CarWatch
CarWatch es un agente de IA local para vehículos que corre en Raspberry Pi 5, permitiendo interacción por voz y texto sin internet mediante modelos como Qwen3.6-35B-A3B o Gemma 4, integrándose con salas de chat para reportar estado, responder preguntas del manual y controlar funciones básicas.
Ficha actualizada 26 sept 2026, 12:19 · upstream 26 sept 2026, 11:59 · release v0.7.0
Qué es CarWatch
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
CarWatch transforma un vehículo en un agente autónomo capaz de interactuar con otros agentes domésticos y familiares sin depender de la nube. El sistema ejecuta modelos de lenguaje grandes (hasta 35B parámetros) localmente en una Raspberry Pi 5, utilizando técnicas de cuantización dinámica para optimizar el rendimiento dentro de las limitaciones de hardware. La arquitectura se basa en Python estándar y no requiere dependencias externas complejas, garantizando que funcione con un simple `git clone` en una instalación fresca de Pi OS.
- Consulta de estado del vehículo (presión de neumáticos, nivel de combustible) sin conexión a internet mediante RAG local sobre el manual del propietario.
- Integración con agentes domésticos para precalentar el habitáculo antes de salir o encender luces al llegar a casa basándose en eventos detectados por otros dispositivos.
- Notificación automática de eventos críticos como colisiones detectadas por la cámara o códigos de error almacenados, enviando clips y explicaciones al chat familiar.
- Control remoto seguro mediante Tailscale para bloquear puertas o cerrar ventanas desde el teléfono, manteniendo la red doméstica expuesta solo a la malla privada.
- Gestión dinámica de modelos locales permitiendo cambiar entre diferentes tamaños según la tarea (ej. modelo pequeño para velocidad vs modelo grande para razonamiento complejo).
- Registro y entrega tardía de mensajes en zonas sin cobertura mediante una cola en disco que asegura que ninguna información se pierda.
- Ejecución 100% offline con modelos locales optimizados (Qwen3.6-35B-A3B, Gemma 4) que no requieren suscripciones ni conexión a internet para funcionar.
- Sistema de voz sin palabras de activación usando VAD y whisper.cpp en el dispositivo, permitiendo interacción natural mientras se conduce.
- RAG basado en el manual del propietario (489 páginas) con citas exactas, asegurando que las respuestas estén fundamentadas en la documentación oficial.
- Despliegue autónomo mediante systemd que inicia todos los servicios al encender el Pi sin necesidad de intervención manual posterior.
- Métricas de rendimiento honestas y medidas directamente en el hardware (tokens/segundo) para tomar decisiones informadas sobre qué modelo cargar.
- Seguridad por diseño con guardrails que impiden cargar modelos que no caben en la RAM y evitan interrupciones durante la generación de respuestas.
- Requiere Raspberry Pi 5 con al menos 16 GB de RAM para ejecutar modelos grandes como Qwen3.6-35B-A3B sin depender de swap.
- La carga de modelos desde tarjeta microSD puede tardar varios minutos (aproximadamente 3 minutos para un modelo de 14 GB), lo que afecta la experiencia inicial.
- Funcionalidades de control del motor como encender/apagar el vehículo no están implementadas por razones de seguridad y legales.
- Algunas funcionalidades avanzadas como la decodificación de señales CAN o la integración con Home Assistant requieren configuración adicional y conocimientos técnicos.
- El sistema depende de una conexión inicial para descargar actualizaciones del repositorio, aunque luego funciona completamente offline.
Capturas del proyecto
Imágenes reales detectadas en la documentación del repositorio.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Instalar en Raspberry Pi 5 con 16 GB de RAM usando Pi OS. Configurar Tailscale para acceso remoto seguro a la red doméstica sin exponerla directamente. Gestionar modelos locales mediante el panel de control del sistema, eligiendo entre diferentes tamaños según la tarea. Asegurar que el sistema tenga suficiente espacio en disco para almacenar modelos y datos de entrenamiento. Verificar que los servicios systemd estén configurados correctamente para iniciar automáticamente al encender el dispositivo.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.