Du stehst vor einer klaren Frage: Kann ein Bewegungsmelder nicht nur Licht steuern, sondern auch Rohdaten liefern, die sich für Zählung und Analytik weiterverarbeiten lassen? Als Facility Manager, Systemintegrator, Datenanalyst oder technisch interessierter Anwender kennst du die Situation. Du willst Belegungszahlen, Frequenzanalysen oder Heatmaps. Du erwartest messbare, verwertbare Signale aus der Sensorik. Gleichzeitig herrscht Unsicherheit darüber, was genau „Rohdaten“ sind und wie viel Vorverarbeitung ein Gerät bereits durchführt.
Praktisch relevant ist das für Budget, Integration und Ergebnisqualität. Wenn ein Sensor nur gefilterte Ereignisse ausgibt, brauchst du andere Schnittstellen als bei einer pulsweitenmodulierten Rohausgabe. Wenn Firmware voraggregiert, leidet die Granularität. Fehler hier führen zu falschen Entscheidungen bei Raumbelegung, Energieoptimierung oder Besucherfluss-Analysen.
Dieser Artikel hilft dir bei konkreten Entscheidungen. Du erfährst, wie Bewegungsmelder Daten erzeugen. Du lernst die gängigen Ausgabeformen kennen. Du bekommst Kriterien zur Beurteilung von Datenqualität, Schnittstellen und Latenz. Außerdem zeige ich Vor- und Nachteile von Edge-Vorverarbeitung gegenüber Cloud-Processing. Am Ende findest du eine praktische Checkliste für Beschaffung und Integration.
Im Weiteren untersuchen wir technische Details, Protokolle und typische Fallstricke. Du erhältst Beispiele für Datenflüsse und Hinweise zur Genauigkeitsabschätzung. Ziel ist, dass du nach dem Lesen besser beurteilen kannst, welche Sensoren und Architekturen zu deinen Zähl- und Analyseanforderungen passen.
Vergleich der Sensortypen und ihrer Eignung als Datenquelle
Bevor wir in die Details gehen, kurz zur Einordnung. Nicht jeder Bewegungsmelder liefert dieselben Rohdaten. Manche Geräte schicken nur einen Impuls bei Bewegung. Andere liefern kontinuierliche Messwerte oder sogar Videostreams. Für Zählung und Analytik ist die Art der Ausgabe entscheidend. Sie bestimmt, wie viel Vorverarbeitung nötig ist. Sie beeinflusst Genauigkeit, Latenz und Datenschutz. In den folgenden Tabellen siehst du typische Datenformen, Datenraten und Schnittstellen. Das hilft dir zu entscheiden, welcher Sensortyp zu deinen Zähl- und Analysezielen passt.
| Sensortyp | Art der verfügbaren Rohdaten | Datenrate / Signaltyp | Genauigkeit für Zählung | Typische Schnittstellen | Vorteile / Nachteile für Analytik |
|---|---|---|---|---|---|
| PIR (Passiv-Infrarot) | Binäre Bewegungsimpulse. Manchmal Timestamped Events. Selten Rohwellensignal. | Ereignisbasiert, sehr niedrig | Gering bis mittel. Gut für Einzelfallmeldung. Keine Richtungserkennung. | Relais, Digitalausgang, 0-10 V, einfache BUS-Module | Günstig und energieeffizient. Einfach zu integrieren. Schlechte Granularität für Zählungen bei hoher Personendichte. |
| Radar / Microwave | Doppler-Signale, oft I/Q-Daten oder Bewegungsvektoren bei integrierten Modulen | Kontinuierlich bis hohe Sample-Rate | Mittel bis gut. Kann Bewegungslokalisierung und Distanz liefern. | I2C, SPI, UART, Ethernet bei fertigen Geräten, MQTT bei IoT-Varianten | Bessere Detektion durchdringender Objekte. Funktioniert bei Dunkelheit. Kann komplexe Verarbeitung erfordern. |
| Dual-Tech (PIR + Radar) | Kombinierte Events. Beide Sensordaten können verfügbar sein. | Ereignis- plus periodisch je nach Konfiguration | Besser als einzelne Technologien. Weniger Fehlalarme. | Analog/Digital, BUS-Module, teilweise Netzwerk-APIs | Gute Balance aus Zuverlässigkeit und Kosten. Erhöhte Integrationskomplexität. |
| Kamera-basierte Bewegungserkennung | Video-Frames, Bounding Boxes, Tracks, Metadaten. Rohdaten sind Bilddaten oder vorverarbeitete Objekte. | Sehr hoch. Frame-Rate je nach Kamera 5–30 fps oder mehr | Hoch. Personenzählung, Richtungsbestimmung und Tracking möglich. | RTSP, ONVIF, REST API, Websocket, MQTT bei Edge-Geräten | Beste Genauigkeit und Kontext. Hoher Rechenaufwand. Datenschutz und Bandbreite sind kritische Punkte. |
| IoT-fähige Präsenzmelder | Occupancy-State, Timestamps, RSSI/Beacon-Daten, teils Ereignisstreams | Variabel. Periodisch oder ereignisgesteuert. Häufig low-power | Von mittel bis hoch je nach Sensorfusion und zusätzlichen Signalen | MQTT, REST API, CoAP, BLE, LoRaWAN, BACnet bei Industrievarianten | Flexible Integration in Cloud und Plattformen. Gute Skalierbarkeit. Qualität hängt von Protokoll und Konfiguration ab. |
Kurz zusammengefasst: PIR eignet sich für einfache Präsenzmeldungen. Radar und Dual-Tech liefern bessere Daten für Analytik mit moderatem Aufwand. Kameras bieten die höchste Genauigkeit, erfordern aber mehr Rechenleistung und Datenschutzmaßnahmen. IoT-Präsenzmelder sind pragmatisch für verteilte Systeme und Cloud-Analysen.
Technische Grundlagen: Was hinter „Rohdaten“ und Sensormessungen steckt
Was verstehen wir unter Rohdaten?
Rohdaten sind die unveränderten Messwerte, die ein Sensor direkt aus der physikalischen Welt liefert. Das sind zum Beispiel Spannungswerte vom ADC, I/Q-Daten eines Radars oder rohe Bildframes einer Kamera. Rohdaten wurden noch nicht in aussagekräftige Ereignisse wie „Person erkannt“ oder „Raum belegt“ umgewandelt. Sie bieten maximale Granularität. Sie erzeugen aber auch mehr Datenvolumen und erfordern Rechenleistung, um daraus Analysen zu machen.
Wie erzeugen verschiedene Sensortypen Signale?
PIR misst Temperaturänderungen im Infrarotbereich. Ein Pyro-Element erzeugt geringe Spannungsänderungen. Nach Verstärkung entstehen typische Analogsignale, die zu einem digitalen Ereignis werden können.
Radar / Microwave sendet Mikrowellen und misst reflektierte Signale. Aus Phasen- und Amplitudenänderungen lassen sich Bewegung, Geschwindigkeit und manchmal Distanz berechnen. Rohdaten können I/Q-Samples sein.
Ultraschall sendet Schallimpulse. Das Gerät misst Laufzeit und wandelt sie in Distanzwerte um. Rohdaten sind meist Zeit- oder Amplitudenmessungen der Echos.
Kamera / Computer Vision liefert Bildframes als rohe Pixelwerte. Diese Frames können vor Ort oder in der Cloud zu Objektdetektion, Tracking und Zählung verarbeitet werden.
Typische lokale Signalverarbeitung
Sensoren führen oft erste Verarbeitungsschritte lokal aus. Das reduziert Daten und verhindert Fehlalarme. Übliche Stufen sind:
- Debounce: Vermeidung mehrfacher Signale bei kurzer Störung.
- Thresholding: Werte werden mit Schwellwerten verglichen, um Ereignisse zu erzeugen.
- Event-Detection: Erkennen von Mustern wie Bewegung oder Präsenz.
- Filtering und Glättung: Rauschen reduzieren, um stabilere Signale zu liefern.
- Aggregation: Mehrere Messwerte werden zu Summen oder Mittelwerten zusammengefasst.
Datenformate und Schnittstellen
Die rohe oder vorverarbeitete Ausgabe folgt verschiedenen Formaten. Gängige physikalische Signale sind Puls, TTL oder analoge Spannung. Digitale Schnittstellen sind I2C, SPI, UART und RS485. Netzwerksensoren liefern Daten per Ethernet, MQTT, CoAP oder REST-API. Kameras nutzen RTSP für Video und ONVIF oder REST für Metadaten. Häufige Datenformate für Telemetrie sind JSON, CSV oder binäre Streams wie Protobuf.
Für deine Entscheidung ist wichtig: Je näher du an den Rohdaten bleibst, desto mehr Kontrolle und Genauigkeit hast du. Du brauchst dann aber mehr Speicher, Bandbreite und Verarbeitungsleistung. Geräte, die nur Ereignisse liefern, sind einfacher zu integrieren. Sie bieten aber weniger Detail für anspruchsvolle Analysen.
Praktische Anwendungsfälle: Wann Rohdaten von Bewegungsmeldern wichtig sind
Besucherzählung im Einzelhandel
Im Store-Management willst du präzise Besucherzahlen, Verweildauer und Laufwege. Für aussagekräftige Analysen brauchst du zeitlich hochaufgelöste Events oder Tracks, idealerweise mit Timestamps und Richtungsinformation. PIR-Sensoren liefern oft nur Präsenzimpulse. Kameras oder Radar liefern detailliertere Rohdaten wie Bounding Boxes oder I/Q-Samples. In der Praxis werden Bewegungsmelder an Eingängen und Hotspots platziert. Sensorfusion verbessert die Trefferquote. Limitierungen sind Occlusion, Mehrfacherkennung bei Gruppen und Datenschutz bei Video. Integrationsfragen betreffen Zeitstempelgenauigkeit, Datenformat (JSON, CSV) und die Anbindung an Analytics-Plattformen per MQTT oder REST. Du musst klären, ob Vorverarbeitung im Edge stattfindet und wie Rohdaten archiviert werden.
Raumbelegungsanalyse in Büros
Für Raumplanung und Desk-Sharing sind Belegungsstatistiken und Nutzungsprofile wichtig. Du benötigst zuverlässige Präsenz- und Bewegungsereignisse mit Zeitfenstern. PIR-Sensoren kombiniert mit IoT-Präsenzmeldern reichen oft für einfache Auslastungsmessungen. Für feinere Analysen sind Radar oder kamerabasierte Lösungen besser. Typische Probleme sind Bewegungen in angrenzenden Räumen, Fehlalarme durch kurzzeitige Bewegungen und unterschiedliche Messbereiche. Bei Integration ins BMS sind Protokolle wie BACnet, Modbus oder MQTT relevant. Frage, ob das BMS rohe Events oder aggregierte Zustände erwartet. Synchronisierte Zeitquellen sind wichtig, um Raumbelegungen korrekt zusammenzuführen.
Energieoptimierung in Gebäuden
Hier zielen Analysen auf Präsenzabhängige Steuerung von Beleuchtung, Klima und Lüftung. Benötigt werden verlässliche Präsenzzustände und Timestamps, manchmal auch Bewegungshäufigkeit als Proxy für Aktivität. PIR-Sensoren sind energieeffizient und ausreichend für einfache Steuerungen. Für adaptive Regelungen mit Zonensteuerung können Radar oder Dual-Tech-Sensoren bessere Granularität liefern. Entscheidend ist die Latenz und die Schnittstelle zum BMS. Häufige Integrationsthemen sind Schaltverhalten, Aggregation von Sensoren zu Zonen und die Frage, ob Sensoren lokal Entscheidungen treffen dürfen oder nur Messdaten senden.
Sicherheitsüberwachung in Lagerhallen
In Sicherheitsfällen willst du genaue Ereignislogs, Bewegungsrichtung und idealerweise Tracking über mehrere Sensoren. Rohdaten können hier I/Q-Daten von Radar, Video-Frames oder detaillierte Event-Streams sein. Bewegungsmelder werden entlang von Durchgängen und in kritischen Bereichen installiert. Limitierungen sind Reichweite, Interferenzen durch Maschinen und Lichtverhältnisse bei Kameras. Integrationsfragen sind Alarmweiterleitung, Anbindung an Video-Management-Systeme und lückenlose Zeitstempelung. Du musst zudem klären, wie lange Rohdaten im System bleiben und welche Datenschutz- und Compliance-Regeln gelten.
In allen Szenarien gilt: Je näher du an den Rohdaten arbeitest, desto mehr Kontrolle und Genauigkeit erhältst du. Du brauchst dann aber klar definierte Schnittstellen, Zeitkoordination und ausreichende Rechenressourcen für die Weiterverarbeitung.
Entscheidungshilfe: Welcher Sensortyp passt zu deinem Projekt?
Bevor du Hardware kaufst, kläre die Anforderungen. Schreibe die benötigten Kennzahlen auf. Prüfe Integration und Datenschutz. Die folgenden Leitfragen helfen dir, eine fundierte Auswahl zu treffen.
Benötigte Datengranularität
Frage dich, wie fein die Messungen sein müssen. Reichen einfache Präsenzmeldungen mit Timestamps oder brauchst du pro Person eine Zählung und Richtungsinformationen? Für einfache Auslastungszahlen sind PIR oder IoT-Präsenzmelder oft ausreichend. Wenn du Tracking, Richtung oder Dichteanalysen brauchst, sind Radar oder kamerabasierte Systeme geeigneter. Beachte: höhere Granularität bringt mehr Datenvolumen und Verarbeitungskosten.
Echtzeit versus Batch-Verarbeitung
Benötigst du Steuerung in Echtzeit, etwa für Licht oder Klima, oder lediglich aggregierte Berichte? Für Echtzeitsteuerung sind lokale Ausgänge oder Edge-Verarbeitung wichtig. Sensoren mit digitalen Relais oder MQTT-Updates mit niedriger Latenz sind sinnvoll. Für Batch-Analysen reicht eine periodische Übermittlung per REST oder MQTT mit Aggregationen.
Datenschutz und Compliance
Gibt es Datenschutzvorgaben, die Videoaufnahmen verbieten? Wenn ja, solltest du auf nicht-bildgebende Sensoren setzen. Radar und Dual-Tech liefern oft genügend Informationen ohne Bilder. Bei Kameras ist Edge-Anonymisierung oder nur Metadaten-Export Pflicht. Kläre Aufbewahrungsfristen und Zugriffskontrolle vor der Auswahl.
Fazit: Definiere zuerst Granularität, Latenz und Datenschutz. Wähle Sensoren danach aus. Starte mit einem kleinen Pilotprojekt zur Überprüfung von Genauigkeit, Schnittstellen und Zeitstempeln. So reduzierst du Risiko und triffst eine belastbare Entscheidung.
Häufige Fragen und kurze Antworten
Was sind Rohdaten bei Bewegungsmeldern?
Rohdaten sind die direkten Messwerte, die ein Sensor aus der Umgebung liefert. Das kann eine analoge Spannung, ein I/Q-Sample vom Radar oder ein unverarbeitetes Bildframe sein. Rohdaten sind noch nicht in Ereignisse wie „Person erkannt“ übersetzt. Sie bieten maximale Detailtiefe, erfordern aber Verarbeitung und Speicher.
Können PIR-Sensoren für präzise Zählungen genutzt werden?
PIR-Sensoren liefern meist binäre Bewegungsimpulse oder einfache Präsenzzustände. Sie sind zuverlässig für grundlegende Belegungszahlen in low-density-Szenarien. Bei hohem Personenaufkommen oder für Richtungszählung sind sie jedoch eingeschränkt. Für präzise Zählungen sind Radar oder Kameras besser geeignet oder du nutzt mehrere PIRs und Sensorfusion.
Welche Schnittstellen liefern die meisten Daten für Analytik?
Die reichhaltigsten Daten kommen von bildgebenden Systemen über RTSP oder von Low-Level-Radar-Modulen per UART/SPI mit I/Q-Outputs. IoT-Geräte bieten oft strukturierte Telemetrie per MQTT oder REST-API. Serielle Schnittstellen liefern die niedrigste Abstraktionsebene. Die Wahl hängt von Bandbreite, Verarbeitungskapazität und Datenschutzanforderungen ab.
Brauche ich eine Kamera, um genaue Zählungen zu erreichen?
Kameras liefern die höchste Genauigkeit und Kontextinformationen wie Richtung und Verweildauer. Sie benötigen aber Rechenleistung, Bandbreite und Datenschutzmaßnahmen. Radar-basierte Systeme erreichen in vielen Fällen vergleichbare Ergebnisse ohne Bilddaten. Prüfe daher Datenschutzvorgaben und die technische Machbarkeit, bevor du dich für Kameras entscheidest.
Wie wirkt sich Edge-Vorverarbeitung auf die Verfügbarkeit von Rohdaten aus?
Edge-Processing reduziert Latenz und Netzwerkbelastung durch Vorverarbeitung direkt am Sensor. Es kann aber auch dazu führen, dass nur aggregierte Events statt Rohdaten übertragen werden. Kläre mit dem Hersteller, ob Rohdaten optional exportiert werden können. Für Analytikprojekte ist ein Pilot wichtig, um die tatsächliche Datenverfügbarkeit zu prüfen.
Glossar wichtiger Begriffe
Rohdaten
Rohdaten sind die unverarbeiteten Messwerte eines Sensors. Beispiele sind Spannungswerte, I/Q-Daten oder unveränderte Bildframes. Sie wurden noch nicht in Ereignisse wie „Person erkannt“ umgewandelt und bieten deshalb maximale Detailtiefe.
PIR
PIR steht für Passiv-Infrarot. Solche Sensoren messen Temperaturänderungen im Sichtfeld und erzeugen meist binäre Signale oder einfache Spannungsänderungen. PIR-Sensoren sind kostengünstig und energieeffizient, aber sie liefern nur begrenzte Details für Zählungen.
Radar
Radar sendet Mikrowellen und misst die reflektierten Echos. Rohdaten können Phasen- und Amplitudenwerte oder I/Q-Samples sein. Radar erkennt Bewegung auch bei schlechten Lichtverhältnissen und kann Distanz und Geschwindigkeit liefern.
Event-Stream vs. Raw-Stream
Event-Stream enthält bereits erkannte Ereignisse wie „Bewegung erkannt“ mit Zeitstempel. Raw-Stream liefert unverarbeitete Messwerte wie I/Q-Daten oder Bildframes. Event-Streams sparen Bandbreite, Raw-Streams erlauben dafür tiefere Analysen.
MQTT
MQTT ist ein leichtgewichtiges Publish-Subscribe-Protokoll für Telemetrie. Es eignet sich gut für IoT-Sensoren mit begrenzter Bandbreite und niedriger Latenz. Viele Präsenz- und Bewegungsmelder nutzen MQTT zur Übertragung von Events oder Messwerten.
False-Positive
False-Positive bedeutet Fehlalarm: Der Sensor meldet Bewegung, obwohl keine relevante Person vorhanden ist. Ursachen sind Umwelteinflüsse, Tiere oder technische Störungen. Reduzierung erfordert oft Filter, Sensorfusion oder angepasste Schwellenwerte.