Das Problem: Den Garagentorstatus überdenken

Ein Kunde kam ursprünglich mit einer gängigen Smart-Home-Herausforderung auf mich zu: Wie lässt sich der Status seines Garagentors – offen, geschlossen und in Bewegung – zuverlässig verfolgen? Sein erster Gedanke war, seine bestehende Frigate-KI-Einrichtung zu nutzen, die bereits Objekterkennung und Bewegungserfassung über eine Coral TPU handhabte. Während Frigate hervorragend für die Erkennung allgemeiner Bewegung oder spezifischer Objekte wie Autos geeignet ist, erwies es sich als überraschend komplex, damit definitiv ‘offen’ von ‘geschlossen’ zu unterscheiden, wenn das Tor stillstand, oder sogar seine genaue Bewegungsphase zu bestimmen. Dem Standard-Erkennungsmodell fehlte ein ‘Garagentor’-Label, was bedeutete, dass es nicht von Natur aus zwischen einem offenen und einem geschlossenen Tor unterscheiden konnte, wenn beide statisch waren.

Diagnose: Verborgene Ressourcen aufdecken

Die erste Einschätzung ergab, dass Frigate zwar ‘Bewegung’ über eine Bewegungszone leicht erkennen konnte, aber nicht das richtige Werkzeug für präzise ‘offen/geschlossen’-Zustände war. Meine Empfehlung tendierte zu physischen Sensoren. Da enthüllte der Kunde ein entscheidendes Detail: Er besaß bereits mehrere Zigbee-Türkontaktsensoren und Vibrationssensoren, wobei letztere noch nicht gekoppelt waren. Ein schneller, schreibgeschützter Scan seiner Home Assistant-Umgebung bestätigte vier vorhandene, bereits verknüpfte und betriebsbereite Zigbee-Türkontaktsensoren, die einer Bürotür und dem Garagentor selbst zugewiesen waren. Allerdings waren noch keine Vibrationssensoren in seine Zigbee2MQTT (Z2M)-Einrichtung integriert.

Die Lösung: Eine hybride Sensorlösung

Mit den vorhandenen Sensoren wurde der Weg klar: ein hybrider Ansatz, der einen Kontaktsensor für ‘offen/geschlossen’ und einen Vibrationssensor für ‘in Bewegung’ kombiniert. Dies umgeht die Komplexität der Kamera-KI für diese spezifischen Zustände vollständig. Der Vibrationssensor musste in das Z2M-Netzwerk gekoppelt werden, eine schnelle physische Aufgabe für den Kunden. Nach dem Koppeln umfasste die Strategie für ein Sektionaltor eine präzise Sensorplatzierung:

Kontaktsensor (Offen/Geschlossen): Der Magnet wurde an der unteren Innenkante des untersten Garagentorpanels montiert. Der Reedkontakt wurde direkt gegenüber an der Wand platziert, um Kontakt zu gewährleisten, wenn das Tor vollständig geschlossen war. Diese Anordnung ist ideal für Sektionaltore, da das unterste Panel zuerst vertikal bewegt wird und den Kontakt zuverlässig unterbricht, sobald das Tor zu öffnen beginnt.

Vibrationssensor (In Bewegung): Dieser Sensor wurde fest an der Innenseite eines mittleren Panels, unterhalb der Schienenhöhe, angebracht. Diese Position ermöglichte es ihm, die subtilen Vibrationen des Motors und der Schienen während des Öffnens oder Schließens effektiv zu erkennen, ohne die Bewegung des Tors zu behindern oder von der Deckenschiene getroffen zu werden.

Schließlich wurde eine Home Assistant Template cover-Entität geplant. Diese Entität würde die Zustände ‘Kontakt’ und ‘Vibration’ intelligent zu einer einzigen, intuitiven ‘Garagentor’-Entität kombinieren, die ‘offen’, ‘geschlossen’, ‘öffnet’ oder ‘schließt’ melden kann – eine weitaus robustere und zuverlässigere Lösung, als sich allein auf Kamerabilder zu verlassen.

Was ich gelernt habe: Einfachheit und Spezifität triumphieren

Dieses Projekt hat mehrere wichtige Lektionen im Smart-Home-Design bekräftigt. Erstens ist die einfachste Lösung oft die zuverlässigste. Obwohl Kamera-KI leistungsstark ist, bieten speziell entwickelte physische Sensoren eine unübertroffene Genauigkeit für binäre Zustände wie ‘offen’ oder ‘geschlossen’. Zweitens ist das Verständnis der Mechanik des zu automatisierenden Geräts (in diesem Fall ein Sektionaltor) entscheidend für die optimale Sensorplatzierung. Ein Neigungssensor mag für ein Kipptor besser geeignet sein, aber ein Kontaktsensor an der Unterkante ist perfekt für ein Sektionaltor. Zuletzt sind die Templating-Fähigkeiten von Home Assistant unglaublich leistungsstark, um Daten aus mehreren Quellen zu einer einzigen, kohärenten und handlungsrelevanten Entität zu synthetisieren und Rohsensordaten in aussagekräftige Smart-Home-Zustände zu überführen.