PHASE 1
Der RSSI-Fehler
Ansatz: Nutzung von starren Grenzwerten (z.B. -65dBm = Nahbereich).
- Physik ignoriert: Signale schwanken durch Wände/Körper ständig um ±10dBm.
- Home Office wurde als "Gehen" erkannt, nur weil das Signal kurz flackerte.
- Keine Unterscheidung zwischen "vielen Geräten" und "Bewegung".
Lektion: Absolute Zahlen sind im Funk-Dschungel wertlos.
PHASE 2
Der Varianz-Irrweg
Ansatz: Berechnung der Standardabweichung der Signalstärke.
- Kurzes Umdrehen am Schreibtisch löste "Walking"-Alarm aus.
- Statik wurde mit Ruhe verwechselt, Arbeit (Home Office) war unsichtbar.
- Zu viele "False Positives" bei kurzen Signalunterbrechungen.
Lektion: Bewegung ist mehr als nur schwankende Lautstärke.
PHASE 3
Das GPS-Paradoxon
Ansatz: Validierung der Funk-Entropie durch physische Standortdaten.
- NaN-Fehler: Ungültige GPS-Fixes führten zu Datenlöchern im Log.
- Batterie-Dilemma: Hintergrund-Updates wurden vom System gestoppt (Hibernation).
- Statische Drift: GPS schwankt auch im Stehen – ohne Filter wird Bewegung vorgetäuscht.
Lektion: GPS ist der Schiedsrichter, nicht der Spieler. Nur Differenzen > 0.0001° zählen.
MILESTONE
PWA & App-Feeling
Ansatz: Transformation der Web-Oberfläche in eine native Standalone-App.
- Manifest-Integration: Icon-Sync und Standalone-Modus für Vollbild ohne Navigation.
- Safe-Area-Design: Optimierung für Notch-Geräte durch CSS env-Variablen.
- Service Worker: Aktivierung des Android-Installations-Triggers.
Ergebnis: Die Grenze zwischen Webseite und installierter App ist verschwunden.
SUCCESS
Der Entropie-Durchbruch
Ansatz: Analyse des MAC-Adressen-Fingerabdrucks über Zeit-Cluster.
- Stabilitäts-Index: Gleiche MACs über Zeit = stationär.
- Entropie-Check: Ständig neue MACs = Bewegung.
- Kontext-Filter: Home Office als bekanntes Dauer-Set erkannt.
Ergebnis: Radikal stabilere Erkennung der realen Lebenswelt.
V4.5 STATUS
Aktuelle Engine-Logik
Kombinierter Analyse-Stack:
- Datenquelle: Flow-Automatisierung für BT & GPS-Cluster.
- Pattern-Matching: Zuweisung WALK / WORK / IDLE / BUSY.
- JSON-Struktur: Payload mit t, mac, rssi, lat, lon.
Status: Deployment-bereit für Langzeit-Tracking.
V5.0 · NEU
Die 6-Klassen-Engine
Erkenntnis: 4 Klassen reichen nicht. Echtes Leben braucht 6 Kategorien – erkannt durch Kombination aus MAC-Dominanz, RSSI-Stärke, GPS-Position und Signalvarianz.
ARBEIT
GEHEN
AKTIV
ÖFFENTLICH
UNTERWEGS
RUHIG
ARBEIT-Signatur (empirisch):
· 1 MAC dominiert > 60% der Messungen
· RSSI dieses MAC > −35 dBm (sehr nah)
· RSSI-Varianz < 4 dB (perfekt stabil)
→ Identifiziert als: Laptop 10:B4:1D:E5:AD:71
- GPS-Home-Learning: Heimposition wird automatisch aus dem häufigsten GPS-Cluster im JSON gelernt – kein manuelles Eintragen.
- Zeitunabhängig: Keine Tageszeit-Heuristik. Nur Signalmuster entscheiden.
- Asymmetrie erkannt: Weiter weg vom Laptop (RSSI −45 bis −80) = gleicher Ort, aber RUHIG statt ARBEIT – korrekt.
Lektion: Ein einzelnes, sehr nahes, stabiles BT-Gerät ist der zuverlässigste Arbeits-Indikator.
VALIDIERUNG
Externe Bestätigung: Haustür-Daten
Am 17. März 2026 wurden die Engine-Ergebnisse unabhängig durch eine Smart-Home-Haustür-App validiert.
Haustür-App (HomeKit):
Geöffnet 18:37 → Raus gegangen
Geöffnet 19:03 → Zurück gekommen
Dauer: ~26 Minuten Spaziergang
AI-Real Engine (18:00–19:00):
RUHIG 48% · GEHEN 33% · AKTIV 10% · UNTERWEGS 10%
→ GEHEN + UNTERWEGS erkannt ✓
- Zwei unabhängige Quellen bestätigen denselben Zeitraum.
- Engine erkennt Wald + kleine Häuser korrekt als GEHEN/UNTERWEGS – wenige fremde BT-Geräte, GPS bewegt.
- False-Positive-Rate in diesem Segment: minimal.
Wissenschaftliche Bedeutung: Externe Validierung ohne Ground-Truth-Label – nur durch unabhängige IoT-Daten. Publishable.
DASHBOARD
Scientific Dashboard V5
Komplette Neugestaltung der index.html als wissenschaftliches Analyse-Interface.
- Timeline-Tab: Stundenkarten mit farbigem Mini-Balkendiagramm (% pro Status).
- MAC-Entropie-Chart: Zeitverlauf mit GEHEN-Zonen-Markierung.
- GPS-Track: Farbverlauf grün→gelb zeigt Bewegungsrichtung.
- RSSI-Heatbar: Signalstärke über gesamte Session visualisiert.
- localStorage: JSON-Daten werden sitzungsübergreifend gespeichert.
- DE/EN Umschaltung: Vollständig zweisprachig.
Stack: Vanilla JS · Canvas API · PWA · Snafu.de Hosting
NEXT
Offene Fragen · Engine-Grenzen
Was die Engine noch nicht unterscheiden kann:
- ARBEIT vs. CHILLEN/TV: Gleicher Ort, gleiches Gerät nah – nur Aktivitätslevel verschieden. Braucht Puck.js Accelerometer.
- SPORT Zuhause: Gleiche GPS, aber Körperbewegung erhöht RSSI-Varianz – in Entwicklung.
- Besuch: Neue MACs + GPS stabil + eigenes Gerät nah – noch als AKTIV klassifiziert.
Ziel: Datensatz für Real-World Motion Research · AMI Labs / LeCun Kontext.
V5.1 · NEU
Groq Scene Intelligence
Architektur-Entscheidung: Groq wird nicht automatisch bei jedem JSON-Import aufgerufen – nur auf expliziten User-Wunsch. Datensparsamkeit und User-Kontrolle als Prinzip.
3-Stufen-Flow:
1. App startet → lädt bestehende scenen.json (kein Groq-Call)
2. User klickt „🔬 Analysieren" → Fingerprints werden komprimiert → Groq analysiert
3. User sieht Ergebnis + Interpretation → klickt „✓ Übernehmen" → scenen.json wird überschrieben
- Fingerprint-Komprimierung: 2400+ Messungen werden auf ~20 Zeilen JSON komprimiert – dominantes MAC, RSSI-Stats, GPS-Cluster, Entropie-Werte. Datenschutzkonform: nur letzte 8 Zeichen der MAC-Adresse.
- Groq-Interpretation: LLM liefert nicht nur Schwellenwerte, sondern auch einen motivierenden, analytischen Text – z.B. "Langer Arbeitstag erkannt. Laptop als Anker. Abends Spaziergang im Wald."
- User bestätigt: Analyse-Ergebnis wird erst nach expliziter Bestätigung als
scenen.json gespeichert. Verwerfen jederzeit möglich.
- Fingerprint-Preview: Modal zeigt vor dem Groq-Call: Messungen, Unique MACs, Arbeits-Signal erkannt/nicht erkannt, Zuhause-%, GPS-Wechsel, Ø RSSI.
Prinzip: KI als Werkzeug, Mensch als Entscheider. Groq-Call nur wenn User aktiv wünscht.
PWA V2
Progressive Web App
AI-Real als installierbare App ohne App Store – analog zu parallel.alpins.de.
- manifest.json: display:standalone, Icons von parallel geerbt, background #050505.
- Service Worker (sw.js): Network-first mit Cache-Fallback, skipWaiting für sofortige Updates.
- Meta-Tags: apple-mobile-web-app-capable, apple-mobile-web-app-status-bar-style:black-translucent, safe-area-inset.
- @media (display-mode: standalone): Kompakterer Header wenn als App geöffnet.
Status: Installierbar · Standalone-Modus funktioniert nach Neu-Installation.
UX
Interface-Feinschliff
Iterative Verbesserungen der Benutzeroberfläche basierend auf realem Smartphone-Feedback.
- Schriften deutlich größer: Body 18px → 21px → 24px. Alle CSS-rem-Werte systematisch hochskaliert. Optimiert für 65+ Nutzer. 😄
- Light-Mode Kontrast: --muted #777 → #555, --muted2 → #444. Alle Status-Farben im Light-Mode auf dunklere Varianten umgestellt (kein helles Gelb auf Weiß).
- Analyse-Modal: Label-Größe 0.81rem → 0.95rem, Wert-Größe 0.86rem → 1.2rem + bold. Icons vergrößert.
- 6 Status-Farben Light/Dark: Separate CSS-Variablen für beide Themes, alle Komponenten konsistent.
Erkenntnis: Schriftgröße ist kein Ästhetik-Problem, sondern ein Nutzbarkeits-Problem.
NEXT V2
Nächste Schritte (aktualisiert)
Prioritäten für die nächste Session:
- E2E-Test Groq-Analyse: Kompletten Flow testen – Fingerprints → ai-real.php → scenen.json → renderAll().
- Mehr Sessions sammeln: Mehrere Tage JSON für bessere Kalibrierung der Schwellenwerte.
- Puck.js bestellen: 4× Espruino Puck.js v2.1 für echte Accelerometer-Daten (Hände + Füße).
- Research Paper Outline: "Consumer BT + GPS as Passive Activity Classifier" – Methodik, Ergebnisse, externe Validierung.
- alpins.de Landing Page: AI-Real als Projekt-Seite im Sergy Alpin AI Lab.
Stand: 17. März 2026, 23:00 · AI-Real V5.1 · Sergy Alpin AI Lab