Zum Inhalt springen

Embedded product-boundary experiment

Vectis AI

Ein Quellcode-Prototyp für Fahrzeugdaten

A vehicle-data prototype spanning API, user surfaces, embedded source, and a Rust signal-normalisation core. The implemented record supports trace and fixture work; vehicle, hardware, and fleet validation remain outside it.

Brücke Business ↔ Technologie · Embedded product-boundary experiment

Turn raw vehicle signals into a bounded, testable product system.

Explores the boundary from vehicle acquisition and canonical signals to operator-facing product decisions.

Dies ist eine Portfolio- und Quellinterpretation, keine Aussage über Kunden, Betrieb, Zertifizierung oder Ergebnisse.

  1. 01

    Geschäftlicher Druck

    Vehicle telemetry is only useful when acquisition, signal semantics, connectivity, diagnostics, user experience, and operational responsibility form one product boundary.

  2. 02

    Produktentscheidung

    Separate embedded acquisition, canonical signal mapping, application APIs, and user surfaces before adding assistant or predictive behaviour.

  3. 03

    Technischer Nachweis

    Embedded source, API and user surfaces, a Rust normalisation core, and a trace-replay fixture for DBC, CAN, and canonical mapping.

  4. 04

    Evidenzrückfluss

    Signal quality, offline behaviour, update safety, hardware limits, and user validation return to feature scope, architecture, support, and release criteria.

Quellcode-Evidenz

Was der Quellcode tatsächlich belegt

A vehicle-data prototype spanning API, user surfaces, embedded source, and a Rust signal-normalisation core. The implemented record supports trace and fixture work; vehicle, hardware, and fleet validation remain outside it.

Der detaillierte technische Stand wird auf Englisch gepflegt.

Reifegrad
Source prototype with software and firmware boundaries
Evidenzprüfung
Quellstand bis

Produkt- und Architekturentscheidungen

  • Separate device acquisition, canonical signal mapping, APIs, and operator-facing product surfaces.
  • Normalise DBC/CAN inputs into a canonical signal layer before product logic consumes them.
  • Treat offline behaviour, update safety, and hardware abstraction as explicit architecture boundaries.

Prüfbare Evidenz

  • Backend unit and integration tests for the application and telemetry boundaries.
  • Embedded source with C-level tests for selected firmware logic.
  • A Rust trace-replay integration fixture for DBC parsing, CAN decoding, and signal mapping.

Aussagegrenze

  • Future architecture specifications are not presented as already implemented source.
  • No hardware-in-the-loop, vehicle-in-the-loop, OEM, safety-certification, or field-fleet record is asserted.
  • Predictive-maintenance and assistant outputs require separate data-quality and operational validation.

Repository-Evidenz ist kein Nachweis für Kunden, Betrieb, Zertifizierung oder Ergebnisse.

Architektur

Vom OBD-II-Port zu verständlichen Einblicken in Klartext

Drei Quellcodegrenzen: Embedded-Erfassung, kanonisches Signal-Mapping und APIs sowie nutzerseitige Telemetrie- und Assistenten-Oberflächen.

Nur Quellübersicht: Eine Schicht kann implementierten Code, eine Adaptergrenze oder dokumentiertes Design darstellen. Sie belegt keinen konfigurierten Produktionsdienst.

  1. 01

    Layer 1 — ESP32-Quellcode für die OBD-II-Erfassung

    Der Embedded-Quellcode bildet OBD-II/CAN-Erfassung, ausgewählte Signale, Bewegungseingaben, Pufferung und Update-Grenzen ab. Es wird weder Produktionshardware noch eine Fahrzeugvalidierung behauptet.

  2. 02

    Layer 2 — Mobile + Web + API

    Mobile-, Web-, Streaming- und Ingest-Oberflächen sind im Quellcode abgebildet. Ihre End-to-End-Latenz, Zuverlässigkeit und Nutzbarkeit im Feld erfordern eine Validierung mit Zielhardware und Zielnetzen.

  3. 03

    Layer 3 — AI Insight Engine

    Der Quellcode bildet einen Mistral-basierten Assistenten ab, der Roh-CAN-Daten in verständlicher Sprache erklärt: Fahrtzusammenfassungen, Bewertung des Fahrverhaltens sowie Hypothesen zu vorausschauender Wartung und Anomalien. Seine Ausgaben erfordern eine gesonderte Datenqualitäts- und Betriebsvalidierung.

Das Problem

Das Problem

Warum Fahrzeugdaten ungenutzt bleiben

  1. Rohdaten, keine Erkenntnisse

    Moderne Fahrzeuge erzeugen umfangreiche OBD-II-Daten, doch Fahrer und Flottenmanager haben kein zugaengliches Werkzeug zur Interpretation.

  2. Fragmentierte Werkzeuge

    Separate Apps fuer Diagnose, Fahrtenverfolgung, Kraftstoffverbrauch und Sicherheitsbewertung. Keine einheitliche Intelligence-Schicht.

  3. Reaktive Wartung

    Ausfaelle passieren, bevor Probleme erkannt werden. Keine vorausschauenden Warnungen, kein Gesundheits-Scoring, keine Trendanalyse.

  4. Keine KI-Integration

    Man kann seinem Fahrzeug keine Fragen stellen. Keine natuerlichsprachliche Schnittstelle fuer Fahrmuster oder Fahrzeugzustand.

Funktionen

Kernfunktionen

Quellcode-Oberflächen von rohen OBD-II-Daten bis zur nutzerseitigen Telemetrie

Nur Quellumfang: Ein Eintrag kann Code, einen dokumentierten Adapter oder einen konfigurierten Workflow beschreiben. Er besagt nicht, dass ein Produktionsdienst aktiv ist.

  1. 01

    Telemetrie-Streaming

    Der Quellcode bildet ausgewählte OBD-II-PIDs und -Modi (aktuelle Daten, Freeze Frame, DTCs, VIN), GPS via NMEA, IMU-Eingaben sowie WebSocket + SSE-Streaming ab. Abdeckung und Raten sind nicht validiert.

  2. 02

    Intelligente Fahrtenverfolgung

    Der Quellcode bildet automatische Start-/Enderkennung, Routenaufzeichnung, Fahrtstatistiken, Wiedergabe und Fahrthistorie mit Kostenanalyse ab. Nichts davon ist an Fahrzeugen validiert.

  3. 03

    Fahrer-Sicherheits-Scoring

    Der Quellcode modelliert eine Sicherheitsbewertung aus Fahrereignissen wie Vollbremsung, starker Beschleunigung, scharfem Abbiegen und Aufprall, mit Teilbewertungen für Gleichmäßigkeit, Geschwindigkeit und Öko-Fahren. Die Schwellenwerte sind nicht an Fahrzeugen validiert.

  4. 04

    Intelligente Diagnose

    Der Quellcode bildet DTC-Auslesen/-Löschen, Freeze-Frame-Analyse und einen Fahrzeug-Gesundheits-Score ab. Ausgaben zur vorausschauenden Wartung erfordern eine gesonderte Validierung.

  5. 05

    KI-Assistent

    Der Quellcode bildet einen Assistenten für Fragen in natürlicher Sprache zu Fahrzeugdaten ab, der ein großes Sprachmodell mit Streaming-SSE-Antworten nutzt. Seine Ausgaben erfordern eine gesonderte Validierung.

  6. 06

    ESP32-Firmware-Quellcode

    Der Embedded-Quellcode zielt auf einen ESP32-S3 (Dual-Core 240MHz) mit CAN/TWAI, u-blox GPS, einer MPU6050-IMU, WiFi 802.11 b/g/n und BLE GATT. Kraftstofftypen (Benzin, Diesel, Hybrid, PHEV, BEV, Wasserstoff) und OTA A/B-Rollback sind im Quellcode modelliert. Es wird weder eine Hardware- noch eine Fahrzeugvalidierung behauptet.

Was der Quellcode modelliert

Im Quellcode abgebildete Fahrzeugsignalpfade

Der geprüfte Code modelliert ausgewählte OBD-II/CAN-Signale und eine kanonische Mapping-Schicht. Verfügbarkeit, Rate, Einheiten und Bedeutung variieren je nach Fahrzeug und erfordern eine Validierung mit Fixtures, auf dem Prüfstand und am Fahrzeug.

Nur Repository-Oberfläche: Verfügbarkeit, Vollständigkeit, Leistung und Betriebstauglichkeit erfordern eine gesonderte Validierung.

PID 0D

Fahrzeuggeschwindigkeit

01

Der Quellcode bildet die Fahrzeuggeschwindigkeit als Eingabe für Fahrten-, Schwellenwert- und Geofence-Logik ab. Rate und Genauigkeit werden nicht fahrzeugübergreifend behauptet.

PID 0C

Motordrehzahl

02

Der Quellcode bildet die Motordrehzahl als Eingabe und als Proxy für die Motorlast ab, mit Hypothesen zur Baseline-Drift für Fehlzündungen, Lambda-Drift und Getriebeverschleiß. Das ist kein validierter Frühindikator.

PID 11

Drosselklappenstellung

03

Der Quellcode bildet die Drosselklappenstellung (%) als Eingabe für Aggressionsbewertung, Verhaltenscoaching und eine Ereignislogik für starkes Beschleunigen zusammen mit RPM und Geschwindigkeit ab. Das ist nicht an Fahrzeugen validiert.

PID 05

Kühlmitteltemperatur

04

Der Quellcode bildet die Kühlmitteltemperatur als Eingabe sowie Anomaliehypothesen ab. Das ist weder eine Frühwarngarantie noch eine diagnostische Schlussfolgerung.

PID 0F

Ansauglufttemperatur

05

Der Quellcode bildet den Luftdichte-Eingang für die Kraftstoffberechnung der ECU ab. Diagnostische Anwendungen wie die Analyse von Leistungsverlust oder die Prüfung von Cold-Air-Intake-Angaben erfordern eine fahrzeugspezifische Validierung.

PID 0B

Saugrohrdruck

06

Der Quellcode bildet den Saugrohrdruck als Eingabe und als Motorlastmessung (NA + Turbo) ab. Ansichten zu Boost-Kurve, Last-vs.-RPM und Belastung von Zugfahrzeugen sind Entwurfsumfang, keine validierte Analyse.

PID 2F

Kraftstoffstand

07

Der Quellcode bildet den Tankfüllstand (%) als Eingabe für Betankungserkennung, Diebstahlwarnungen bei plötzlichem Abfall und eine MPG-Logik pro Fahrt ab, abgeglichen mit der Strecke aus der Geschwindigkeitsintegration. Rate und Genauigkeit werden nicht behauptet.

PID 14

O₂-Sensor (Lambda)

08

Der Quellcode bildet das Luft-Kraftstoff-Verhältnis als Eingabe ab. Langfristige Drift ist eine Hypothese für Katalysatorverschleiß, Lambda-Sensor-Alterung oder eine unautorisierte Modifikation des Kraftstoffsystems, keine diagnostische Schlussfolgerung.

MODE 03

ECU-Fehlercodes (DTCs)

09

Der Quellcode bildet Workflows für die Aufnahme von Diagnosecodes und für Erklärungen in verständlicher Sprache ab. Unterstützte Module und vorgeschlagene Ursachen erfordern eine fahrzeugspezifische und fachliche Validierung.

ONBOARD

IMU (Beschleunigung + Gyroskop)

10

Der Quellcode bildet die IMU auf ESP32-Seite als Eingabe für eine Ereignislogik zu starkem Bremsen, scharfem Kurvenfahren, Kollisionen und Straßenrauheit ab, unabhängig von CAN-Daten. Erkennung und Einsatz an Nicht-OBD-Fahrzeugen sind nicht validiert.

GNSS

Geofence-Grenze

11

Der Quellcode bildet GPS- und Mobilfunk-Positionseingaben für benutzerdefinierte Zonen (Zuhause, Depot, Kundenstandort), Warnungen bei Ein- und Austritt sowie Offline-Pufferung ab. Das Verhalten im Feld ist nicht validiert.

OTA

Firmware-Status

12

Der Quellcode bildet Entwurfsoberflächen für Firmware-Version, gestaffelte Updates und Rollback ab. Es wird weder ein signiertes Produktionsrelease noch ein Update-Nachweis für eine Geräteflotte behauptet.

Technologie-Stack

Technologie-Stack

Genannte Technologien kennzeichnen Repository-Abhängigkeiten oder Adapteroberflächen; sie belegen keine aktive Integration oder Bereitstellung.

Backend
Fastify, TypeScript, Prisma, PostgreSQL + TimescaleDB, Redis
KI
LLM API, Streaming SSE, natuerlichsprachliche Fahrzeugabfragen
Web-Dashboard
Next.js 14, Tailwind CSS, shadcn/ui, Datenvisualisierung
Mobile App
React Native, Expo, NativeWind, BLE-Pairing, Detox E2E-Tests
Firmware
ESP32-S3, ESP-IDF 5.x, FreeRTOS, CAN/TWAI, ISO-TP, GPS NMEA, MPU6050
Infrastruktur
Docker, GitHub Actions CI, Vitest, JWT auth, Swagger API-Dokumentation

Quellcode

Code einsehen

Der Quellcode-Prototyp von Vectis AI — Backend, Frontend, Mobile App und Firmware — ist auf Anfrage verfügbar.

NDA erforderlich

Für den Zugang zum Quellcode unterzeichnen Sie bitte die Geheimhaltungsvereinbarung. Dies ist eine übliche rechtliche Formalität.

Verwandte Beratungsleistungen

Brauchen Sie strategische KI-Beratung für Ihre Flotte oder IoT-Plattform? Meine Beratungsleistungen können helfen.

Partnerschaft

Interesse an Vectis AI?

Wenn Sie als Flottenbetreiber, Automobil-OEM oder IoT-Partner KI für Fahrzeugdaten prüfen, kontaktieren Sie mich, um die Entscheidung zu besprechen.

Kontakt aufnehmen
KI-Einblicke

The AI Dispatch

Von der Demo zum verlässlichen Betrieb. Melden Sie sich für neue Beiträge zu Physical AI an.

Jederzeit abbestellbar. Kein Spam, niemals.