ARSA-AI/Far-away-MVP

# CORTEX RailGuard Far Away 2026 铁路主题 MVP。 RailGuard 将现有的视觉记忆 MVP 转型为一个专注于铁路安全的 agent： - 视频输入 - 人员追踪 - 站台边缘限制区域推理 - 动态列车邻接限制区域 - 列车上下文严重程度升级 - 证据快照 - 事件记忆 - 可见警报 - 响应任务与操作日志 - 基于证据的查询 - 事件确认 - HTML 事件报告 检测器、对象记忆、中央凹裁剪和 Flask 接口均被复用。RailGuard 层在这一可用的基础架构之上添加了 PRD P0 适配器。 ## 运行 从 `/home/manish/Desktop/Prototype` 目录开始： ``` source adas-env/bin/activate cd far_away_gppe_v1_mvp python app.py ``` 如果在全新克隆后缺失 `models/yolov8n.pt`，请运行： ``` python download_model.py ``` 对于纯净的 Python 环境： ``` python -m pip install -r requirements.txt ``` 打开： ``` http://127.0.0.1:7860 ``` ## 推荐演示 1. 按下 `Run Known Demo`。 2. 等待出现 `CRITICAL` 级别的站台入侵事件。 3. 提问：`when did the intrusion occur`。 4. 提问：`was train visible during the incident`。 5. 在事件卡片上点击 `Acknowledge`。 6. 点击 `Generate Incident Report`。 7. 打开生成的报告链接。 一键已知演示使用了以下打包的视频片段： ``` demo_assets/Demo.mp4 ``` 该视频片段已随项目一同提交，以便评委无需重新构建资源即可运行演示。`CRITICAL` 严重级别是由视觉列车上下文生成的，而不是通过公共 UI 覆盖产生的。 ## P0 构建范围 已实现： - `FramePacket`：帧 ID、时间戳和来源包装器。 - `Tracker`：现有的 IoU/质心记忆为演示视频片段保持稳定的 ID。 - `Zone manager`：标准化回退多边形，以及基于检测到的列车边界框生成的动态列车邻接区域。 - `Context builder`：可见类、计数、区域成员关系和列车上下文。 - `Policy engine`：人员落脚点进入站台边缘。 - `Severity`：`HIGH`，当列车上下文为真时升级为 `CRITICAL`。 - `Temporal train context`：视觉列车检测结果会保留一个短暂的时间窗口，以防止严重程度发生闪烁。 - `Deduplication`：在 `OUTSIDE -> INSIDE` 时触发一次事件，并带有场景级别的冷却时间，以避免因 tracker ID 频繁变动而产生重复事件。 - `EventStore`：SQLite 事件、操作日志和响应任务。 - `Evidence`：每个事件的带标注帧和对象裁剪图；缩略图在时间线中可点击。 - `Actions`：本地警报、保存证据和响应任务。 - `Memory query`：带有证据引用的确定性事件回答。 - `Acknowledge`：事件和响应任务确认。 - `Report`：基于存储的事件/操作数据生成的 HTML 报告。 - `Demo mode`：一键已知演示视频。 ## 测试通过的关卡 本地可靠性测试已连续五次端到端运行通过： ``` video input -> person tracking -> zone entry -> train-context CRITICAL severity -> evidence -> incident memory -> action/task -> evidence-backed query -> acknowledgement -> report ``` 最新的最终验收： ``` railguard_logic_acceptance PASS ``` ## 客观存在的局限性 - 检测器是预训练的 YOLOv8n，而非定制的铁路训练模型。 - 已知的演示视频片段打包在 `demo_assets/Demo.mp4` 中。 - 操作均为本地演示操作，未连接到铁路控制系统。 - 这是一个用于黑客松演示的 MVP，而非经过认证的安全产品。

标签：逆向工具