Idee

Social Distancing, also das Vermeiden von zwischenmenschlichen Kontakten und insbesondere Menschenansammlungen, ist in Zeiten einer Pandemie besonders wichtig. Doch nicht jedes Verlassen der eigenen Wohnung ist vermeidbar. Während auf den Schulbesuch, die Anwesenheit am Arbeitsplatz oder das Feierngehen verzichtet werden kann, gibt es notwendige Gänge in die Öffentlichkeit, beispielsweise zum Einkaufen. Neben Abstand und allgemeiner Hygiene könnte man dabei auch durch das gleichmäßige Verteilen der Menschen (räumlich und zeitlich) das Infektionsrisiko senken. Coronadar möchte durch Information über die aktuelle Menschendichte an verschiedenen Orten dazu beitragen.

Wie es funktioniert

Wir bieten eine Website/App an, auf der man durch eine Heatmap sieht, an welchen Orten sich gerade viele Menschen aufhalten. Wer möchte kann seine Position freigeben und damit zum Dienst beitragen. Alternativ haben wir Raspberry Pis entwickelt, die an festen Orten aufgestellt nach Handys in der Nähe suchen (über WLAN). Diese Raspberry Pis wären eine sinnvolle Methode um an zentralen Orten wie Supermärkten Daten zu erfassen.

Wie wir es entwickelt haben

  • Azure ComsosDB as NoSQL-Database-Layer with Geo-Spatial support (um die Bewegungsdaten zu speichern)
  • Azure Web App Service with C# DotNet-Core Backend; Um die Schnittstellen für Frontend, Backend und Mobile-App bereit zu stellen
  • Frontend Projekt: React mit Google Maps für die Heatmap Visualisierung
  • React-Native? App (TBD) für die Enduser damit das Location-Tracking im Hintergrund funktioniert.
  • Python auf dem Raspberry Pi zum Scannen nach Geräten in der Nähe und übermitteln in die Cloud

Was uns herausgefordert hat

  • Einige Azure Probleme (sogar bei den Hackathon Credits - das hat STUNDEN gekostet)
  • Probleme bei der Aggregation von den Punktdaten bei großer Zoomstufe (also große Ansicht), da kein Map-Reduce verfügbar ohne irgendwelche Spezial-Services in Azure
  • Aufsetzen der Build-Umgebung für die Firmware auf dem Raspberry Pi
  • Korrektes Übertragen von Daten über die Rest-API

Worauf wir stolz sind

  • Website und Backend laufen
  • Wir brauchen am Raspberry Pi keinen extra WLAN-Dongle

Was wir gelernt haben

  • Datentypenchaos bei Azure (Geography vs. Geometry)
  • Firmware des WLAN-Chips auf einem Raspberry Pi austauschen

Was man noch entwickeln könnte

  • Benachrichtungen, sobald ein bestimmtes Gebiet sich wieder leert

Quellcode

Den Quellcode gibt es hier:

Share this project:

Updates