EdgeGuardian: Edge-AI-Sicherheitszone für Maschinenüberwachung
EdgeGuardian ist ein lokaler Monitoring-Prototyp, der kamerabasierte Personenerkennung mit LiDAR-Distanzmessungen kombiniert und den aktuellen Zustand als SAFE, WARNING oder ALERT klassifiziert.
Nur ein Prototyp - kein zertifiziertes Sicherheitssystem.
Rolle
Ich integrierte Kamera, Hailo-Beschleuniger, LiDAR und ESP32 und implementierte anschließend die Fusionslogik, das Dashboard und die CSV-Protokollierung.
Kernergebnisse
- ~30 FPS
- Demo-Durchsatz
- Lokale Inferenz
- Raspberry Pi 5 + Hailo-8L
- Kamera + LiDAR
- Fusionierte Sensorik
- SAFE → WARNING → ALERT → SAFE
- Demonstrierte Zustandsfolge
Problem und Rahmenbedingungen
Maschinenbereiche werden gefährlich, wenn Personen in den Arbeitsbereich beweglicher Teile gelangen. Eine reine Cloud-Kamera-Pipeline würde Latenz, Datenschutzrisiken und Netzabhängigkeit erzeugen; reine Kameraerkennung bestätigt zudem keine physische Distanz.
Sicherheit
Das Design hält Kamera-Inferenz und Sicherheitsentscheidungen lokal auf dem Edge-Gerät, statt Videodaten an einen Cloud-Dienst zu senden. Beispielkonfigurationen vermeiden private Telegram-Secrets, und das Dashboard liest Logs ohne Kamera-Streaming.
Zuverlässigkeit
Confidence-Filter, LiDAR-Stale-Data-Schutz, 3-Frame-ALERT-Hysterese, 5-Frame-SAFE-Recovery, Telegram-Cooldown und CSV-Event-Logs machen den Prototyp stabiler und in der Live-Demo nachvollziehbar.
Was ich gebaut habe
Ich habe die Entscheidungslogik auf einem Raspberry Pi 5 umgesetzt. Die Kamera-Pipeline erkennt die Klasse Person mit YOLO auf dem Hailo-8L-Beschleuniger, der Hokuyo-LiDAR liefert die gemessene Distanz, und das Fusionsskript nutzt Confidence-Schwellen, Stale-Data-Prüfung und Hysterese, bevor ESP32-Kommandos und Dashboard-Updates erzeugt werden.
Architektur
Sensorik und Aktuatorik
Raspberry-Pi-Kamera / AI Camera, Hokuyo URG-04LX-UG01 LiDAR und ESP32-S3-Serial-Endpunkt liefern visuelle Erkennung, physische Distanzbestätigung und Aktuatornachweis.
Edge-Fusion
Der Raspberry Pi 5 führt die Fusion aus, verarbeitet Hailo-Erkennungsdaten, liest LiDAR-Distanzen, wendet SAFE/WARNING/ALERT-Schwellen an und protokolliert jede Entscheidung.
Ausgaben und Protokolle
Die Sicherheitsentscheidung bleibt lokal; der aktuelle Zustand wird über Browser-Dashboard, optionales Telegram-Modul, Terminalausgabe und finale CSV-Logs sichtbar gemacht.
Systemkontext
Kamera- und LiDAR-Inputs werden lokal auf dem Raspberry Pi 5 mit Hailo-Beschleunigung verarbeitet und zu SAFE/WARNING/ALERT-Ausgaben für Dashboard, ESP32-Aktuatorik, optionale Telegram-Alerts und CSV-Logs fusioniert.
Diagramm öffnen
Systemkontext
Kamera- und LiDAR-Inputs werden lokal auf dem Raspberry Pi 5 mit Hailo-Beschleunigung verarbeitet und zu SAFE/WARNING/ALERT-Ausgaben für Dashboard, ESP32-Aktuatorik, optionale Telegram-Alerts und CSV-Logs fusioniert.
Was das Diagramm zeigt
- Lokaler Inferenzpfad: Kameraframes und LiDAR-Distanz bleiben in der Raspberry-Pi-Runtime
- Getrennte Ausgaben und Protokolle: Dashboard, CSV-Logs, optional Telegram und ESP32-Aktuatornachweis
- Die Sicherheitsentscheidung wird über SAFE/WARNING/ALERT-Zustandswechsel sichtbar
Container- / Deployment-Ansicht
Physische Sensoren speisen eine Raspberry-Pi-5-Runtime mit Hailo-beschleunigter Personenerkennung, Fusionslogik, ESP32-Serial-Aktuatorik, Dashboard-Visualisierung, optionalen Telegram-Alerts und Logs.
Diagramm öffnen
Container- / Deployment-Ansicht
Physische Sensoren speisen eine Raspberry-Pi-5-Runtime mit Hailo-beschleunigter Personenerkennung, Fusionslogik, ESP32-Serial-Aktuatorik, Dashboard-Visualisierung, optionalen Telegram-Alerts und Logs.
Was das Diagramm zeigt
- Hailo-Erkennung und LiDAR-Distanz laufen im Fusionsskript zusammen
- Hysterese, Stale-Data-Prüfung und Schwellwerte liegen vor Aktuatorik oder Alerting
- Dashboard und finale Testartefakte machen die Demo nachträglich prüfbar
Technische Entscheidungen
- Hailo-8L-beschleunigte YOLO-Personenerkennung auf Raspberry Pi 5
- Hokuyo-LiDAR-Distanzbestätigung für Kamera-LiDAR-Sensorfusion
- SAFE/WARNING/ALERT-State-Machine mit Hysterese und Stale-Data-Prüfung
- ESP32-S3-Serial-Kommandos als Aktuatornachweis
- Dark-Mode-Browser-Dashboard mit Live-CSV-Logs, Update-Alter und Event-Tabelle
Validierung
- Lokalen Demo-Pfad mit Kameraerkennung, LiDAR-Distanzinput, ESP32-Serial-Kommandos und Dashboard-Updates ausgeführt.
- SAFE -> WARNING -> ALERT -> SAFE-Übergänge während der Demo protokolliert.
- Finale CSV- und Terminal-Logs für die Prüfung nach dem Lauf aufbewahrt.
Ergebnisse
End-to-End lokale Edge-AI-Sicherheitsüberwachung mit Kamera, LiDAR, Embedded-Aktuatorik, Dashboard und Logs demonstriert
30 FPS
Demo mit SAFE -> WARNING -> ALERT -> SAFE-Übergängen bei etwa 30 FPS erfasst
Real-Mode-Logs mit kontinuierlichen Raspberry-Pi-Entscheidungen aus Hardware-Inputs protokolliert
Dashboard-Reason-Cards und CSV-Logs machten die Zustandswechsel während der Demo nachvollziehbar
Vollständiger Stack
Hardware
Edge-Software
Sensorfusion
Monitoring & Ausgaben
Artefakte
Nächster technischer Schritt
Geplante Arbeit
Validierungslogs über mehr Distanz- und Lichtszenarien erweitern, bevor sicherheitskritische Nutzung überhaupt betrachtet wird.