Otvorena platforma za istraživanje Edge AI tehnologija na Raspberry Pi 5 arhitekturi.
Od problema do gotovog rešenja
Živimo u eri informacija, a nikada nismo bili manje edukovani. Tradicionalno učenje o tehnologiji je tromo. Učenici se guše u suvoj teoriji, dok prava, primenljiva inženjerska znanja ostaju nedostižna. Da li ste ikada osetili strah da tehnologija juri napred, a mi stojimo u mestu zaglavljeni u zastarelim metodama? To je tiha katastrofa.
Na scenu stupa Pametno Vozilo. Ovo nije samo robot; to je personalizovana edukativna platforma – opipljiv most između haosa u teoriji i genijalnosti u praksi. Sistem eliminiše "šum" i omogućava direktan rad sa najmodernijim Edge AI tehnologijama, pretvarajući učenje iz mučenja u zaraznu igru uspeha.
Platforma se sastoji od modularne šasije, moćnog AI senzorskog jezgra i nezavisnog mrežnog sistema.
Transparentan uvid u komponente namenjen inženjerima
XL4015 Step-down konverter (5.1V, 5A) za stabilan rad Raspberry Pi 5.
Četiri DC motora sa Mecanum točkovima za kretanje u svim pravcima.
RPi Camera Module V2 (8MP) povezana putem MIPI CSI-2 interfejsa.
Bez ovoga ovaj projekat ne bi bio moguć
Visok FPS (30fps), prepoznavanje objekata (5-10fps) i njigovo praćenje(5fps), server side
Detekcija i ekstrakcija teksta sa tablica i saobraćajnih znakova u milisekundama (0.001s), automatka rotacija teksta (0.005s) i izvršavanje tekstualnih komandi (0.009s)
Paralelna obrada akvizicije slike, AI inferencije i PWM kontrole motora.
Koriscenje Doceker kontejnera za server i Smart Network, cime se izbegava dependency hell i olaksava deployement, a zbog obcije self-healing ubryava se i error recovery
Automatizacija build procesa i testiranja. Svaki "push" automatski generiše novu verziju aplikacije, osiguravajući stabilnost koda i brz feedback loop tokom razvoja.
Centralizovano skladištenje imidža servera. Omogućava laku distribuciju sistema na bilo koji Raspberry Pi 5 uređaj uz minimalnu konfiguraciju putem cloud repozitorijuma.
Kompletan izvorni kod dostupan na GitHub-u
Glavni backend. Upravlja hardverom, YOLOv26 detekcijom i HTTP MJPEG strimovanjem u kontejneru.
Osigurava 100% dostupnost. Automatski konfiguriše hotspot na vozilu u nedostatku eksterne mreže.
Optimizovan proces konverzije YOLO modela za hardverski akcelerisanu inferencu.
Mobilna kontrola. Prikaz videa niske latencije i upravljanje kretanjem u realnom vremenu.
Cloud-ready panel za remote monitoring vozila direktno iz veb pregledledača.
Arhivirana verzija backenda zasnovana na nativnim Linux servisima i WebSockets protokolu.
Od edukativne platforme do industrijskih prototipova
Idealna baza za učenje Edge AI-a, Linux sistema i Python programiranja na hardveru.
Primena YOLO detekcije za brojanje vozila i analizu frekvencije saobraćaja u realnom vremenu.
Prototip za autonomne transportere u magacinima koji prate vizuelne oznake.
Fizički izgled vozila i senzorska mreža
Korisnički interfejs Kotlin aplikacije
Prikaz detekcije objekata u realnom vremenu
Prikaz docker log-a na rpi5
Prikaz sistemskih performansi
Hronološki prikaz razvoja i vizija budućnosti
Fokus na osnovnoj funkcionalnosti i zabavi:
Transformacija u sistem za učenje i istraživanje:
Širenje projekta kao otvorenog alata za obrazovanje:
Detekcija tehnološkog raskoraka i kritičnih sistemskih grešaka
Sistem pokušava da inicijalizuje Docker kontejnere i YOLOv26, dok školski plan i program zahteva podršku za diskete i pisanje koda u svesku (A4, kvadratići).
Nedostatak besplatnih edukativnih alata uspešno je rešen metodom "Suvo programiranje". Kompajliranje koda se vrši isključivo u glavi, bez prava na Syntax Error ili Backspace.
Rešenje: Ignorisati zastareli "Stable" build obrazovanja. Implementirana samoinicijativna edukacija putem open-source dokumentacije i real-world inženjeringa. Status: Ready for 2026.