{"id":5842,"date":"2026-06-28T06:07:53","date_gmt":"2026-06-28T06:07:53","guid":{"rendered":"https:\/\/technodidact.de\/?p=5842"},"modified":"2026-06-28T06:07:53","modified_gmt":"2026-06-28T06:07:53","slug":"die-ki-dashcam-ein-technisches-und-rechtliches-deep-dive","status":"publish","type":"post","link":"https:\/\/technodidact.de\/en\/die-ki-dashcam-ein-technisches-und-rechtliches-deep-dive\/","title":{"rendered":"Die KI-Dashcam: Ein technisches und rechtliches Deep Dive"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\"><strong>Autor: DerSchneider<\/strong><\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">Einleitung<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Dashcams sind l\u00e4ngst Alltag auf deutschen Stra\u00dfen. Doch die meisten Ger\u00e4te sind \u201edumm\u201c \u2013 sie zeichnen auf, ohne zu verstehen, was sie sehen. Was aber, wenn die Kamera nicht nur dokumentiert, sondern auch interpretiert? Wenn sie Fu\u00dfg\u00e4nger erkennt, Kollisionen vorhersagt und nur dann speichert, wenn es wirklich relevant wird?<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Genau hier setzt ein ambitioniertes Projekt an: der Bau einer intelligenten Dashcam auf Basis zweier Google Coral Dev Boards mit integrierter KI-Bildverarbeitung. Dieses Deep Dive beleuchtet die technischen M\u00f6glichkeiten, die rechtlichen Rahmenbedingungen und die vielf\u00e4ltigen Einsatzszenarien eines solchen Systems \u2013 von der privaten Unfallbeweissicherung bis hin zum beh\u00f6rdlichen Einsatz an neuralgischen Punkten.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">Teil 1: Die Hardware \u2013 Zwei Boards, zwei Kameras, eine Mission<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Das Herzst\u00fcck: Google Coral Dev Board<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Das Google Coral Dev Board ist ein Einplatinencomputer, der speziell f\u00fcr maschinelles Lernen am Edge (Edge AI) konzipiert wurde. Sein Kernst\u00fcck ist der&nbsp;<strong>Edge TPU-Coprozessor<\/strong>, ein ASIC, der mit&nbsp;<strong>4 TOPS<\/strong>&nbsp;(Tera-Operationen pro Sekunde) bei lediglich&nbsp;<strong>2 Watt<\/strong>&nbsp;Leistungsaufnahme arbeitet. Zum Vergleich: Moderne Objekterkennungsmodelle lassen sich auf diesem Board mit&nbsp;<strong>\u00fcber 100 Bildern pro Sekunde<\/strong>&nbsp;ausf\u00fchren<a href=\"https:\/\/www.coral.withgoogle.com\/models\/object-detection\/\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die technischen Spezifikationen im \u00dcberblick:<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><th class=\"has-text-align-left\" data-align=\"left\">Komponente<\/th><th class=\"has-text-align-left\" data-align=\"left\">Dev Board (Standard)<\/th><th class=\"has-text-align-left\" data-align=\"left\">Dev Board Mini<\/th><\/tr><\/thead><tbody><tr><td>SoC<\/td><td>NXP&nbsp;<a href=\"https:\/\/i.mx\/\" target=\"_blank\" rel=\"noreferrer noopener\">i.MX<\/a>&nbsp;8M (Quad-Core Cortex-A53)<\/td><td>MediaTek MTK8167S (Quad-Core Cortex-A35)<\/td><\/tr><tr><td>ML-Beschleuniger<\/td><td>Google Edge TPU (4 TOPS)<\/td><td>Google Edge TPU (4 TOPS)<\/td><\/tr><tr><td>RAM<\/td><td>1 GB oder 4 GB LPDDR4<\/td><td>2 GB LPDDR3<\/td><\/tr><tr><td>Speicher<\/td><td>8 GB oder 16 GB eMMC<\/td><td>8 GB eMMC<\/td><\/tr><tr><td>Kamera-Interface<\/td><td>24-Pin FFC f\u00fcr MIPI-CSI2<\/td><td>MIPI-CSI2<\/td><\/tr><tr><td>Netzwerk<\/td><td>Gigabit Ethernet, Wi-Fi 5<\/td><td>Wi-Fi 5, Bluetooth 5.0<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Die Leistungsf\u00e4higkeit des Edge TPU ist beeindruckend: Objekterkennungsmodelle laufen in Echtzeit mit \u00fcber 100 Bildern pro Sekunde<a href=\"https:\/\/www.coral.withgoogle.com\/models\/object-detection\/\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>, Bildklassifizierungsmodelle sogar mit fast&nbsp;<strong>400 Bildern pro Sekunde<\/strong>.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Die Kamera: MIPI-CSI2 mit einer Einschr\u00e4nkung<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Die offizielle Coral Camera ist ein 5-Megapixel-Modul mit Omnivision OV5645-Sensor, Autofokus und einem Sichtfeld von 84 Grad. Angeschlossen wird sie \u00fcber den MIPI-CSI2-Anschluss des Dev Boards.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Hier zeigt sich die erste hardwaretechnische H\u00fcrde:<\/strong>&nbsp;Die Coral Dev Boards erlauben standardm\u00e4\u00dfig den Anschluss von&nbsp;<strong>nur einem<\/strong>&nbsp;Kameramodul. F\u00fcr das geplante Zwei-Kamera-Setup (vorne und hinten) bedeutet das:&nbsp;<strong>Zwei separate Dev Boards<\/strong>&nbsp;sind die einfachste L\u00f6sung.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Die Systemarchitektur im Detail<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">text<\/p>\n\n\n\n<pre class=\"wp-block-preformatted\">\u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510     \u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510\n\u2502   Coral Dev Board #1    \u2502     \u2502   Coral Dev Board #2    \u2502\n\u2502   (Frontkamera)         \u2502     \u2502   (Heckkamera)          \u2502\n\u2502                         \u2502     \u2502                         \u2502\n\u2502  \u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510  \u2502     \u2502  \u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510  \u2502\n\u2502  \u2502  MIPI-CSI2 Kamera \u2502  \u2502     \u2502  \u2502  MIPI-CSI2 Kamera \u2502  \u2502\n\u2502  \u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518  \u2502     \u2502  \u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518  \u2502\n\u2502  \u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510  \u2502     \u2502  \u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510  \u2502\n\u2502  \u2502  Edge TPU         \u2502  \u2502     \u2502  \u2502  Edge TPU         \u2502  \u2502\n\u2502  \u2502  (KI-Inferenz)    \u2502  \u2502     \u2502  \u2502  (KI-Inferenz)    \u2502  \u2502\n\u2502  \u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518  \u2502     \u2502  \u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518  \u2502\n\u2502  \u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510  \u2502     \u2502  \u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510  \u2502\n\u2502  \u2502  GPS (UART)       \u2502  \u2502     \u2502  \u2502  IMU (I2C)        \u2502  \u2502\n\u2502  \u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518  \u2502     \u2502  \u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518  \u2502\n\u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u252c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518     \u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u252c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518\n            \u2502                               \u2502\n            \u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u252c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518\n                            \u2502\n                            \u25bc\n            \u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510\n            \u2502          Mini-PC              \u2502\n            \u2502  \u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510  \u2502\n            \u2502  \u2502  Zentrale Steuerung     \u2502  \u2502\n            \u2502  \u2502  - Loop-Recording       \u2502  \u2502\n            \u2502  \u2502  - Datenbank (SQLite)   \u2502  \u2502\n            \u2502  \u2502  - Web-UI (Flask\/Dash)  \u2502  \u2502\n            \u2502  \u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518  \u2502\n            \u2502  \u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510  \u2502\n            \u2502  \u2502  Speicher               \u2502  \u2502\n            \u2502  \u2502  - SSD\/HDD             \u2502  \u2502\n            \u2502  \u2502  - NAS-Anbindung       \u2502  \u2502\n            \u2502  \u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518  \u2502\n            \u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518<\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Jedes Dev Board \u00fcbernimmt folgende Aufgaben:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Bildaufnahme<\/strong>\u00a0\u00fcber die MIPI-CSI2-Kamera<\/li>\n\n\n\n<li><strong>KI-Inferenz<\/strong>\u00a0(Objekterkennung, Segmentierung) auf dem Edge TPU<\/li>\n\n\n\n<li><strong>Telemetrieerfassung<\/strong>\u00a0(GPS \u00fcber UART, IMU \u00fcber I2C)<\/li>\n\n\n\n<li><strong>Daten\u00fcbertragung<\/strong>\u00a0an den Mini-PC (per Ethernet\/WLAN)<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Der Mini-PC wiederum:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Empf\u00e4ngt die Videostreams beider Boards<\/li>\n\n\n\n<li>Speichert die Aufnahmen im Loop-Recording-Modus<\/li>\n\n\n\n<li>F\u00fchrt bei Bedarf Nachbearbeitungen durch<\/li>\n\n\n\n<li>Stellt eine Benutzeroberfl\u00e4che f\u00fcr Konfiguration und Live-Ansicht bereit<\/li>\n<\/ul>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">Teil 2: Die Software \u2013 Code, Variationen und Implementierungsstrategien<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Grundger\u00fcst: Die offiziellen Coral-Beispiele<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Google stellt auf der offiziellen Coral-Website verschiedene trainierte Modelle bereit, die f\u00fcr den Edge TPU kompiliert wurden \u2013 darunter Modelle f\u00fcr Objekterkennung, Bildklassifizierung und semantische Segmentierung<a href=\"https:\/\/www.coral.withgoogle.com\/models\/object-detection\/\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Objekterkennungsmodelle im \u00dcberblick<a href=\"https:\/\/www.coral.withgoogle.com\/models\/object-detection\/\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>:<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><th class=\"has-text-align-left\" data-align=\"left\">Modell<\/th><th class=\"has-text-align-left\" data-align=\"left\">Eingangsgr\u00f6\u00dfe<\/th><th class=\"has-text-align-left\" data-align=\"left\">Latenz<\/th><th class=\"has-text-align-left\" data-align=\"left\">mAP<\/th><th class=\"has-text-align-left\" data-align=\"left\">Gr\u00f6\u00dfe<\/th><\/tr><\/thead><tbody><tr><td>SSD MobileNet V1<\/td><td>300\u00d7300<\/td><td>6,5 ms<\/td><td>21,5%<\/td><td>7,0 MB<\/td><\/tr><tr><td>SSD MobileNet V2<\/td><td>300\u00d7300<\/td><td>7,3 ms<\/td><td>25,6%<\/td><td>6,6 MB<\/td><\/tr><tr><td>SSDLite MobileDet<\/td><td>320\u00d7320<\/td><td>9,1 ms<\/td><td>32,9%<\/td><td>5,1 MB<\/td><\/tr><tr><td>EfficientDet-Lite0<\/td><td>320\u00d7320<\/td><td>37,4 ms<\/td><td>30,4%<\/td><td>5,7 MB<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Die Wahl des Modells beeinflusst ma\u00dfgeblich die Performance. F\u00fcr eine Dashcam, die Echtzeit-Objekterkennung bei 30 fps ben\u00f6tigt, sind die leichteren Modelle (SSD MobileNet V1\/V2) besser geeignet.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Die GStreamer-Pipeline<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Die leistungsf\u00e4higste Implementierung nutzt GStreamer f\u00fcr hardwarebeschleunigte Videoverarbeitung:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">python<\/p>\n\n\n\n<pre class=\"wp-block-preformatted\">import gi\ngi.require_version('Gst', '1.0')\nfrom gi.repository import Gst, GLib\nimport numpy as np\nimport cv2\n\n<em># GStreamer-Pipeline f\u00fcr Coral-Kamera mit Edge TPU<\/em>\npipeline_str = \"\"\"\n    v4l2src device=\/dev\/video0 ! \n    video\/x-raw,width=640,height=480,framerate=30\/1 ! \n    videoconvert ! \n    video\/x-raw,format=RGB ! \n    tee name=t\n    t. ! queue ! \n    tensor_filter framework=tensorflow-lite model=ssd_mobilenet_v2_coco_quant_postprocess_edgetpu.tflite ! \n    tensor_transform mode=arithmetic option=typecast:float32,add:-127,div:127 ! \n    tensor_sink name=inference\n    t. ! queue ! \n    videoconvert ! \n    autovideosink\n\"\"\"\n\n<em># Pipeline initialisieren<\/em>\nGst.init(None)\npipeline = Gst.parse_launch(pipeline_str)\npipeline.set_state(Gst.State.PLAYING)<\/pre>\n\n\n\n<h3 class=\"wp-block-heading\">Die PyCoral-API f\u00fcr Objekterkennung<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">F\u00fcr eine flexiblere Steuerung bietet sich die offizielle&nbsp;<code>pycoral<\/code>-Bibliothek an. Das Repository&nbsp;<code>bastiankrohg\/detection<\/code>&nbsp;auf GitHub zeigt eine vollst\u00e4ndige Implementierung<a href=\"https:\/\/github.com\/bastiankrohg\/detection\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">python<\/p>\n\n\n\n<pre class=\"wp-block-preformatted\">import cv2\nfrom pycoral.adapters import common, detect\nfrom pycoral.utils import edgetpu\nfrom pycoral.utils.dataset import read_label_file\n\nclass CoralObjectDetector:\n    def __init__(self, model_path, label_path):\n        <em># Edge TPU-interpreter initialisieren<\/em>\n        self.interpreter = edgetpu.make_interpreter(model_path)\n        self.interpreter.allocate_tensors()\n        self.labels = read_label_file(label_path)\n        \n    def detect(self, frame, threshold=0.5):\n        <em># Bild f\u00fcr das Modell vorbereiten<\/em>\n        rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)\n        common.set_input(self.interpreter, rgb)\n        \n        <em># Inferenz ausf\u00fchren<\/em>\n        self.interpreter.invoke()\n        \n        <em># Ergebnisse extrahieren<\/em>\n        objs = detect.get_objects(self.interpreter, threshold)\n        return objs\n    \n    def draw_boxes(self, frame, objs):\n        for obj in objs:\n            bbox = obj.bbox\n            label = self.labels.get(obj.id, obj.id)\n            cv2.rectangle(frame, (bbox.xmin, bbox.ymin), \n                          (bbox.xmax, bbox.ymax), (0, 255, 0), 2)\n            cv2.putText(frame, f\"{label}: {obj.score:.2f}\", \n                        (bbox.xmin, bbox.ymin - 10),\n                        cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)\n        return frame<\/pre>\n\n\n\n<h3 class=\"wp-block-heading\">Loop-Recording mit KI-Trigger<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Die zentrale Funktion einer Dashcam ist das Loop-Recording mit ereignisbasierter Speicherung:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">python<\/p>\n\n\n\n<pre class=\"wp-block-preformatted\">from collections import deque\nimport time\nimport threading\nimport cv2\n\nclass DashcamLoop:\n    def __init__(self, buffer_seconds=15, fps=30):\n        self.buffer_size = buffer_seconds * fps\n        self.buffer = deque(maxlen=self.buffer_size)\n        self.detector = CoralObjectDetector(\"model.tflite\", \"labels.txt\")\n        self.recording = False\n        self.event_triggered = False\n        self.lock = threading.Lock()\n        \n    def process_frame(self, frame):\n        <em># KI-Inferenz durchf\u00fchren<\/em>\n        objs = self.detector.detect(frame, threshold=0.4)\n        \n        <em># Kollisionsgefahr erkennen (z.B. Fu\u00dfg\u00e4nger im Nahbereich)<\/em>\n        collision_risk = self.assess_collision_risk(objs)\n        \n        <em># Trigger-Bedingungen pr\u00fcfen<\/em>\n        if collision_risk &gt; 0.7 or self.is_manual_trigger() or self.is_impact_detected():\n            self.event_triggered = True\n            self.recording = True\n            self.save_buffer()\n            \n        <em># Buffer aktualisieren (mit Annotationen)<\/em>\n        annotated = self.detector.draw_boxes(frame, objs)\n        with self.lock:\n            self.buffer.append((annotated, time.time()))\n            \n        return annotated\n    \n    def assess_collision_risk(self, objs):\n        \"\"\"Berechnet Kollisionswahrscheinlichkeit basierend auf Objektpositionen\"\"\"\n        risk = 0.0\n        for obj in objs:\n            <em># Je nach Objekttyp und Position im Bild<\/em>\n            if obj.id in [0, 1]:  <em># Person, Fahrrad<\/em>\n                <em># Wenn Objekt in der unteren Bildh\u00e4lfte und zentriert<\/em>\n                if obj.bbox.ymin &gt; 0.6 and 0.3 &lt; obj.bbox.xmin &lt; 0.7:\n                    risk = max(risk, 0.8)\n        return risk\n    \n    def save_buffer(self):\n        \"\"\"Speichert den aktuellen Puffer dauerhaft\"\"\"\n        timestamp = time.strftime(\"%Y%m%d_%H%M%S\")\n        filename = f\"event_{timestamp}.mp4\"\n        <em># Hier: VideoWriter f\u00fcr dauerhafte Speicherung<\/em>\n        <em># ...<\/em><\/pre>\n\n\n\n<h3 class=\"wp-block-heading\">Zwei-Stream-Synchronisation<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Bei zwei separaten Dev Boards ist die Synchronisation der Videostreams eine Herausforderung:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">python<\/p>\n\n\n\n<pre class=\"wp-block-preformatted\">import time\nimport cv2\n\ndef annotate_frame(frame, board_id, gps_data=None):\n    \"\"\"F\u00fcgt Zeitstempel und Telemetrie in das Bild ein\"\"\"\n    timestamp = time.time_ns()  <em># Nanosekunden-Genauigkeit<\/em>\n    cv2.putText(frame, f\"Board {board_id} - {timestamp}\", \n                (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255,255,255), 2)\n    \n    if gps_data:\n        cv2.putText(frame, f\"GPS: {gps_data['lat']:.6f}, {gps_data['lon']:.6f}\", \n                    (10, 60), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255,255,255), 1)\n        cv2.putText(frame, f\"Speed: {gps_data['speed']:.1f} km\/h\", \n                    (10, 80), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255,255,255), 1)\n    \n    return frame, timestamp<\/pre>\n\n\n\n<h3 class=\"wp-block-heading\">Telemetrie-Einbindung<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>GPS (\u00fcber UART):<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">python<\/p>\n\n\n\n<pre class=\"wp-block-preformatted\">import serial\nimport pynmea2\n\nclass GPSModule:\n    def __init__(self, port='\/dev\/ttyS0', baudrate=9600):\n        self.ser = serial.Serial(port, baudrate, timeout=1)\n        \n    def read(self):\n        line = self.ser.readline().decode('ascii', errors='ignore')\n        if line.startswith('$GPGGA'):\n            try:\n                msg = pynmea2.parse(line)\n                return {\n                    'lat': msg.latitude,\n                    'lon': msg.longitude,\n                    'altitude': msg.altitude,\n                    'timestamp': msg.timestamp\n                }\n            except:\n                return None\n        return None<\/pre>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>IMU (\u00fcber I2C):<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">python<\/p>\n\n\n\n<pre class=\"wp-block-preformatted\">import smbus\nimport math\n\nclass IMUModule:\n    def __init__(self, address=0x68):\n        self.bus = smbus.SMBus(1)\n        self.address = address\n        <em># MPU6050 initialisieren<\/em>\n        self.bus.write_byte_data(address, 0x6B, 0)\n        \n    def read_accel(self):\n        \"\"\"Liest Beschleunigungsdaten (f\u00fcr Kollisionserkennung)\"\"\"\n        data = self.bus.read_i2c_block_data(self.address, 0x3B, 6)\n        ax = self._combine(data[0], data[1])\n        ay = self._combine(data[2], data[3])\n        az = self._combine(data[4], data[5])\n        return {'x': ax, 'y': ay, 'z': az}\n    \n    def _combine(self, high, low):\n        value = (high &lt;&lt; 8) | low\n        if value &gt;= 0x8000:\n            value = -((65535 - value) + 1)\n        return value \/ 16384.0  <em># Skalierungsfaktor f\u00fcr \u00b12g<\/em><\/pre>\n\n\n\n<h3 class=\"wp-block-heading\">Frigate-Integration: Die Open-Source-Alternative<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Frigate<\/strong>&nbsp;ist ein Open-Source-Network-Video-Recorder (NVR), der lokale KI-Objekterkennung mit NVR-Funktionalit\u00e4t kombiniert<a href=\"https:\/\/alkly.de\/frigate-home-assistant\/#respond\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>. Es erkennt Personen, Autos, Hunde, Katzen und mehr \u2013 alles ohne Cloud<a href=\"https:\/\/alkly.de\/frigate-home-assistant\/#respond\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Integration des Coral Edge TPU in Frigate ist dokumentiert und erm\u00f6glicht die Verarbeitung mehrerer Kameras mit einem einzigen Coral:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">yaml<\/p>\n\n\n\n<pre class=\"wp-block-preformatted\"><em># Frigate Konfiguration f\u00fcr Coral Edge TPU<\/em>\ndetectors:\n  coral:\n    type: edgetpu\n    device: usb\n\ncameras:\n  front:\n    ffmpeg:\n      inputs:\n        - path: rtsp:\/\/192.168.1.100:8554\/front\n          roles:\n            - detect\n            - record\n    detect:\n      width: 640\n      height: 480\n      fps: 5\n    objects:\n      track:\n        - person\n        - car\n        - bicycle<\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Frigate trennt dabei den&nbsp;<strong>Detect-Stream<\/strong>&nbsp;(niedrige Aufl\u00f6sung f\u00fcr effiziente KI) vom&nbsp;<strong>Record-Stream<\/strong>&nbsp;(hohe Aufl\u00f6sung f\u00fcr dauerhafte Speicherung)<a href=\"https:\/\/alkly.de\/frigate-home-assistant\/#respond\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>&nbsp;\u2013 ein Konzept, das auch f\u00fcr die hier beschriebene Dashcam-Architektur sinnvoll ist.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">Teil 3: Die rechtliche Dimension \u2013 Zwischen Datenschutz und Beweissicherung<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Die aktuelle Rechtslage<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Die Rechtslage rund um Dashcams in Deutschland ist differenziert.&nbsp;<strong>Das dauerhafte und anlasslose Filmen im Stra\u00dfenverkehr ist unzul\u00e4ssig<\/strong><a href=\"https:\/\/www.auto-motor-und-sport.de\/verkehr\/dashcam-aufnahmen-fuer-tiktok-youtube-und-co-das-ist-erlaubt-und-das-nicht\/#JS\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>. Wer permanent aufzeichnet, erfasst automatisch personenbezogene Daten wie Kennzeichen, Gesichter oder Hausfassaden \u2013 und das ist datenschutzrechtlich nicht erlaubt<a href=\"https:\/\/www.auto-motor-und-sport.de\/verkehr\/dashcam-aufnahmen-fuer-tiktok-youtube-und-co-das-ist-erlaubt-und-das-nicht\/#JS\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Die entscheidende Nuance:<\/strong>&nbsp;Der Bundesgerichtshof hat bereits 2018 entschieden, dass&nbsp;<strong>anlassloses Dauerfilmen gegen Datenschutzgrunds\u00e4tze verst\u00f6\u00dft, aber daraus folgt kein generelles Beweisverwertungsverbot<\/strong><a href=\"https:\/\/www.auto-motor-und-sport.de\/verkehr\/rechtstipp-dashcam-videos-vor-gericht-sind-dashcam-videos-vor-gericht-verboten\/#JS\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>. Ein Gericht darf also Aufnahmen verwenden, selbst wenn sie datenschutzwidrig entstanden sind<a href=\"https:\/\/www.auto-motor-und-sport.de\/verkehr\/rechtstipp-dashcam-videos-vor-gericht-sind-dashcam-videos-vor-gericht-verboten\/#JS\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die zentrale Frage ist, ob die Aufnahme im konkreten Verfahren eingesetzt werden darf. Die Entscheidung liegt beim Richter, der zwischen dem Informationsinteresse an einem funktionierenden Zivilprozess und dem Schutz der Pers\u00f6nlichkeitsrechte abw\u00e4gen muss<a href=\"https:\/\/www.auto-motor-und-sport.de\/verkehr\/rechtstipp-dashcam-videos-vor-gericht-sind-dashcam-videos-vor-gericht-verboten\/#JS\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Die Grauzone des Dauerfilmes<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Technisch arbeiten moderne Dashcams mit&nbsp;<strong>kurzen Schleifen, die sich fortlaufend \u00fcberschreiben<\/strong>. Nur bei starken Ersch\u00fctterungen oder manueller Aktivierung wird eine Sequenz dauerhaft gespeichert<a href=\"https:\/\/www.auto-motor-und-sport.de\/verkehr\/rechtstipp-dashcam-videos-vor-gericht-sind-dashcam-videos-vor-gericht-verboten\/#JS\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>. Damit erf\u00fcllen viele Ger\u00e4te das Kriterium der&nbsp;<strong>anlassbezogenen Aufnahme<\/strong><a href=\"https:\/\/www.auto-motor-und-sport.de\/verkehr\/rechtstipp-dashcam-videos-vor-gericht-sind-dashcam-videos-vor-gericht-verboten\/#JS\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dennoch bleibt eine rechtliche Grauzone bestehen, insbesondere wenn Nutzer die Daueraufnahme aktivieren oder wenn Fahrzeuge mit &#8222;W\u00e4chtermodus&#8220; im \u00f6ffentlichen Raum kontinuierlich filmen<a href=\"https:\/\/www.auto-motor-und-sport.de\/verkehr\/rechtstipp-dashcam-videos-vor-gericht-sind-dashcam-videos-vor-gericht-verboten\/#JS\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Die Ver\u00f6ffentlichung von Dashcam-Videos<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Sobald fremde Personen, Fahrzeuge oder Orte erkennbar sind, drohen Abmahnungen und Bu\u00dfgelder<\/strong><a href=\"https:\/\/www.auto-motor-und-sport.de\/verkehr\/dashcam-aufnahmen-fuer-tiktok-youtube-und-co-das-ist-erlaubt-und-das-nicht\/#JS\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>. Das Hochladen solcher Clips ist in der Regel nicht erlaubt, weil dadurch die Pers\u00f6nlichkeitsrechte Dritter verletzt werden<a href=\"https:\/\/www.auto-motor-und-sport.de\/verkehr\/dashcam-aufnahmen-fuer-tiktok-youtube-und-co-das-ist-erlaubt-und-das-nicht\/#JS\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Wer dennoch ein Dashcam-Video teilen m\u00f6chte, muss s\u00e4mtliche identifizierbaren Merkmale unkenntlich machen \u2013 Gesichter, Kennzeichen, Hausnummern oder markante Orte<a href=\"https:\/\/www.auto-motor-und-sport.de\/verkehr\/dashcam-aufnahmen-fuer-tiktok-youtube-und-co-das-ist-erlaubt-und-das-nicht\/#JS\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>. Erst wenn niemand mehr erkennbar ist, kann ein Upload rechtlich unbedenklich sein<a href=\"https:\/\/www.auto-motor-und-sport.de\/verkehr\/dashcam-aufnahmen-fuer-tiktok-youtube-und-co-das-ist-erlaubt-und-das-nicht\/#JS\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a>.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Implikationen f\u00fcr das KI-Dashcam-Projekt<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">F\u00fcr das hier beschriebene Projekt ergeben sich daraus klare Anforderungen:<\/p>\n\n\n\n<ol start=\"1\" class=\"wp-block-list\">\n<li><strong>Keine permanente Speicherung<\/strong>: Das System darf nicht dauerhaft speichern, sondern nur in einem ringf\u00f6rmigen Puffer vorhalten.<\/li>\n\n\n\n<li><strong>KI als intelligenter Trigger<\/strong>: Die KI-gest\u00fctzte Erkennung von Kollisionssituationen kann als intelligenter Trigger dienen \u2013 sie ersetzt den einfachen Ersch\u00fctterungssensor durch ein komplexeres, situationsbewussteres Ausl\u00f6sesystem.<\/li>\n\n\n\n<li><strong>Minimierte Datenspeicherung<\/strong>: Neben der Videosequenz sollten nur die unbedingt erforderlichen Telemetriedaten (GPS, Geschwindigkeit, Zeitstempel) gespeichert werden.<\/li>\n\n\n\n<li><strong>Transparenz<\/strong>: Der Fahrer muss wissen, wann das System aufzeichnet und welche Daten gespeichert werden. Eine optische Anzeige (LED) w\u00e4hrend der Aufzeichnung ist empfehlenswert.<\/li>\n<\/ol>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">Teil 4: Kennzeichenerkennung \u2013 Technische Machbarkeit und rechtliche Grenzen<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Die technische Umsetzung<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Die automatische Kennzeichenerkennung (ANPR) ist auf dem Coral Dev Board technisch machbar. Die Edge TPU kann mit trainierten OCR-Modellen Kennzeichen in Echtzeit erfassen:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">python<\/p>\n\n\n\n<pre class=\"wp-block-preformatted\">import cv2\nimport pytesseract\nfrom pycoral.adapters import common\nfrom pycoral.utils import edgetpu\n\nclass ANPRSystem:\n    def __init__(self, plate_detector_model, ocr_model=None):\n        self.plate_detector = edgetpu.make_interpreter(plate_detector_model)\n        self.plate_detector.allocate_tensors()\n        self.ocr = ocr_model or pytesseract\n        \n    def detect_plates(self, frame):\n        \"\"\"Erkennt Kennzeichenregionen im Bild\"\"\"\n        <em># Plattenerkennung mit Edge TPU<\/em>\n        common.set_input(self.plate_detector, frame)\n        self.plate_detector.invoke()\n        <em># Bounding Boxes extrahieren<\/em>\n        return self.extract_boxes()\n    \n    def recognize_plate(self, roi):\n        \"\"\"Erkennt den Text auf einem Kennzeichen\"\"\"\n        <em># Vorverarbeitung: Graustufen, Kontrast, Sch\u00e4rfung<\/em>\n        gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)\n        processed = self.preprocess(gray)\n        <em># OCR mit Tesseract<\/em>\n        text = pytesseract.image_to_string(processed, \n                                           config='--psm 8 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789')\n        return text.strip()\n    \n    def process_frame(self, frame, gps_data, whitelist=None):\n        plates = self.detect_plates(frame)\n        results = []\n        for plate_roi in plates:\n            text = self.recognize_plate(plate_roi)\n            if whitelist and text in whitelist:\n                <em># Treffer in Fahndungsliste<\/em>\n                self.save_hit(text, gps_data, time.time())\n                results.append({'plate': text, 'hit': True})\n            elif not whitelist:\n                <em># Aufzeichnungsmodus (rechtlich problematisch!)<\/em>\n                self.save_all(text, gps_data, time.time())\n                results.append({'plate': text, 'hit': False})\n        return results<\/pre>\n\n\n\n<h3 class=\"wp-block-heading\">Der rechtliche Rahmen<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Die Rechtslage zur automatischen Kennzeichenerfassung ist eindeutig:&nbsp;<strong>Eine massenhafte automatisierte Aufzeichnung von Kfz-Kennzeichen f\u00fcr Strafverfolgungszwecke ist unzul\u00e4ssig<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Konferenz der unabh\u00e4ngigen Datenschutzaufsichtsbeh\u00f6rden des Bundes und der L\u00e4nder (DSK) unterscheidet zwischen zwei Betriebsmodi:<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><th class=\"has-text-align-left\" data-align=\"left\">Betriebsmodus<\/th><th class=\"has-text-align-left\" data-align=\"left\">Beschreibung<\/th><th class=\"has-text-align-left\" data-align=\"left\">Rechtliche Bewertung<\/th><\/tr><\/thead><tbody><tr><td><strong>Fahndungsmodus<\/strong><\/td><td>Abgleich erfasster Kennzeichen mit einer Fahndungsliste; Nicht-Treffer werden sofort gel\u00f6scht<\/td><td>Zul\u00e4ssig (auf Basis der Landespolizeigesetze)<\/td><\/tr><tr><td><strong>Aufzeichnungsmodus<\/strong><\/td><td>Speicherung&nbsp;<strong>aller<\/strong>&nbsp;erfassten Kennzeichen mit Datum, Uhrzeit, Ort und Fahrtrichtung<\/td><td><strong>Unzul\u00e4ssig<\/strong>&nbsp;(Versto\u00df gegen informationelle Selbstbestimmung)<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Die DSK stellte klar, dass selbst f\u00fcr Strafverfolgungsma\u00dfnahmen eine umfassende Erfassung aller Verkehrsteilnehmer nicht zu rechtfertigen ist. Eine Ausweitung des Betroffenenkreises in dieser Gr\u00f6\u00dfenordnung sei durch keinerlei Tatsachen begr\u00fcndbar.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Der Sonderfall Beh\u00f6rdenfahrzeuge<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Die Diskussion um Dashcams in Polizeifahrzeugen gewinnt zunehmend an Dynamik. Das Unabh\u00e4ngige Landeszentrum f\u00fcr Datenschutz Schleswig-Holstein berichtet, dass die Anschaffung von Dashcams f\u00fcr Streifenwagen gepr\u00fcft werden soll. Zudem wird die Beschaffung der notwendigen Technik f\u00fcr die automatische Kennzeichenerkennung zur Verfolgung von Straftaten vorangetrieben.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In Sachsen-Anhalt sollen k\u00fcnftig Kennzeichen von Autos automatisch \u00fcberwacht werden, und auch Sachsens neues Polizeigesetz sieht die verdeckte automatisierte Kennzeichenerkennung vor.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Implikationen f\u00fcr das Projekt<\/h3>\n\n\n\n<ol start=\"1\" class=\"wp-block-list\">\n<li><strong>Kein Aufzeichnungsmodus<\/strong>: Die systematische Speicherung aller erfassten Kennzeichen mit Standort ist rechtlich unzul\u00e4ssig.<\/li>\n\n\n\n<li><strong>Fahndungsmodus als Ausnahme<\/strong>: Ein reiner Abgleich mit einer Fahndungsliste \u2013 ohne dauerhafte Speicherung von Nicht-Treffern \u2013 w\u00e4re rechtlich tragbar, setzt jedoch eine entsprechende beh\u00f6rdliche Berechtigung voraus.<\/li>\n\n\n\n<li><strong>Anlassbezogene Speicherung<\/strong>: Wie bei der Dashcam-Aufzeichnung gilt auch hier: Nur bei einem konkreten Anlass (Unfall, Gefahrensituation) d\u00fcrfen Kennzeichen und Standort gespeichert werden.<\/li>\n\n\n\n<li><strong>Keine private Nutzung<\/strong>: Privatpersonen ist die systematische Kennzeichenerfassung und -speicherung im \u00f6ffentlichen Raum grunds\u00e4tzlich untersagt.<\/li>\n<\/ol>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">Teil 5: Einsatzszenarien und Zukunftsperspektiven<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Szenario 1: Private Unfallbeweissicherung<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Das klassische Einsatzszenario: Zwei Kameras (vorne\/hinten) zeichnen im Loop-Modus auf. Bei einem Unfall oder einer kritischen Situation wird die Sequenz dauerhaft gespeichert \u2013 inklusive GPS-Daten, Geschwindigkeit und KI-annotierter Objekterkennung.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Vorteile gegen\u00fcber herk\u00f6mmlichen Dashcams:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>KI-gest\u00fctzte Kollisionserkennung statt einfacher Ersch\u00fctterungssensoren<\/li>\n\n\n\n<li>Automatische Annotation von Verkehrsteilnehmern<\/li>\n\n\n\n<li>Pr\u00e4zise Telemetriedaten f\u00fcr die Unfallrekonstruktion<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Szenario 2: Beh\u00f6rdlicher Einsatz (Fahndungsmodus)<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Polizeifahrzeuge k\u00f6nnten mit dem System ausgestattet werden, um Kennzeichen automatisch mit Fahndungslisten abzugleichen. Bei einem Treffer wird das Fahrzeug mit Standort und Zeitstempel protokolliert \u2013 ohne dass alle anderen Kennzeichen gespeichert werden.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Technische Anforderungen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Verschl\u00fcsselte Kommunikation mit der Fahndungsdatenbank<\/li>\n\n\n\n<li>Automatische L\u00f6schung von Nicht-Treffern<\/li>\n\n\n\n<li>Integrit\u00e4tsschutz der gespeicherten Daten (Beweissicherung)<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Szenario 3: \u00dcberwachung neuralgischer Punkte<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">An neuralgischen Punkten \u2013 etwa an Grenz\u00fcberg\u00e4ngen, Autobahnrastst\u00e4tten oder in der N\u00e4he von Gefahrengebieten \u2013 k\u00f6nnten station\u00e4re Systeme mit Coral-Technologie eingesetzt werden. Auch hier gilt: Nur der Fahndungsmodus ist rechtlich zul\u00e4ssig, nicht die Massenspeicherung.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Szenario 4: Flottenmanagement<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Speditionen und Logistikunternehmen k\u00f6nnten das System nutzen, um das Fahrverhalten ihrer Fahrer zu analysieren, Unf\u00e4lle zu rekonstruieren und die Sicherheit zu verbessern \u2013 immer unter der Ma\u00dfgabe, dass die Aufzeichnung anlassbezogen erfolgt.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Szenario 5: Smart City-Integration<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">In Zukunft k\u00f6nnten solche Systeme mit st\u00e4dtischer Infrastruktur kommunizieren: Verkehrsflussanalyse, Ampelphasenoptimierung, automatische Meldung von Gefahrenstellen. Die technischen Voraussetzungen sind gegeben \u2013 die rechtlichen und gesellschaftlichen Fragen bleiben.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Zukunftsperspektiven<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Die technische Entwicklung schreitet unaufhaltsam voran. Die geplante Einf\u00fchrung eines gemeinsamen Datenhauses der Polizei (Programm P20), in dem alle Daten der L\u00e4nder- und Bundespolizeien gespeichert werden sollen, zeigt, wohin die Reise gehen k\u00f6nnte.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Gleichzeitig wird die Diskussion um den Einsatz von KI bei der Polizei durch das Bundesverfassungsgericht weiter begleitet. Die Entscheidung, ob und in welchem Umfang KI-gest\u00fctzte Kennzeichenerfassungssysteme im \u00f6ffentlichen Raum eingesetzt werden d\u00fcrfen, wird letztlich eine gesellschaftliche und rechtliche sein \u2013 keine technische.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">Fazit<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Die KI-Dashcam auf Basis zweier Google Coral Dev Boards ist ein faszinierendes Projekt, das an der Schnittstelle von Elektrotechnik, Informatik und Rechtswissenschaft angesiedelt ist. Technisch ist die Umsetzung machbar \u2013 die Edge TPU bietet gen\u00fcgend Leistung f\u00fcr Echtzeit-Objekterkennung, und die Kommunikation zwischen den Boards und einem zentralen Mini-PC ist mit heutigen Netzwerktechnologien problemlos realisierbar.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die rechtliche Dimension bleibt jedoch eine Herausforderung. Die aktuelle Rechtsprechung \u00f6ffnet zwar die T\u00fcr f\u00fcr die Verwertung von Dashcam-Aufnahmen als Beweismittel, aber die permanente Aufzeichnung ohne Anlass bleibt unzul\u00e4ssig. Die KI-gest\u00fctzte, ereignisbasierte Aufzeichnung k\u00f6nnte hier einen Ausweg bieten: Sie speichert nur dann, wenn die KI eine kritische Situation erkennt \u2013 und ersetzt damit den simplen Ersch\u00fctterungssensor durch ein intelligenteres, situationsbewussteres System.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Kennzeichenerkennung ist technisch trivial, aber rechtlich h\u00f6chst sensibel. Der Fahndungsmodus ist zul\u00e4ssig, der Aufzeichnungsmodus nicht. Wer ein solches System baut, muss diese Grenzen kennen und respektieren.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Zukunft wird zeigen, ob solche KI-gest\u00fctzten Systeme den Weg in den Massenmarkt finden. Die technischen Voraussetzungen sind gegeben, die rechtlichen Rahmenbedingungen entwickeln sich, und das Bewusstsein f\u00fcr die Vorteile intelligenter Fahrerassistenz w\u00e4chst. Vielleicht sehen wir schon bald nicht mehr nur Dashcams, die filmen \u2013 sondern Dashcams, die&nbsp;<strong>denken<\/strong>.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">Quellen<\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Google Coral: Dev Board Spezifikationen<\/li>\n\n\n\n<li>Google Coral: Dev Board Mini Produktseite<\/li>\n\n\n\n<li>Google Coral: Models \u2013 Object Detection<a href=\"https:\/\/www.coral.withgoogle.com\/models\/object-detection\/\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a><\/li>\n\n\n\n<li>Google Coral: Models \u2013 Image Classification<\/li>\n\n\n\n<li>GitHub: bastiankrohg\/detection \u2013 Object Detection mit Coral Edge TPU<a href=\"https:\/\/github.com\/bastiankrohg\/detection\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a><\/li>\n\n\n\n<li>Auto Motor und Sport: &#8222;Dashcam-Aufnahmen f\u00fcr TikTok, Youtube und Co.: Das ist erlaubt, und DAS nicht&#8220;, 28.12.2025<a href=\"https:\/\/www.auto-motor-und-sport.de\/verkehr\/dashcam-aufnahmen-fuer-tiktok-youtube-und-co-das-ist-erlaubt-und-das-nicht\/#JS\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a><\/li>\n\n\n\n<li>Auto Motor und Sport: &#8222;Rechtstipp Dashcam-Videos vor Gericht&#8220;, 30.12.2025<a href=\"https:\/\/www.auto-motor-und-sport.de\/verkehr\/rechtstipp-dashcam-videos-vor-gericht-sind-dashcam-videos-vor-gericht-verboten\/#JS\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a><\/li>\n\n\n\n<li>Bundesgerichtshof, Urteil vom 15.05.2018, Az.: VI ZR 233\/17<\/li>\n\n\n\n<li>DSK: Entschlie\u00dfung zur automatischen Kennzeichenerkennung<\/li>\n\n\n\n<li>Frigate: Open-Source-NVR mit Coral-Integration<a href=\"https:\/\/alkly.de\/frigate-home-assistant\/#respond\" target=\"_blank\" rel=\"noreferrer noopener\"><\/a><\/li>\n\n\n\n<li>MDR: &#8222;Das sind die Eckpunkte f\u00fcr Sachsens neues Polizeigesetz&#8220;, 02.10.2025<\/li>\n\n\n\n<li>MDR: &#8222;Neues Polizeigesetz: Sachsen-Anhalt will automatische Kennzeichenerfassung einf\u00fchren&#8220;, 15.01.2025<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"<p>Autor: DerSchneider Einleitung Dashcams sind l\u00e4ngst Alltag auf deutschen Stra\u00dfen. Doch die meisten Ger\u00e4te sind \u201edumm\u201c \u2013 sie zeichnen auf, ohne zu verstehen, was sie sehen. Was aber, wenn die Kamera nicht nur dokumentiert, sondern auch interpretiert? Wenn sie Fu\u00dfg\u00e4nger erkennt, Kollisionen vorhersagt und nur dann speichert, wenn es wirklich relevant wird? Genau hier setzt [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[40,45,18,26],"tags":[8167,8166,8163,1424,8172,1893,8169,8170,2842,8165,8164,8168,8171,705],"class_list":["post-5842","post","type-post","status-publish","format-standard","hentry","category-denkwerkzeuge","category-hardware-im-test","category-im-kopf-methoden-werkzeuge","category-mit-den-handen","tag-anpr","tag-beweissicherung","tag-dashcam","tag-datenschutz","tag-echtzeit-videoanalyse","tag-edge-tpu","tag-fahrerassistenzsystem","tag-frigate","tag-google-coral","tag-kennzeichenerkennung","tag-ki-objekterkennung","tag-loop-recording","tag-polizei","tag-uberwachung"],"_links":{"self":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/posts\/5842","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/comments?post=5842"}],"version-history":[{"count":1,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/posts\/5842\/revisions"}],"predecessor-version":[{"id":5843,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/posts\/5842\/revisions\/5843"}],"wp:attachment":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/media?parent=5842"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/categories?post=5842"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/tags?post=5842"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}