[Projekt] "Heli-Agent": Automatisierte KI-Analyse für VStabi-Logs

[onit12]

Liebe Helifreunde,

das geht an alle IT-Nerds: ich bastle mir gerade einen KI-Agenten (in Python), der mir nach dem Flugtag eine nervige Arbeit abnimmt: das ständige manuelle Durchforsten der VStabi-Logs.

Die Idee dahinter: Das Skript loggt sich vollautomatisch in meine VStabi Cloud ein, zieht sich die neuesten Flüge (Ereignislog & Akkulog) und füttert damit eine Künstliche Intelligenz (in meine Fall Google Gemini) Das Besondere daran: Die KI ist nicht einfach nur "ChatGPT", sondern ich habe ihr gezielt harte Heli-Fakten beigebracht, die noch entsprechend erweitern werden sollen.

Was der "Heli-Agent" aktuell schon kann:

• 🤖 Völlig autark: Er schnappt sich die letzten (aktuellen) Flüge automatisch, man kann aber auch manuell einen der letzen 10 auswählen
• 🧠 Die KI prüft das Log
• 🔋 Realistische Lipo-Physik
• 📄 PDF-Report: Am Ende spuckt das Tool ein sauberes PDF mit einer Zusammenfassung, einem Setup-Check und Empfehlungen aus.

Warum ich hier poste: Ich bin an dem Punkt, wo das Skript bei mir lokal super läuft. Ich spiele mit dem Gedanken, den Code auf GitHub als Open-Source-Projekt hochzuladen, damit ihn sich jeder kostenlos ziehen kann

Bevor ich das mache, wollte ich mal in die Runde fragen:

1. Besteht an so einem Tool überhaupt generelles Interesse hier im Forum?
2. Gibt es vielleicht noch andere Python-Bastler oder Setup-Nerds hier, die Lust hätten, das "Gehirn" der KI mit weiteren Regeln zu füttern (z.B. Temperatur-Grenzen für Regler, harte Vibrations-Schwellenwerte etc.)?
3. Oder hat jemand Ideen, was die KI unbedingt noch aus den Logs herauslesen sollte?

Freue mich auf euer Feedback, Meinungen oder Anregungen! 🚁✌️

P.S. Ein kurzer technischer Hinweis in Richtung Mikado (bevor ihr Sorge um die VStabi-Server hat): Das Skript ist absolut "serverfreundlich" geschrieben. Es nutzt keine versteckten Hintertüren (kein Hacking/Bypassing), sondern loggt sich ganz regulär mit euren eigenen Zugangsdaten ein und simuliert einen "menschlichen" Browser. Ich habe im Code extra Pausen eingebaut, sodass die Mikado-Server exakt so (wenig) belastet werden, als würdet ihr euch selbst am PC einloggen und eure letzten Flüge anklicken. Die Logs werden nur lokal runtergeladen zu Weiterverarbeitung ("log shrinking") und dann an die KI weitergegeben. Da wird absolut nichts überlastet! 😉

Viele Grüße,
Tino

[danielgonzalez]

Klingt spitze! Lese mit

[MrMaJo]

Juhu. Ich habe noch nicht so ganz verstanden, was da genau für eine Analyse bei rumkommt. Kannst du mal Bespiel PDF Report hochladen?
Ich sollte mir vieleicht einfach mal so ein VBAR log anschauen was da drin steht. Hab ich noch nicht wirklich gemacht, bestand nie interesse. Von daher wird dein KI wohl mir keinen Mehrwert bringen, wenn ich an den Infos eh kein Interesse habe. :-)
RawLog Info und was die KI da für ein Report raus erstellt würde mich aber mal interessieren. Rein um zu sehen, was mir eine KI für einen Mehrwert bringt im Vergleich zum "selber in die Logs gucken"

Interessant würde es werden, wenn in den VBAR Logs so Dinge wie PID Werte (und die ganzen anderen Parameter), Genaue Frequenzen der Vibrationen, Stick Position, ... (und das 100erte male in der Sekunde) beinhalten würde.
Glaube aber sowas wird da nicht drin stehen?
Da könnte ne geschulte KI (das schreibe ich extra so, weil meine wenigen Erfahrungen mit KI in meinem Berufsumfeld mir eher gezeigt haben, das KI schon mächtig Mist erzählen kann) eventuell nen großen Mehrwert bringen kann..
Bezogen auf Optimierung der Flugparameter.

Viel Spaß mit deinem interessanten Projekt.

Gruß
MaJo

[onit12]

Genau diese Punkte sind der Grund, warum ich das Projekt überhaupt gestartet habe.

Du hast vollkommen recht: Ein Standard-LLM, wie man es „von der Stange“ kennt, erzählt bei RC-Heli-Themen oft gefährliches Halbwissen oder kompletten Mist, weil RC-Helis ein Nischenthema sind und es nie auf die feinen Nuancen unserer Mechaniken geschult wurde. Ein gewisses Grundverständnis ist zwar da, aber ihm fehlen die Zusammenhänge und die Datenbasis – siehe auch die Diskussionen/Erkenntnisse in einem anderen Thread hier (Modell mittels Copilot/ChatGPT und co einstellen...)

Hier ist der aktuelle Stand und wo die Reise hingehen soll:

1. Aktueller Status: Die „sprechende“ Zusammenfassung: Im Moment ist der Report tatsächlich noch in der Lernphase. Er nimmt dir das mühsame Scrollen durch die Log-Zeilen ab und fasst die Peaks und Events zusammen. Das ist für Log-Profis vielleicht noch kein Gamechanger, aber für viele, die bisher gar nicht oder selten in die Logs geschaut haben (so wie ich ;-), der erste wichtige Schritt zu einem „gesunden“ Heli und einem strukturierten „Flugreview“.

2. Das Problem mit der „ungeschulten“ KI & der Abgleich mit dem Setup: Mein Ziel ist das Hangar-Prinzip: Ich füttere den Agenten gerade mit lokalen Komponentendateien zu jedem einzelnen Modell (Modelltyp, Blattlänge, Gewicht, Servotypen, Motor, Regler etc.) und zudem mit einer Art Wissensdatenbank (Handbücher der Hersteller, Mikado-Wiki, Experten-Tipps etc.). Das ist die eigentliche Arbeit: dem "KI-Gehirn" korrekt (!) beizubringen, ab wann Vibrationen bedenklich oder Regler-Temperaturen zu hoch sind.

Der entscheidende Punkt ist: Der Agent analysiert nicht nur das Log-File (was ist passiert?), sondern liest gleichzeitig das aktuelle VStabi-Setup aus der Cloud aus. Über den „Hangar“ (Hardware-Steckbriefe) weiß die KI dann exakt: „Hier fliegt zB Regler "X" an Motor "Y" an einem 700er mit 4kg an 8S". Erst durch diesen Dreiecks-Abgleich zwischen Setup-Parametern (Soll), Hardware-Limits (Grenzen) und Log-Daten (Ist) entsteht der echte Mehrwert. Die KI „weiß“ dann z. B., dass Temperatur "X" beim Regler "Y" völlig okay ist, aber im Verhältnis zu deinem eingestellten Timing im Setup vielleicht optimiert werden könnte.

3. Zukunftsmusik: Trends und Langzeit-Analyse Zudem sollen die Analysen später in eine Datenbank geschrieben werden, um Langzeitinfos und Trends zu erhalten (z. B. schleichend steigende Vibrationslevel über 50 Flüge). Davon bin ich aber noch ein Stück entfernt. ;-)

Fazit: Der Report ist im Moment noch in der „Grundschule“. Das Ziel ist aber ein digitaler Mechaniker, der die Mechanik und die Elektronik im Zusammenspiel bewertet. Ich lade gerne mal einen Beispiel-Report hoch, sobald die Hangar-Anbindung sauber läuft – dann sieht man den Unterschied zwischen einer reinen „Nacherzählung“ und einer echten Diagnose deutlich besser.

Beste Grüße und danke fürs Interesse!
Tino

[JMalberg]

Bin gerne beim Training dabei!
Bin zwar bei Python nur Leser und nicht Coder, aber handle ne Menge Sprachen passiv.

Mir gehen auch die LLM auf den Zeiger, die hier fast nur Hallus haben und nutze sie nur um etwas zu finden.