Siemens Healthineers FAST-3D-Kamera automatische Patientenpositionierung im CT klinische CT-Diagnostik; 5±3 mm Zentrierung, Strahlenreduktion

Siemens Healthineers FAST-3D-Kamera automatische Patientenpositionierung im CT klinische CT-Diagnostik; 5±3 mm Zentrierung, Strahlenreduktion

Physical AI: Intelligenz in der physischen Welt | Bitkom e. V.

Physical AI markiert den nächsten Entwicklungsschritt der Künstlichen Intelligenz: KI verlässt den rein digitalen Raum und wird handlungsfähig in der realen Welt.

Physical AI beschreibt KI-Systeme, die ihre Umgebung wahrnehmen, verstehen und in physische Prozesse eingreifen. Sie verbindet Künstliche Intelligenz mit Sensorik, Robotik und physikbasierten Modellen zu einem integrierten Systemansatz. Im Unterschied zu rein digitalen Anwendungen berücksichtigt Physical AI dabei räumliche Zusammenhänge und physikalische Gesetzmäßigkeiten. Dadurch können Systeme in dynamischen Umgebungen agieren, von Industrie und Logistik bis hin zu kritischen Infrastrukturen. Insgesamt steht Physical AI für einen Wandel hin zu lernfähigen, adaptiven Systemen, die in realen Umgebungen zuverlässig agieren.

Der Mehrwert entsteht im Zusammenspiel aller Komponenten: Daten, KI und Hardware wirken zusammen und ermöglichen adaptive, robuste Systeme. Physical AI ist damit ein ganzheitlicher Ansatz, der Wertschöpfung neu definiert. Für den Industriestandort Deutschland ergeben sich daraus Effizienzgewinne und eine höhere Resilienz. Zudem unterstützt Physical AI flexible Automatisierung und trägt zur Entlastung von Fachkräften bei.

Ein Blick in die Praxis

Physical AI ist bereits heute in einigen Branchen praktisch sichtbar, ohne dass jede Lösung schon robust und in der Breite eingesetzt wird. Das Interesse und die Relevanz in der Industrie nehmen jedoch deutlich zu.

Physical AI wirkt sowohl als Querschnittstechnologie entlang von Produktion und Logistik als auch in spezifischen Branchen, etwa Industrie, Mobilität oder Energie.

Innerhalb der Mitgliedschaft des Bitkom finden sich durch eine Vielzahl produzierender Gewerbe und produzierender Branchen Anwendungsfelder für Physical AI in der Praxis. Bei den folgenden Use Cases zeigen wir, wie Physical AI Wahrnehmung, Entscheidungsfindung und Handlung in realen Umgebungen verbindet.

FAST 3D Camera – KI-gestützte automatische Patientenpositionierung im CT

In der klinischen CT-Diagnostik ist die präzise Positionierung von Patientinnen und Patienten im Isozentrum entscheidend. Sie beeinflusst die Bildqualität sowie die automatische Dosissteuerung (AEC) und die automatisierte Röhrenspannungswahl (ATVS), unabhängig vom BMI der Patientinnen und Patienten. In der Praxis erfolgt die Positionierung jedoch häufig manuell. Das ist zeitaufwendig, fehleranfällig und stark abhängig von Erfahrung und Arbeitsbelastung des medizinisch-technischen Personals. Gleichzeitig stehen Kliniken unter erheblichem Druck durch Fachkräftemangel und hohe Durchsatzanforderungen gleichzeitig steigen.

Siemens Healthineers hat dafür die FAST-3D-Kamera entwickelt. Sie ermöglicht eine automatische und eine KI-gestützte Patientenpositionierung im CT. Das System erfasst die Form und Lage der Patientinnen und Patienten auf dem CT-Tisch dreidimensional und nahezu in Echtzeit. Auf dieser Grundlage bestimmt die KI den relevanten Topogrammbereich und legt den Bereich des Topogramms automatisch fest, auf dessen Basis eine hochpräzise Positionierung der Scan-Startposition im Isozentrum erfolgt, einschließlich der exakten Zentrierung im Isozentrum und des Anfahrens der Scan-Startposition. Auch die Patientenorientierung und die Scanrichtung (kraniokaudal oder kaudokranial) werden automatisch erkannt.

Die FAST-3D-Kamera kombiniert optische 3D-Sensorik mit KI-basierten Algorithmen zur Form- und Lageerkennung und ist vollständig in den CT-Workflow integriert. Die KI trifft keine autonomen klinischen Entscheidungen. Sie automatisiert klar definierte und standardisierte Positionierungsschritte innerhalb eines kontrollierten Workflows. Die nahezu in Echtzeit verfügbaren räumlichen Daten helfen zudem, mögliche Kollisionen zwischen Patientinnen und Patienten und CT-Gantry frühzeitig zu erkennen. So wird das medizinische Personal bei Sicherheitsprüfungen vor dem Einfahren des Tisches unterstützt. Praxisdaten zeigen klare Vorteile. Die automatische Positionierung mit der 3D-Kamera erzielt eine deutlich präzisere Zentrierung (Abweichung 5 ± 3 mm) als die manuelle Positionierung durch technisches Personal (Abweichung 19 ± 10 mm; P < 0,005). Die präzisere Positionierung verbessert die Wirksamkeit von AEC und ATVS und reduziert die Strahlenexposition, unabhängig vom BMI. Gleichzeitig reduzieren sich manuelle Fehlerquellen, Scans werden schneller und konsistenter durchgeführt. Dieser Use Case verdeutlicht, wie Physical AI im klinischen Alltag wirkt. KI-gestützte Wahrnehmungssysteme erfassen die physische Realität, leiten daraus automatisierte Entscheidungen ab und übersetzen diese nach Freigabe des medizinisch-technischen Personals in präzise Handlungen. Der größte Nutzen entsteht durch die Standardisierung und Qualitätssicherung eines kritischen End-to-End-Prozesses. Besonders wirksam ist die Lösung dort, wo sie Fachkräfte entlastet und gleichzeitig Qualität, Effizienz und Patientensicherheit messbar verbessert.

Kontakt: Kathrin Palder, ASP Presse, Siemens Healthineers, kathrin.palder@siemenshealthineers.com

KI-basierte Instandhaltungsprognosen für Rotorblätter – zustandsbasierte Wartung in Offshore-Windparks

Betreiber von Offshore-Windparks stehen vor der Herausforderung, Erosions- und Schadensentwicklungen an Rotorblättern frühzeitig zu erkennen und wirtschaftlich sinnvoll zu beheben. Werden Schäden zu spät identifiziert oder repariert, entstehen ungeplante Ertragsverluste und höhere Lebenszykluskosten. Dennoch basieren Wartungsentscheidungen in der Praxis oft auf starren Intervallen und standardisierten Prüfzyklen statt auf dem tatsächlichen Zustand der Rotorblätter. Das führt zu unnötigen Eingriffen, ineffizientem Ressourceneinsatz und erhöhten Ausfall- und Ertragsrisiken, wenn Schäden zwischen Inspektionen fortschreiten.

RWE setzt ein Physical-AI-gestütztes Prognosesystem ein, das die Erosionsentwicklung von Rotorblättern vorausschauend bewertet und daraus zustandsbasierte, wirtschaftlich optimierte Wartungsentscheidungen ableitet. Das KI-System analysiert Inspektionsbefunde, Turbinen- und Blatteigenschaften, Materialinformationen sowie standortspezifische Wetterdaten und prognostiziert die Erosionsentwicklung über bis zu drei Jahre. Aus diesen Vorhersagen berechnet es die Auswirkungen auf die jährliche Stromerzeugung, potenzielle strukturelle Risiken sowie priorisierte Handlungsempfehlungen für Reparaturmaßnahmen. Wartungsfenster, Material- und Personaleinsatz sowie Eingriffszeitpunkte können so gezielt nach Risiko und wirtschaftlicher Wirkung geplant werden.

Aktuell befindet sich die Lösung als Pilot in einem Windpark. Das Konzept besitzt Potenzial zur Skalierung über weitere Parks hinweg und ist grundsätzlich herstellerübergreifend auf unterschiedliche Turbinenplattformen übertragbar. Durch die Verlagerung von intervallbasierter auf zustandsbasierte Instandhaltung können Stromgestehungskosten sinken und Ausfallrisiken reduziert werden. Das stärkt sowohl die Versorgungssicherheit als auch die Wettbewerbsfähigkeit erneuerbarer Energien. Gleichzeitig wird der Materialeinsatz reduziert und die Anzahl unnötiger Eingriffe verringert, was Ressourcen schont und die Klimawirkung verbessert.

„Mit der Anwendung von Physical AI können wir Blattreparaturen erstmals konsequent zustandsbasiert planen und steigern so die Anlagenlebensdauer.“

Kontakt: Moritz Peters, RWE Offshore Digital Strategy, moritz.peters@rwe.com

Projektbeitragende: RWE Offshore Digital Strategy, Teams aus Betrieb, Instandhaltung und Daten

Verteilnetzbetreiber stehen vor der Herausforderung, steigende Lastspitzen im Niederspannungsnetz sicher und wirtschaftlich zu beherrschen. Der Ausbau von Elektromobilität, Wärmepumpen und dezentraler Einspeisung erhöht die Netzbelastung deutlich. Netzengpässe werden bislang überwiegend reaktiv bewältigt, etwa durch Abschaltungen oder den kostenintensiven Einkauf von Regelenergie. Gleichzeitig bleiben Millionen Haushalte mit steuerbaren Verbrauchern als potenzielle Flexibilitätsressource weitgehend unkoordiniert und werden nicht systematisch in das Engpassmanagement eingebunden. Die Folge sind steigende Systemkosten, ein wachsender Netzausbaubedarf und eine begrenzte Nutzung vorhandener Flexibilitätspotenziale.

Youki GmbH hat dafür die KI-gestützte End-to-End-Plattform „Balancer“ entwickelt. Sie kombiniert Messdaten aus intelligenten Messsystemen (iMSys) mit prognosebasierten Modellen. Das System erkennt bevorstehende Netzengpässe frühzeitig, erstellt automatisiert anreizbasierte Flexibilitätsangebote für Endverbraucher und steuert den gesamten Prozess: von der Verbrauchsprognose über die vertragliche Zusage bis zur Echtzeit-Abrechnung jedes Demand-Response-Ereignisses. Durch diese koordinierte Steuerung werden reale Lastflüsse im Niederspannungsnetz gezielt angepasst und netzdienlich beeinflusst.

Das adressierbare Demand-Response-Potenzial in deutschen Haushalten beträgt bis zu 21 Gigawatt. Das entspricht etwa der Leistung von fünf Kernkraftwerken. Durch die Einbindung bestehender iMSys-Infrastruktur können Flexibilitäten skalierbar aktiviert werden, ohne zusätzliche physische Netzausbaumaßnahmen in gleichem Umfang vorziehen zu müssen. Die automatisierte Baseline-Berechnung und Echtzeit-Vergütung schaffen wirtschaftliche Anreize für Haushalte und erhöhen die Akzeptanz netzdienlichen Verhaltens. Damit trägt die Lösung sowohl zur Stabilisierung der Verteilnetze als auch zur kosteneffizienten Integration erneuerbarer Energien bei. Für eine breite Skalierung sind regulatorische Klarheit bei der Vergütung proaktiver Netzstabilisierung sowie ein beschleunigter Rollout intelligenter Messsysteme entscheidend.

Kontakt: Martin Stoussavljewitsch, CEO Youki GmbH, martin@youki.ai

Humanoide Robotik für Shipyard-Operations – Physical AI für sichere und effiziente Werftprozesse

Schiffswerften stehen vor der Herausforderung, sicherheitskritische und arbeitsintensive Tätigkeiten wie Schweißen, Inspektion, Lackierung und Wartung in komplexen, engen und häufig unstrukturierten Umgebungen effizient durchzuführen. Hohe Sicherheitsauflagen, schwer zugängliche Arbeitsbereiche und wechselnde Bedingungen erschweren die Standardautomatisierung. Gleichzeitig verschärft der Fachkräftemangel Kapazitätsengpässe und verursacht hohe Kosten sowie Verzögerungen in der Fertigung und Instandhaltung. Besonders kritisch ist die menschliche Exposition in Hochrisiko-Zonen, etwa in beengten Räumen, in Höhen oder in Bereichen mit Schadstoffen, Hitze oder Funkenflug.

EY und NVIDIA haben dafür ein Physical-AI-System für humanoide Roboter entwickelt, das speziell für Werftprozesse ausgelegt ist. Grundlage sind digitale Simulationen und KI-Trainingsmethoden (u. a. Reinforcement Learning) in einer Omniverse-basierten Entwicklungs- und Testumgebung. Die Lösung umfasst Modelle für Standing, Locomotion und Manipulation, die auf die Anforderungen enger und komplexer Arbeitsumgebungen in Werften trainiert werden. Humanoide Roboter können dadurch Tätigkeiten wie präzises Schweißen, Oberflächeninspektionen, und Wartungsarbeiten in schwer zugänglichen Bereichen sowie weitere sicherheitskritische Aufgaben übernehmen. In Mensch-Roboter-Team führen Roboter gefährliche oder belastende Arbeitsschritte aus, während Mitarbeitende weiterhin steuernd, prüfend oder überwachend eingebunden bleiben. Die virtuelle Trainings- und Testumgebung beschleunigt Entwicklungs- und Qualifizierungszyklen, da Fähigkeiten vor dem realen Einsatz systematisch geprüft und iteriert werden können.

Der Einsatz humanoider Teams kann die menschliche Exposition in Hochrisiko-Zonen um bis zu 60 Prozent reduzieren. Gleichzeitig beschleunigen Isaac-Simulator-Umgebungen und Omniverse-basierte Skill-Tests die Trainings- und Iterationszyklen. Für die Einführung wird ein 12-monatiger Implementierungspfad für erste produktive humanoide Systeme in der Werftumgebung skizziert. Der Use Case verdeu