info@naevatec.com (+34) 911 407 507

Esta página se ha traducido automáticamente. Puedes encontrar la fuente original aquí.

Una tablet sostenida en una planta industrial, mostrando una videollamada con un técnico in situ y un experto remoto, una cámara en directo de un brazo robótico, gráficas de telemetría IoT en tiempo real y botones de acción IoT (Parada de emergencia, Reiniciar PLC, Solicitar ayuda, Calibrar brazo).

Monitorización y control IoT en tiempo real dentro de videollamadas

Caso de estudioOpenViduFIWAREIoT

La plataforma de videollamadas de un proveedor tecnológico industrial afincado en India ya dejaba a operarios de fábrica y planta incorporar cámaras IP a sus llamadas. Lo siguiente que querían era tener datos de sensores en vivo y control de dispositivos dentro de esa misma llamada, sin añadirle un dashboard aparte.

Contexto

Este cliente construye una plataforma de videollamadas para entornos industriales y de fábrica, usada por personas que operan equipos en plantas reales. Ya permitía a los participantes incorporar a una llamada cámaras IP que vigilaban la instalación, junto con personas. Naeva Tec ya había ayudado con eso primero, resolviendo los problemas habituales de integración de cámaras IP (incompatibilidades de códec, peculiaridades de negociación RTSP) en una amplia variedad de modelos de cámara reales.

La siguiente petición: estas llamadas conectan a personas con entornos industriales remotos gestionados por IoT, y los participantes necesitaban datos en vivo de los sensores y máquinas de la planta de fábrica, además de poder actuar sobre ellos, durante la propia llamada.

El proyecto

Estudiamos dos formas de llevar datos IoT a una llamada: un sistema de colas MQTT hecho a medida específicamente para esto, o FIWARE, el stack de código abierto para gestión de datos de contexto ya usado en varios proyectos de Smart Cities e IoT. Optamos por FIWARE, ya que su modelo de Context Broker daba al cliente una forma estándar de gestionar dispositivos, suscripciones y comandos, en lugar de un protocolo a medida que mantener en solitario.

La arquitectura que llegó a producción empieza con los dispositivos IoT — sensores y actuadores de la planta de fábrica — publicando por MQTT a un broker Mosquitto. Un IoT Agent de FIWARE (UltraLight 2.0 al principio, con un segundo agente basado en JSON añadido en 2022) traduce ese tráfico MQTT al modelo de contexto NGSI de FIWARE. El Orion Context Broker, respaldado por MongoDB, mantiene el estado en vivo de cada dispositivo registrado y gestiona las suscripciones a cambios. Un servicio Fiware Manager a medida, construido en Spring Boot, se sitúa entre Orion y la plataforma propia del cliente: registra dispositivos, aplica un modelo de autorización por usuario y por dispositivo (quién puede ver los datos de qué dispositivo, quién puede enviar qué comandos a qué dispositivo), y traslada las actualizaciones en vivo al front end mediante un websocket.

En el front end, un componente CanvasPrinter renderiza los datos de cada dispositivo — un interruptor, una lectura numérica, un piloto de estado, lo que corresponda a cada dispositivo — sobre un canvas, y CanvasOVPublisher publica ese canvas directamente en la sesión de OpenVidu como su propia pista de vídeo, junto a la cámara y los feeds de los participantes.

Diagrama de arquitectura: los dispositivos IoT publican por MQTT a un broker Mosquitto, a
través del IoT Agent de FIWARE hacia el Orion Context Broker (respaldado por MongoDB), luego
a través de una API Fiware Manager con autorización por usuario, que intercambia datos en
vivo y comandos con un componente CanvasOVPublisher que publica los datos IoT como su propio
flujo dentro de la videollamada.

Esa es la pieza que hizo que esto se sintiera parte de la llamada: la capa de datos/control se publica como un flujo que la sesión ya sabe transportar, igual que una cámara.

Nuestro papel

Tecnologías

Conclusión y lecciones aprendidas

Elegir FIWARE en lugar de un sistema MQTT a medida dio sus frutos porque el catálogo de dispositivos del cliente no dejó de crecer: un segundo tipo de IoT Agent encajó sin rediseñar el resto del stack. La lección más importante estuvo en el front end — tratar los datos IoT como un flujo nativo de la llamada, mediante el canvas publisher, en lugar de un panel de interfaz que alguien tiene que compartir en pantalla. Eso fue lo que hizo que los datos se sintieran parte de la conversación, no una herramienta aparte que todos tenían que revisar.