Desafío técnico de la ETSIIT | De estudiantes universitarios a emprendedores

En el último paso, procesamos los datos y escribimos el resultado como Datos secundarios tema. Esto lo hizo el servidor de sala (implementado con Raspberry Pi o MK802 III) que trianguló la ubicación secundaria y seleccionó la cámara adecuada. Filtró solo los sensores en la sala actual y recopiló toda la información del editor de video en esa sala. Los datos se enviaron a un script de Octave, que devolvió la ubicación del niño y la mejor identificación de la cámara. La información enviada a la nube con el tema Child Data , incluye identificación del niño, calidad de video, identificación de la cámara, ubicación del niño e identificación de la habitación. Para mayor eficiencia, la identificación y la calidad del niño se envían como claves que se pueden filtrar o utilizar para clasificar videos.

Para optimizar la aplicación, el servidor de la sala llamaba al script de triangulación solo si había un suscriptor preguntando por el niño. Determinamos esto usando el descubrimiento de suscriptores y mirando el ContentFilteredTopic parámetros de filtro.

Finalmente, implementamos un mecanismo de redundancia para manejar la falla del servidor de sala. Cada miniordenador de la sala creó un editor y estableció su valor USER_DATA para la sala y un ID de prioridad predeterminado (único). Si una de las miniordenadores detectaba que tenía el ID más bajo en su habitación, iniciaba la aplicación del servidor y actuaba como servidor hasta que aparecía un nuevo miniordenador con un ID más bajo.

Aplicaciones de usuario

Desarrollamos dos aplicaciones para el usuario final. El primero lo utilizarán los padres para ver a sus hijos en la guardería. El segundo programa será utilizado por los empleados de la guardería para ver todas las cámaras en tiempo real, administrar el acceso de los padres (agregar y quitar) y manejar automáticamente el control de asistencia.

Pensamientos finales

Tuvimos que hacer frente a dos grandes problemas en el desafío:

1. Obteniendo los valores RSSI:compramos un dispositivo Bluetooth de muy baja calidad y bajo costo (alrededor de $ 5). La señal tenía muchos errores y ruido. Tuvimos que desarrollar un algoritmo para optimizar los valores, reduciendo ese error de 3 a 0,5 metros. No pudimos encontrar ninguna biblioteca para operaciones de bajo nivel con dispositivos Bluetooth en Java (finalmente usamos pybluez). Tuvimos que comunicarnos usando programas Python y Java.
2. Codificación de video:no fue fácil encontrar una biblioteca que nos permitiera obtener el búfer de video codificado. Fue aún más difícil optimizar los elementos en la tubería GStreamer 0.10 para trabajar al máximo rendimiento en la Raspberry Pi. Con la configuración final, el retraso de la imagen es de alrededor de 3-5 segundos. Para un mejor rendimiento, planeamos reemplazar la Raspberry Pi con un dispositivo MK802 III de precio similar, que incluye Wi-Fi y un procesador Cortex A9 de doble núcleo.

RTI Connext DDS nos ahorró mucho trabajo al implementar redes, serialización de datos y mecanismos de calidad de servicio. Agradecemos a nuestra escuela de ingeniería y a RTI por brindarnos la oportunidad y los recursos para abordar con éxito este desafío empresarial.

Más información:

Producción de vehículos autónomos »

Conectividad en sistemas autónomos »

¿Qué es IIoT? »

¿Qué es DDS? »