physischer Zwilling Framework zur Generierung menschlicher Bewegungsdaten in der Intralogistik
JO  - Logistics Journal : Proceedings
VL  - 2021
IS  - 17
KW  - Cyber-physical twin
KW  - Cyber-physischer Zwilling
KW  - Datengenerierung
KW  - HAR (Human Activity Recognition)
KW  - Menschliche Aktivitätserkennung
KW  - Simulation
KW  - data generation
AB  - Menschliche Bewegungen zu erkennen, sie zu deuten und für die Analyse manueller Prozesse relevanten Aktivitäten zuzuordnen sind zentrale Herausforderungen der Human Activity Recognition (HAR). Diesen Herausforderungen geht das Trainieren eines Klassifikators mit Daten voraus. Die Erstellung dieser Trainingsdatensätze, bestehend aus Datenaufnahme, Annotation und Revision von Zeitreihen, bedingt einen immensen Aufwand. Aus diesem Grund werden HAR-Methoden überwiegend an simplen Alltagssituationen getestet. Um HAR-Methoden auch für komplexe Umgebungen wie die Intralogistik entwickeln zu können, ist eine neue Form der Datensatzerstellung notwendig. Dieser Beitrag schlägt ein Framework vor, den Aufwand der Datenaufnahme durch Zuhilfenahme cyber-physischer Zwillinge von Menschen zu reduzieren.
SN  - 2192-9084
UR  - http://nbn-resolving.de/urn:nbn:de:0009-14-54139
DO  - 10.2195/lj_Proc_avsar_de_202112_01
ID  - avsar2021
ER  -
Download

Wordbib

<?xml version="1.0" encoding="UTF-8"?>
<b:Sources SelectedStyle="" xmlns:b="http://schemas.openxmlformats.org/officeDocument/2006/bibliography"  xmlns="http://schemas.openxmlformats.org/officeDocument/2006/bibliography" >
<b:Source>
<b:Tag>avsar2021</b:Tag>
<b:SourceType>ArticleInAPeriodical</b:SourceType>
<b:Year>2021</b:Year>
<b:PeriodicalTitle>Logistics Journal : Proceedings</b:PeriodicalTitle>
<b:Volume>2021</b:Volume>
<b:Issue>17</b:Issue>
<b:Url>http://nbn-resolving.de/urn:nbn:de:0009-14-54139</b:Url>
<b:Url>http://dx.doi.org/10.2195/lj_Proc_avsar_de_202112_01</b:Url>
<b:Author>
<b:Author><b:NameList>
<b:Person><b:Last>Avsar</b:Last><b:First>Hülya</b:First></b:Person>
<b:Person><b:Last>Niemann</b:Last><b:First>Friedrich</b:First></b:Person>
<b:Person><b:Last>Reining</b:Last><b:First>Christopher</b:First></b:Person>
<b:Person><b:Last>ten Hompel</b:Last><b:First>Michael</b:First></b:Person>
</b:NameList></b:Author>
</b:Author>
<b:Title>Cyber-physischer Zwilling Framework zur Generierung menschlicher Bewegungsdaten in der Intralogistik</b:Title>
<b:Comments>Menschliche Bewegungen zu erkennen, sie zu deuten und für die Analyse manueller Prozesse relevanten Aktivitäten zuzuordnen sind zentrale Herausforderungen der Human Activity Recognition (HAR). Diesen Herausforderungen geht das Trainieren eines Klassifikators mit Daten voraus. Die Erstellung dieser Trainingsdatensätze, bestehend aus Datenaufnahme, Annotation und Revision von Zeitreihen, bedingt einen immensen Aufwand. Aus diesem Grund werden HAR-Methoden überwiegend an simplen Alltagssituationen getestet. Um HAR-Methoden auch für komplexe Umgebungen wie die Intralogistik entwickeln zu können, ist eine neue Form der Datensatzerstellung notwendig. Dieser Beitrag schlägt ein Framework vor, den Aufwand der Datenaufnahme durch Zuhilfenahme cyber-physischer Zwillinge von Menschen zu reduzieren.</b:Comments>
</b:Source>
</b:Sources>
Download

ISI

PT Journal
AU Avsar, H
   Niemann, F
   Reining, C
   ten Hompel, M
TI Cyber-physischer Zwilling Framework zur Generierung menschlicher Bewegungsdaten in der Intralogistik
SO Logistics Journal : Proceedings
PY 2021
VL 2021
IS 17
DI 10.2195/lj_Proc_avsar_de_202112_01
DE Cyber-physical twin; Cyber-physischer Zwilling; Datengenerierung; HAR (Human Activity Recognition); Menschliche Aktivitätserkennung; Simulation; data generation
AB Menschliche Bewegungen zu erkennen, sie zu deuten und für die Analyse manueller Prozesse relevanten Aktivitäten zuzuordnen sind zentrale Herausforderungen der Human Activity Recognition (HAR). Diesen Herausforderungen geht das Trainieren eines Klassifikators mit Daten voraus. Die Erstellung dieser Trainingsdatensätze, bestehend aus Datenaufnahme, Annotation und Revision von Zeitreihen, bedingt einen immensen Aufwand. Aus diesem Grund werden HAR-Methoden überwiegend an simplen Alltagssituationen getestet. Um HAR-Methoden auch für komplexe Umgebungen wie die Intralogistik entwickeln zu können, ist eine neue Form der Datensatzerstellung notwendig. Dieser Beitrag schlägt ein Framework vor, den Aufwand der Datenaufnahme durch Zuhilfenahme cyber-physischer Zwillinge von Menschen zu reduzieren.
ER
Download

Mods

<mods>
  <titleInfo>
    <title>Cyber-physischer Zwilling Framework zur Generierung menschlicher Bewegungsdaten in der Intralogistik</title>
  </titleInfo>
  <name type="personal">
    <namePart type="family">Avsar</namePart>
    <namePart type="given">Hülya</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Niemann</namePart>
    <namePart type="given">Friedrich</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Reining</namePart>
    <namePart type="given">Christopher</namePart>
  </name>
  <name type="personal">
    <namePart type="family">ten Hompel</namePart>
    <namePart type="given">Michael</namePart>
  </name>
  <abstract>Menschliche Bewegungen zu erkennen, sie zu deuten und für die Analyse manueller Prozesse relevanten Aktivitäten zuzuordnen sind zentrale Herausforderungen der Human Activity Recognition (HAR). Diesen Herausforderungen geht das Trainieren eines Klassifikators mit Daten voraus. Die Erstellung dieser Trainingsdatensätze, bestehend aus Datenaufnahme, Annotation und Revision von Zeitreihen, bedingt einen immensen Aufwand. Aus diesem Grund werden HAR-Methoden überwiegend an simplen Alltagssituationen getestet. Um HAR-Methoden auch für komplexe Umgebungen wie die Intralogistik entwickeln zu können, ist eine neue Form der Datensatzerstellung notwendig. Dieser Beitrag schlägt ein Framework vor, den Aufwand der Datenaufnahme durch Zuhilfenahme cyber-physischer Zwillinge von Menschen zu reduzieren.</abstract>
  <subject>
    <topic>Cyber-physical twin</topic>
    <topic>Cyber-physischer Zwilling</topic>
    <topic>Datengenerierung</topic>
    <topic>HAR (Human Activity Recognition)</topic>
    <topic>Menschliche Aktivitätserkennung</topic>
    <topic>Simulation</topic>
    <topic>data generation</topic>
  </subject>
  <classification authority="ddc">620</classification>
  <relatedItem type="host">
    <genre authority="marcgt">periodical</genre>
    <genre>academic journal</genre>
    <titleInfo>
      <title>Logistics Journal : Proceedings</title>
    </titleInfo>
    <part>
      <detail type="volume">
        <number>2021</number>
      </detail>
      <detail type="issue">
        <number>17</number>
      </detail>
      <date>2021</date>
    </part>
  </relatedItem>
  <identifier type="issn">2192-9084</identifier>
  <identifier type="urn">urn:nbn:de:0009-14-54139</identifier>
  <identifier type="doi">10.2195/lj_Proc_avsar_de_202112_01</identifier>
  <identifier type="uri">http://nbn-resolving.de/urn:nbn:de:0009-14-54139</identifier>
  <identifier type="citekey">avsar2021</identifier>
</mods>
Download

Full Metadata

Bibliographic Citation Logistics Journal : referierte Veröffentlichungen, Vol. 2021, Iss. 17
Title

Cyber-physischer Zwilling Framework zur Generierung menschlicher Bewegungsdaten in der Intralogistik (ger)
Author Hülya Avsar, Friedrich Niemann, Christopher Reining, Michael ten Hompel
Language ger
Abstract Menschliche Bewegungen zu erkennen, sie zu deuten und für die Analyse manueller Prozesse relevanten Aktivitäten zuzuordnen sind zentrale Herausforderungen der Human Activity Recognition (HAR). Diesen Herausforderungen geht das Trainieren eines Klassifikators mit Daten voraus. Die Erstellung dieser Trainingsdatensätze, bestehend aus Datenaufnahme, Annotation und Revision von Zeitreihen, bedingt einen immensen Aufwand. Aus diesem Grund werden HAR-Methoden überwiegend an simplen Alltagssituationen getestet. Um HAR-Methoden auch für komplexe Umgebungen wie die Intralogistik entwickeln zu können, ist eine neue Form der Datensatzerstellung notwendig. Dieser Beitrag schlägt ein Framework vor, den Aufwand der Datenaufnahme durch Zuhilfenahme cyber-physischer Zwillinge von Menschen zu reduzieren. Recognizing human movements, interpreting them and assigning relevant activities for the analysis of manual processes are central challenges of Human Activity Recognition (HAR). These challenges are preceded by training a classifier with data. The creation of these training data sets, consisting of data acquisition, annotation and revision of time series, requires immense effort. For this reason, HAR methods are mainly tested on simple everyday situations. A new form of data set creation is necessary to develop HAR methods for complex environments such as intralogistics. This contribution proposes a framework to reduce the effort of data acquisition by using cyber-physical twins.
Subject Cyber-physical twin, Cyber-physischer Zwilling, Datengenerierung, HAR (Human Activity Recognition), Menschliche Aktivitätserkennung, Simulation, data generation
DDC 620
Rights fDPPL
URN: urn:nbn:de:0009-14-54139
DOI https://doi.org/10.2195/lj_Proc_avsar_de_202112_01