Neuronale Netze zur Erkennung von Logistikimmobilien auf der letzten Meile aus Satellitendaten

Detaillierter Bericht

Was ist Last-Mile-Logistik?

Die „letzte Meile“ (Last Mile) beschreibt den finalen und kritischsten Abschnitt der Lieferkette. Meistens handelt es sich um den Weg eines Produkts von einem lokalen Abwicklungszentrum oder einer Sortieranlage bis zum endgültigen Bestimmungsort (in der Regel die Haustür des Verbrauchers oder ein Ladengeschäft).

Obwohl dieser Abschnitt die kürzeste physische Distanz ausmacht, ist er der komplexeste, teuerste und operativ intensivste Teil des gesamten Logistikzyklus. Studien zeigen, dass die Zustellung auf der letzten Meile regelmäßig bis zu 41 % bis 53 % der gesamten Lieferkettenkosten verursacht (bspw. Studie des Capgemini Research Institute mit dem Titel „The Last-Mile Delivery Challenge“).

Um diesen Reibungsverlusten entgegenzuwirken, setzt die moderne Lieferkette stark auf Last-Mile-Lagerhäuser (oder urbane sog. “Mikro-Fulfillment-Center”). Dabei handelt es sich um strategisch positionierte Verteilungsknotenpunkte, die in einem engen Radius mit hoher Bevölkerungsdichte liegen. Dieser Radius wird von institutionellen Investoren typischerweise als ein Radius von 5 bis 15 km oder eine Fahrzeit von 30 Minuten zu großen Ballungsräumen definiert.

Toolset & Techstack

OpenStreetMap (OSM)

OpenStreetMap liefert die grundlegende und quelloffene Geodatenschicht. Sie wird verwendet, um Straßennetze zu kartieren und die präzisen Isochronen für die 30-Minuten-Fahrzeitzonen um Bevölkerungszentren zu berechnen. Dadurch lassen sich die exakten geografischen Grenzen isolieren, in denen die Satellitenbilder gescannt werden müssen. Die Website finden Sie hier.

CVAT (Computer Vision Annotation Tool)

CVAT ist das Open-Source-Tool für die Erstellung von Trainingsdaten. Annotatoren nutzen es, um präzise Bounding Boxes (Begrenzungsrahmen) und Masken über rohe Satellitenbild-Kacheln zu zeichnen. Dabei werden wichtige Logistikmerkmale wie Laderampen und große Parkplätze markiert, um die hochwertige Ground Truth zu schaffen, die für das Training der KI-Modelle erforderlich ist. Das GitHub-Repository finden Sie hier.

YOLO (You Only Look Once)

YOLO fungiert als Engine für die schnelle Objekterkennung. Es scannt riesige, hochauflösende Satellitenbildstreifen in ganz Deutschland in einem einzigen Durchgang. Dabei werden potenzielle Gewerbegebäude sofort identifiziert und mit Bounding Boxes versehen, während irrelevantes Terrain wie Felder oder Wälder ignoriert werden können. Das GitHub-Repository finden Sie hier.

SAM2 (Segment Anything Model 2)

SAM2 übernimmt die pixelgenaue Bildsegmentierung. Das Foundation-Modell greift die von YOLO markierten Ausgangspositionen auf und zeichnet die exakten Grenzen des Gebäudegrundrisses nach. Dadurch kann das System die genaue Quadratmeterzahl des Lagers für den Investment-Report berechnen. Die GitHub-Seite finden Sie hier.