🧭 3dxAgent — Autonomes 3D-Kartierungs- & Lageerkennungssystem

Provenienz: Eigenständige Weiterführung (Rebrand) des Projekts dingeldangbang/88P3dKart.-Art — Stand commit 17e175c1 (PRs #1–#20).

Version: 1.0.0 · Zielplattform: Honeywell CT45P + Multi-Sensor Edge-Netzwerk + Bluetooth-Zubehör Ökosystem

Die 3dxAgent-Plattform nutzt das Industrie-Smartphone Honeywell CT45P als mobilen Bedien-, Enrollment- und Autorisierungsmaster. In der empfohlenen Zielarchitektur normalisiert und fusioniert ein robustes Linux-Gateway die Daten externer LiDAR-, mmWave-, UWB- und BLE-Sensoren; der CT45P visualisiert den revisionierten Zustand und sendet signierte Benutzerintentionen. Präzisions- oder Wanddurchdringungsfunktionen sind keine zugesicherten CT45P-Eigenschaften, sondern benötigen geeignete externe Infrastruktur, Kalibrierung und bestandene Feldtests.

Die v2.0.0-DataPipeline enthält einen prototypischen Sensor-/Netzwerkdaten-Evaluierungspfad:

Sensor-/Netzwerkdaten → Analyse → Mesh → 3D-Umgebung → bewertete Abbildung → Evaluierungsagent

Die Erweiterungen v3.x–v4.4.0 enthalten außerdem Prototypen für:

• Offline-Verarbeitung — experimentelle DFT für extern gelieferte UWB-Rohdaten, ICP/Kabsch, Madgwick-IMU, Multilateration und einen einfachen lokalen REST/WebSocket-Server im Kotlin-Package offline/
• Smart Mesh Integrator — adaptiver Octree, semantische Klassifikation (Person/Gegenstand/Wand/Boden), Bewegungsdetektion
• Client-Regelwerk — Grundmodelle für Token, Relay, Sensor, Gateway und Wearable; produktive Enrollment-, Authentisierungs- und Health-Verträge sind noch umzusetzen

Projekt Aura (docs/AURA.md) erweitert die Plattform um die Erfassung und 3D-Visualisierung der elektromagnetischen Umgebung:

• SDR-Tunnel — WireGuard-Blueprint (MTU 1420) + UDP-IQ-Datagramme (12-Byte-Header, 704 IQ-Paare/Paket, DROP_OLDEST-Pufferung)
• Radio-Tomographie (RTI) — Voxel-Rekonstruktion per Tikhonov/Backprojection (Kotlin aura/-Paket + Python-Port edge-agent/rti_solver.py), Cross-Korrelation (FFT) für Laufzeit/Multipath
• Gatekeeper — RF-Bandklassifikation 433/868 MHz, Anomalie-Alerts, Port-Scan-/DNS-Heuristik
• Smart Tags — Live-Geschwindigkeit aus BLE/UWB-Positionsänderungen
• Integration — Aura-Kanäle in LiveSensorPipeline, REST-Endpunkte /api/v1/aura/*, RF-Voxel-/Heatmap-Layer im Web-Visualizer

WiFi-/BLE-Triangulation (docs/TRIANGULATION.md) nutzt die CT45P-Hardwarefähigkeiten (Wi-Fi 6/802.11mc RTT, dual-BLE) für die Positionsbestimmung:

• Wi-Fi RTT (802.11mc) — WifiRttManager-Wrapper mit Feature-Checks (1–2 m Zielgenauigkeit)
• BLE-RSSI-Triangulation — dedizierter Scan-Kanal (BleRadioBackend), Path-Loss-Kalibrierung, EMA-Glättung
• Fingerprinting — gewichtetes k-NN über eingemessene RSSI-Vektoren
• Sensorfusion — Frische-Prüfung + Mahalanobis-Gate + invers-varianz- gewichteter Mittelwert → 6-DOF-EKF (EkfFusion) → WebSocket/Visualizer
• Kotlin-Paket triangulation/ + Python-Port edge-agent/trilateration.py, REST /api/v1/triangulation/solve

Signalverarbeitung, Positionierung & Datenschutz-Schicht (docs/SIGNAL_POSITIONING.md) — mathematische Kerne der Spezifikation, aktiv:

• Signalverarbeitung (edge-agent/signal_processing.py): Kalman-RSSI (adaptives R, ~69 % Rausch-Reduktion), Median+MA, Hampel-Filter; Flotten-BLE-Distanz nutzt Kalman-geglätteten RSSI
• Positionierung (edge-agent/positioning.py): Pfadverlust (A=-61.92, n=1.64), robuste Trilateration → WCL-Fallback, Fingerprinting (k-NN/wk-NN); Endpunkte /api/v1/positioning/*, /api/v1/signal/smooth
• Mesh-Sync (edge-agent/mesh_sync.py): Random-Broadcast-Consensus (mittelwert-erhaltend, konvergenz-getestet); POST /api/v1/mesh/sync
• Datenschutz-Schicht (edge-agent/privacy.py): erzwingt die Farbkodierungs-Regeln — Personen/Tiere NIE persistiert (Live-View-only), Geräte anonymisiert (SHA-256), Positionen granularisiert; POST /api/v1/privacy/filter
• Checkpoints & Integrität (database.py): SHA-256-Snapshots, PRAGMA integrity_check, Endpunkte /api/v1/checkpoints*
• Farbkodierung (web-visualizer/public/colorcoding.js): verbindliche Palette Grau/Blau/Grün/Rot/Gelb, synchron zur Server-Erzwingung

Betriebsgelände-Betrieb, EDM & Offline-Sync (docs/PREMISES_EDM.md) — passiv, nur eigene Geräte (Kontext: EDM-verwaltetes Betriebsgelände):

• Premises-Security (edge-agent/premises_security.py): Bekannt-vs.- Unbekannt-Klassifikation (own/infra/unknown), premises_alert bei Fremdgeräten, passive Sensorberichte (Magnet/IR/RF), Störungs-DETEKTION (Geräteschwund) — keine Gegenmaßnahmen
• EDM-Lebenszyklus (edge-agent/edm.py): ENROLLED→PROVISIONED→ QUARANTINED→RESET_PENDING→RESET, auditiert; Reset ausschließlich über Honeywell Provisioning Mode/OEMConfig (eigene Geräte, kein FRP-Bypass)
• Offline-Sync-Queue: /api/v1/sync/* + Service-Worker-Handler (periodicsync, Best-Effort)
• Flotten-Gruppen + Positionshistorie: /api/v1/fleet/groups*, /api/v1/fleet/{id}/history
• Interaktionsfeld (Accordion) im OSM-Dashboard: Fähigkeiten je Klasse, Gruppe, Historie, Sichtbarkeit

Wand-/Mensch-Klassifikation & Datenverarbeitungs-Pipeline (Kotlin/CT45P) (docs/CLASSIFICATION.md) — Kotlin-Spiegelung der Python-Implementierung:

• com.dxagent.agent.classification: WallPersonClassifier (3 Stufen, geometrisch, Numerik identisch zur Edge-Agent-Python-Version), VoxelFilter, SemanticClassifier (verbindliche Farbpalette), Deduplicator (adaptiver Octree), ViewController (LIVE/PERSISTED), PersistenceFilter (Live-Only-Typen NIE speichern, Geräte anonymisiert)
• Pipeline: DataInterpreter nutzt den Klassifikator für das Mittelband
• 18/18 neue Unit-Tests grün; nebenbei: AdaptiveOctree.split()-Fix (Punkte fielen aus dem Baum), Gatekeeper-Cooldown, Testbaubarkeit
• Bewusst NICHT integriert: Atemfrequenz-/Doppler-Biometrie, TinyML-Modelle

honeyKart-Integration (docs/HONEYKART_INTEGRATION.md) — QR-Token-Anbindung und geometrische Wand-/Dynamik-Klassifikation:

• QR-Code-Token-Anbindung — POST /api/v1/fleet/bind-qr nimmt das honeyKart-JSON (token_id/mac/name/pairing_code/company_id/…) an; Re-Bind aktualisiert Metadaten, MAC als stabile ID
• Wand-/Dynamik-Klassifikation (edge-agent/wall_person_classifier.py, 3 Stufen: Voxel-Grid 0,05 m → Höhenfilter → Euklidisches Clustering → PCA-Planarität (elongationsrobust) → RANSAC-Ebenen → Zylinder-Validierung); wall = persistierbar, dynamic = Live-Only (NIE gespeichert, erzwungen); Pipeline-DataInterpreter + POST /api/v1/semantic/classify nutzen ihn
• Abgrenzung dokumentiert: aktive Gegenmaßnahmen (Deauth/Beacon-Spam/ Rogue-AP/Reconnect-Flooding) und Atemfrequenz-Biometrie sind bewusst NICHT implementiert (Begründung im Dokument)

Flotten-Live-Dashboard (docs/FLEET.md) — eigene gebundene Geräte in Echtzeit auf OpenStreetMap mit Mesh-Aktionen (v18.1.0-Fleet):

• Flotten-Registry (edge-agent/fleet.py) — E-Bike/E-Scooter/E-Roller/Fahrzeug, Handy, Werkzeug/BLE-Token; Positionen aus GPS, Triangulation (GeoAnchor-Projektion) oder BLE-Sichtung (Distanzschätzung)
• REST /api/v1/fleet* (upsert, Liste, Nearby, Aktionen, Anchor) + WS fleet_position → fleet_update/fleet_action_result
• Aktionen capability-geprüft (Status/Ortung/LED/Sichtbarkeit, Sperren/Entsperren nur für Fahrzeug-Typen) — gezieltes Ansprechen über das Mesh
• Plug-and-play-Umkreissuche /api/v1/fleet/nearby: eigene Flotte + BLE-Zubehör in Reichweite, nach Distanz sortiert
• Live-Dashboard web-visualizer/public/fleet.html (Leaflet lokal gebündelt, OSM mit Namensnennung, Genauigkeitskreise, Aktionsleiste, Umkreissuche)

Betrieb & Wartung (docs/SERVICE_WORKER.md) ergänzt die Plattform um die Hintergrundverarbeitung nach WorkManager-/Workbox-Standards:

• AdaptiveThresholdMonitor — Schwellwerte (richtungskorrekt), 3σ-Spikes, Trends, Kontextregeln, selbstlernende Schwellwerte
• BatteryHealthTracker — Zyklusäquivalente (kumulierte Entladung), Alterungsmodell, Restlaufzeit, Empfehlungen
• ExportPipeline — JSON/GeoJSON/KML + Retention (Kotlin); REST POST /api/v1/export (Python-Port)
• Web-Visualizer sw.js — Offline-App-Shell (Cache-First / Network-First / Stale-While-Revalidate)

Network3D & Taktik (docs/NETWORK3D.md, docs/WIRELESS_MESH.md, docs/TACTICAL.md) erweitern die Plattform um Topologie-Visualisierung, Wireless-Mesh-Rekonstruktion und taktisches Map-Management:

• Topologie-Graph — Nodes/Edges, Dijkstra, What-If-Failover-Simulation, Time Machine (Snapshot-Replay); Visualizer-Layer mit Flow-Partikeln und pulsierenden Spatial Alerts (3d-force-graph-Muster, nativ Three.js)
• Wireless Mesh — Umgebungs-Preset-Auswahl, Drift-Korrektur (Offset-EWMA), Loop-Closure, konfidenzgewichteter Punkt-Cluster-Merger
• Taktik — modulare Szenario-Komposition (Abhängigkeitsauflösung), Map-Versionierung (Delta-Kette), zlib-Szenario-Kompression, 22 Annotation-Templates, Geräte-Change-/Anomalie-Tracker
• REST: /api/v1/network/* (Topologie, Simulate, History, Devices) + WS-Typen network_topology, topology_simulation, annotation_update

Ressourcenoptimierung (docs/RESOURCE_OPT.md) — Politik-Kerne für den ressourcensparenden Gesamtbetrieb (v11.0.0):

• Adaptive Scan-Raten — Bewegungszustand × Batterie × Temperatur → Raten + Qualität + Einsparungsstatistik
• Energieprofile — PERFORMANCE/BALANCED/POWER_SAVE/EMERGENCY-Automatik
• ROI-Scanning — Prioritäts-/Distanzgewichtung relevanter Bereiche
• Adaptive Voxel-Fusion — Ressourcen-abhängige Voxelgröße/LOD/Konfidenz, altersgewichtete Verschmelzung, Grid-Key-Merge mit Obergrenze
• Adaptive Renderqualität — FPS-basiertes PixelRatio-Management im Web-Visualizer (0,75…2,0)

Grundriss-Integration (docs/FLOORPLAN.md) — optionale Funktion mit verifizierten Datenquellen (Live-Tests am 14.08.2026):

• Geocoding: Nominatim (Policy-konform) + Photon-Fallback
• Gebäude: Overpass-API mit automatischem Kumi-Spiegel-Fallback → GeoJSON (Etagen, Höhen, Adressen)
• Quellen-Katalog mit echtem Verfügbarkeitsstatus (hoowoge.de→HOWOGE ohne API, Mapzen tot, BIM Deutschland Info-Portal, KartaView für Street-Level-Bilder)
• REST /api/v1/floorplan/* + WS floorplan_buildings + 3D-Extrusions-Layer im Web-Visualizer

Personen-/Gegenstandserkennung (docs/PERSON_DETECTION.md) — Kernel der v13-Recherche-Mechanismen (Projekt-Verifikation inklusive):

• CA-CFAR — adaptiver Rauschboden-Detektor (IR-UWB/RadarHPE-Mechanismus)
• MTI-Filter — statische Clutter-Entfernung (TI-Edge-AI-SDK-Mechanismus)
• Doppler-Geschwindigkeit — v = λ·Δφ/(4πT) aus Phasendifferenzen
• Multi-Target-Tracker — NN-Assoziation + CV-Kalman (Piecewise-White- Noise-Q, Zwei-Punkt-Initialisierung, Gating, Coasting)
• Kotlin (radar/) + Python (radar_processing.py) mit identischer Numerik; Deep-Learning-Pose-Modelle (mm-Pose/mmHPE) als Roadmap

Geräteinteraktion (docs/DEVICE_INTERACTION.md) — Steuerungsebene für alle Geräte im Raum (ein-/ausblendbar, capability-geprüfte Aktionen):

• DeviceRegistry — Upsert mit Merge-Semantik, Layer-Sichtbarkeit (Kategorie-Propagation), Selektion, Staleness (ONLINE→OFFLINE)
• DeviceActionEngine — Capability-Gating + Standard-Aktionen (Status, Ortung, Sichtbarkeit, LED)
• DeviceSourceMapper — BLE-Token/Netzwerkgeräte/mmWave-Targets → Geräte
• REST /api/v1/devices* + WS devices_update/device_action + Geräte-Layer im Web-Visualizer (Raycast-Auswahl, Kontextmenü)

Mehrwert & Synergien (docs/MEHRWERT_SYNERGIE.md) — Detaillierte Bewertung der 5 Kernkomponenten (3D-Kartierung, Akustik, UWB, IMU, BLE-Mesh) und ihrer Kombinations-Mehrwerte auf dem CT45P. Besondere Betonung der Hardware-Synergien (IMU-Set, NFC, Kameras, Wi-Fi 6) und der Fusion mit Tactical Health Monitoring.

Taktisches Stressmonitoring (v17.2.0-TacticalOps) — Vollständige Erweiterung für Einsatzkräfte (Polizei, Feuerwehr, Rettung, Militär):

• TacticalHealthMonitoring (Kotlin) — Echtzeit-Vitalmonitoring (HR, HRV, SpO2, EDA, Temp)
  • wissenschaftlich validierte Stress-Level-Klassifikation (LOW/MEDIUM/HIGH/CRITICAL)
  • Combat Readiness Score + Personnel Status (OPERATIONAL → KIA)
• TacticalOverlay.js (Three.js) — Farbcodierte 3D-Avatare + schwebende Vital-Labels
  • pulsierende Status-Ringe + Echtzeit-Stats-Overlay
• TacticalDashboardFragment — Android-UI mit RecyclerViews, Einsatz-Start/Stopp, Alarme, Export von Einsatzberichten
• WS-Integration: tactical_personnel, tactical_alert, tactical_overview
• Demo-Button + Tastenkürzel (T) im Web-Visualizer
• Offline-fähig + automatische Berichtserstellung

Aktive Netzwerkvisualisierung (docs/NETWORK_LIVEVIEW.md) — Live-Traffic in der 3D-Ansicht (v14.1.0):

• Traffic-Simulator (seeded, Bursts, Latenz-Auslastungs-Kopplung) + zentrales Bandbreiten-/Latenz-Farb-Mapping (Kotlin/Python/JS identisch)
• Aktivitäts-Aggregation — Durchsatz je Knoten, Flusszahl, max. Latenz; Bandbreiten-Heatmap (relative Säulenhöhen)
• REST /api/v1/network/traffic|simulate + WS network_traffic_update
• Visualizer: Partikelzahl/-geschwindigkeit/-farbe ∝ Bandbreite, Knoten-Aktivitätspuls, Latenz-Alarm, Heatmap-Säulen

Offline-Gerätedatenbank (docs/DEVICE_DATABASE.md) — Erkennung von Drahtlosgeräten ohne Cloud (v16.0.0 + v17.x):

• OUI-Lookup (MAC → Hersteller, 24/28/36-Bit), GATT-Standard- Services (Bluetooth-SIG-verifiziert), Tracker-Profile (Apple/ Samsung/Tile/Google — mit korrigierter Tile-UUID-Zuordnung)
• SIG-Company-IDs (34 verifizierte Einträge inkl. aller v17-Korrekturen) + erweiterte Kategorien: Thread/Matter, LoRaWAN (EU868), Wireless M-Bus, ISM 433, Medizin-BLE (Seed: 71 Records)
• DeviceDatabase-Kern (Python + Kotlin identisch) mit Technologie- Filter, Frequenzband-Metadaten + Konsolidierungs-Builder (Zigbee2MQTT, Bluetooth-Numbers-DB inkl. Company-IDs, MAC-Vendor-DB → data/device_db.json)
• REST /api/v1/devicedb/* (Status, MAC-/Service-/Company-Lookup, Suche) + Visualizer-Panel „🗃️ Geräte-DB" über REST-Proxy

---

📁 Monorepo-Struktur

3dxAgent/
├── edge-agent/                # Python 3.11 + FastAPI + NumPy/SciPy (18 Bestandstests bestanden)
├── web-visualizer/            # Node.js + Three.js (Dependency-/Syntax-/HTTP-Smoke geprüft)
├── android-app/               # Native Kotlin/XML-CT45P-App; reproduzierbarer Build noch offen
├── ble-token-firmware/        # nRF52-Zephyr-Prototyp; Build- und Hardwaretest noch offen
├── mosquitto/                 # MQTT-Broker-Konfiguration
├── nginx/                     # Reverse-Proxy (optional, HTTPS)
├── docker-compose.yml         # Orchestrierung (4 Services)
└── docs/                      # Architektur, API, Roadmap, Checkliste, BLUETOOTH_ACCESSORIES.md

---

🚀 Schnellstart

# 1) Edge-Agent lokal starten (Python)
cd edge-agent
python3 -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
uvicorn agent:app --host 0.0.0.0 --port 8080

# 2) Web-Visualizer starten (Node)
cd ../web-visualizer
npm install
node server.js            # → http://localhost:3000

# 3) Oder alles als Docker-Stack
docker compose up -d

🚢 Deployment (vollständig ausführbar)

./scripts/generate-secrets.sh     # Secrets + TLS + MQTT-PKI (einmalig)
cp .env.example .env              # Host, Gateway-ID, Geräte-GID setzen
./scripts/deploy.sh production    # Backup → Build → Start → Health-Verify
./scripts/deploy.sh staging       # Dev-Stack (docker-compose.dev.yml)
./scripts/deploy.sh status        # Container-Status
python3 scripts/smoke_test.py     # 40+ End-to-End-Checks gegen Live-Server

• API-Referenz: docs/openapi.yaml — automatisch aus dem Code generiert (49 Pfade), niemals von Hand gepflegt: python3 scripts/generate_openapi.py
• WebSocket-Protokoll: docs/websocket-api.md (Ist-Stand, Envelope-Format)
• Security: docs/security-headers.md (nginx-Header, Container-Härtung, JWT)
• Monitoring: config/prometheus.yml + config/alerts.yml — der Agent liefert echte Metriken unter GET /api/v1/metrics (Prometheus-Textformat)
• CI: .github/workflows/main.yml (Tests bei jedem Push) und .github/workflows/build-apk.yml (signierte APK, manueller Trigger)

Datenbanken werden automatisch initialisiert (SQLite): agent.db (Positions-/Merge-/Geo-Daten), credentials.db (Enrollment/Sessions), alarms.db (autoritative Alarme + Outbox).

# Status prüfen
curl http://localhost:8080/api/v1/agent/state

# Karten von 2 CT45P zusammenführen
curl -X POST http://localhost:8080/api/v1/agent/merge \
  -H "Content-Type: application/json" \
  -d '{"device_ids":["CT45P-01","CT45P-02"]}'

# Datenpipeline (v2.0) ausführen
curl -X POST http://localhost:8080/api/v1/pipeline/run \
  -H "Content-Type: application/json" \
  -d '{"device_id":"CT45P-01","points":[...]}'

# Aura-Demo: synthetische RTI-/RF-Daten an den Agent senden
# (→ Voxel + Heatmap erscheinen im Web-Visualizer)
cd edge-agent && source .venv/bin/activate
python aura_demo.py --loop 12

# Triangulation (REST-Fallback zur App)
curl -X POST http://localhost:8080/api/v1/triangulation/solve \
  -H "Content-Type: application/json" \
  -d '{"anchors":[{"id":"AP-1","x":0,"y":0,"z":0},{"id":"AP-2","x":10,"y":0,"z":0},
       {"id":"AP-3","x":10,"y":10,"z":0},{"id":"AP-4","x":0,"y":10,"z":0}],
       "distances":{"AP-1":7.07,"AP-2":7.07,"AP-3":7.07,"AP-4":7.07}}'

---

✅ Tests

cd edge-agent
source .venv/bin/activate
python -m pytest tests/ -v    # 144 Tests: EKF, ICP, UWB, Pipeline, RTI, Trilateration, Export, Topologie, Taktik, Ressourcenpolitik, Grundriss, Radar, Geräteinteraktion, LiveTraffic, Gerätedatenbank (inkl. Company-IDs/Kategorien)

Kotlin: 172 JVM-Unit-Tests in android-app/app/src/test/ (X25519 gegen RFC-7748-Vektoren, IQ-Datagramm, FFT/Korrelation, RTI, Path-Loss, Fusions-Gate) — Ausführung in Android Studio/CI (./gradlew test).

---

📊 Die 5 Einsatzszenarien

1. Taktische Einsatzbesprechung (Behörden/BOS) — 3D-Scan ohne Baupläne, Avatare, GLTF-Export
2. Gefahren- & Evakuierungssimulation — Rauchausbreitung, ABM, experimentelle Auswertung externer UWB-Rohdaten
3. Architektur & Bestandsanalyse — LiDAR-SLAM, IFC-Export für BIM
4. Temporäre Szenarien — BLE-Token-Personenströme, ICP-Map-Merging
5. Forschung & Lehre — versionierte, wiederholbare 3D-Datensätze

Weitere Details: docs/ARCHITECTURE.md, CT45P-Master-Detailarchitektur, Alternative Implementierungen, Geräteverwaltung und Interaktionsplattform, Dauerhafter Hintergrund-Abstandsalarm, Release-Readiness-Audit, docs/EXECUTIVE_SUMMARY.md, docs/API.md, docs/ROADMAP.md, docs/CHECKLIST.md, docs/AURA.md (Projekt Aura — SDR/RTI/3D), docs/TRIANGULATION.md (WiFi-/BLE-Triangulation auf dem CT45P), docs/UI_UX_PLAN.md (UI/UX-Detailplan: Aktionen & Interaktionen der 3D-Oberfläche), docs/VERBESSERUNGEN.md (Machbarkeitsanalyse & übernommene Optimierungen aus Open-Source-Projekten), docs/SERVICE_WORKER.md (Service-Worker-Bedarfsanalyse: WorkManager/Workbox-Architektur, Wartungsmodule, Offline-Shell), docs/NETWORK3D.md (3D-Netzwerk-Topologie: What-If, Time Machine, Visualizer-Layer), docs/WIRELESS_MESH.md (Wireless-Mesh-Rekonstruktion: Umgebungs-Adaption, Drift, Loop-Closure), docs/TACTICAL.md (Taktisches Map-Management: Szenario-Komposition, Versionierung, Annotationen), docs/RESOURCE_OPT.md (Ressourcensparende 3D-Kartierung: Scan-Politik, Energieprofile, ROI, Voxel-Fusion), docs/FLOORPLAN.md (Grundriss-Integration: verifizierte Quellen, Overpass/Nominatim/Photon-Adapter, 3D-Extrusion), docs/PERSON_DETECTION.md (Personen-/Gegenstandserkennung: Projekt-Verifikation, CA-CFAR/MTI/Doppler/Tracker), docs/DEVICE_INTERACTION.md (Geräteinteraktion: Registry, Action-Engine, Source-Mapper, 3D-Marker mit Kontextmenü), docs/NETWORK_LIVEVIEW.md (Aktive Netzwerkvisualisierung: Traffic-Simulator, Farb-Mapping, Heatmap, Live-Stream), docs/DEVICE_DATABASE.md (Offline-Gerätedatenbank: OUI/GATT/Tracker/Company-ID-Erkennung, erweiterte Kategorien, Builder, REST-Lookups).

---

🔗 Schnittstellen

Protokoll	Endpunkt	Zweck
REST (HTTPS)	:8080/api/v1/...	Konfiguration, Historie, Szenarien, Map-Merge, Pipeline, Bluetooth Zubehör
WebSocket	:8080/ws/agent/events	Binärer Punktwolken-Stream + JSON-Status + BT Zubehör Live
MQTT	:1883	BLE-Token + bluetooth/accessories/#, sensors/#, wearables/#, events/#
USB-Serial	/dev/ttyUSB0, /dev/ttyACM0	LiDAR, mmWave (CT45P Host-Modus)
BLE GATT	8d81e7c0-b7c8-...	Custom 3dx Service – Data Notify, Config Write, Command Write
BLE Standard	0x180F, 0x180A, 0x181A, 0x180D	Battery, Device Info, Env Sensing, Heart Rate
BT Classic SPP	00001101-...	RFCOMM für HC-05, Headset, HID Remote

🆕 Bluetooth-Zubehör REST

curl http://localhost:8080/api/v1/bluetooth/accessories | jq
curl http://localhost:8080/api/v1/bluetooth/stats | jq
curl http://localhost:8080/api/v1/bluetooth/health | jq
curl http://localhost:8080/api/v1/bluetooth/accessories/aa:bb:cc:dd:ee:01 | jq

Details: docs/BLUETOOTH_ACCESSORIES.md