| configs | ||
| detect_server | ||
| docs | ||
| models | ||
| scripts | ||
| src | ||
| talk_server | ||
| tests | ||
| .gitattributes | ||
| .gitignore | ||
| .python-version | ||
| pyproject.toml | ||
| README.md | ||
| uv.lock | ||
cmvr-edge-ai
cmvr-edge-ai 是部署在机器人边缘端的、配置驱动的 AI 流水线运行时。它把上游传感器、AI 算法和下游机器人/平台接口拆成可组合节点，通过 YAML 把节点连接成有向无环图（DAG）。协议只出现在边界连接器中，算法节点使用统一的内部消息，因此以后增加 HTTP、gRPC、UDP 或 QUIC 时不需要改动算法本身。
当前版本已经包含可运行的检测链路和框架基础设施：
- 严格 YAML 配置校验、环境变量展开和 DAG 编译检查；
Source -> Operator -> Sink异步运行时；- 每条边独立的有界队列和明确的溢出策略；
- 版本化插件注册表、检测模型注册表和 Python entry point 扩展机制；
- cmvr-es RGB 相机 gRPC Source（带退避上限的指数重连）、AGV gRPC Sink；
- PyAV H264/H265 有状态解码、通用检测模型节点和重复命中规则节点；
- Construction PPE、六类 PPE YOLOv8n、People-Talking YOLOv8x 与 YOLOv8n Mobile Phone 模型注册，以及按标签、置信度和最大 FPS 的部署配置；
- 平台 HTTP JSON Sink，支持有限重试、
raise/log_and_drop失败策略，并使用告警event_id作为幂等键； RobotCommand -> ApprovedRobotCommand安全门和无重试的类型化 AGV 命令映射；- 文本/JSON 日志、共享 gRPC Channel 与 HTTP Client；
- 可直接执行的最小测试 fixture，以及包含 PPE/电话使用检测和对话占位链路的统一部署配置。
configs/edge_ai.yaml 是统一部署配置，其中同时定义 detection 和 talk 两个
Pipeline。detection 从同一个相机 decoder 并行运行 Construction PPE 与
People-Talking 两个 detector，各自经过独立时间窗口规则后向同一个告警平台上报；
model_id 和 rule_id 用于区分事件。六类 PPE 模型仍保留在注册表中，但不在当前
Pipeline 图中实例化。
VAD/ASR/LLM/TTS 尚未内置；talk 仍使用模拟音频数据，等待 cmvr-es 音频双向流
proto 落地。
架构概览
flowchart LR
A["cmvr-es / 平台<br/>gRPC、HTTP、未来 UDP/QUIC"] --> B["Source 连接器"]
B --> C["每条边独立的有界队列"]
C --> D["Operator DAG<br/>解码、检测、VAD、ASR、LLM、TTS、策略"]
D --> E["Safety Gate"]
D --> F["平台 Sink"]
E --> G["机器人执行器 Sink"]
内部节点传递 Envelope[T]，其中包含载荷、schema/version、采集时间、序号、截止时间、trace_id 和 session_id。连接器负责 protobuf/HTTP JSON 与内部契约之间的转换，AI 插件不应直接依赖 cmvr-es protobuf。
完整设计和配置字段见 docs/architecture.md。
目录
cmvr_edge_ai/
├── .python-version # uv 默认 Python 3.10
├── uv.lock # 所有 profile 的可复现依赖锁
├── configs/
│ ├── edge_ai.yaml # detection + talk 统一部署配置
│ └── debug/
│ └── detection_viewer.yaml # 远端相机 -> PPE+电话检测 -> 合并画框窗口
├── detect_server/
│ ├── README.md # PPE/电话检测链路与 Viewer 使用说明
│ └── show_detections.py # OpenCV 实时检测结果 Demo
├── models/
│ └── detection/ # 按模型 ID/版本组织的检测模型制品库
│ ├── construction-ppe-yolov8/v1/ # best.pt + 独立 model card
│ ├── ppe-6classes-yolov8n/v1/ # best.pt + 独立 model card
│ ├── people-talking-yolov8x/v1/ # best.pt + 独立 model card
│ └── yolov8n-mobile-phone/ # Viewer 手机目标检测权重 + model card
├── talk_server/
│ └── nodes/ # 对话插件预留目录
├── scripts/
│ ├── bootstrap.sh # 一键创建 uv 环境、生成 bindings 并自检
│ └── generate_cmvr_stubs.py # 从 cmvr-es proto 生成 Python bindings
├── src/cmvr_edge_ai/
│ ├── config/ # 配置模型、加载与环境变量展开
│ ├── core/ # Envelope、组件接口、队列和 DAG 运行时
│ ├── contracts/ # 协议无关的图像、音频、AI 和控制契约
│ ├── detection/ # 模型注册、视频解码、推理与时间窗口规则
│ ├── plugins/ # 插件注册、发现和内置基础插件
│ ├── connectors/ # cmvr-es 与平台边界连接器
│ ├── transports/ # gRPC/HTTP 连接池；UDP/QUIC 扩展位置
│ ├── workers/ # 显式线程 offload 与常驻进程 Worker 工具
│ ├── observability/ # 低开销文本/JSON 日志
│ ├── application.py # 多 Pipeline 与共享网络客户端的所有者
│ ├── compiler.py # 配置到可执行 DAG 的编译器
│ └── cli.py # validate/run/plugins/models
└── tests/
└── fixtures/
└── minimal_pipeline.yaml # 不依赖外部服务的框架/CLI 自检配置
快速开始
项目使用 uv 管理 Python、.venv 和锁定依赖。.python-version 默认选择
Python 3.10，支持范围是 3.10～3.12；首次执行时，uv 会在本机没有合适解释器时
自动安装。先确认已经安装 uv：
uv --version
未安装时可使用 uv 官方安装器：
curl -LsSf https://astral.sh/uv/install.sh | sh
只验证框架和模拟对话链路时，一条命令创建最小环境并自检：
cd /home/xtkuang/Projects/cmvr/cmvr_edge_ai
bash scripts/bootstrap.sh --profile core
uv.lock 是安装的唯一版本来源；bootstrap 使用 uv sync --locked，不会在用户
机器上重新选择依赖版本。无需 source .venv/bin/activate，统一通过
uv run --no-sync 使用已经安装好的环境：
配置中的相对文件路径按进程启动时的当前工作目录（cwd）解析，不是按 YAML
文件所在目录解析。因此本文的 bootstrap、validate、run 和 Viewer 命令都应从仓库根目录
/home/xtkuang/Projects/cmvr/cmvr_edge_ai 执行；从其他目录启动时，必须把
配置中的模型等文件路径改为正确的绝对路径。
uv run --no-sync cmvr-edge-ai validate \
--config tests/fixtures/minimal_pipeline.yaml
uv run --no-sync cmvr-edge-ai plugins
uv run --no-sync cmvr-edge-ai run \
--config tests/fixtures/minimal_pipeline.yaml \
--log-level INFO \
--log-format text
预期会看到两条日志，内容分别包含 framework-ready 和 bounded-dag-running。该 Source 是有限数据源，数据处理完后进程会自然退出。
bootstrap 支持以下环境：
| Profile | 安装内容 | 命令 |
|---|---|---|
core |
框架核心、最小测试 fixture 和模拟 talk 链路 | bash scripts/bootstrap.sh --profile core |
detection-cpu |
gRPC、HTTP、PyAV、Pillow 告警图片和固定版本 CPU YOLO；默认值 | bash scripts/bootstrap.sh |
dev |
detection-cpu 加测试和 protobuf codegen 工具，并运行完整测试 |
bash scripts/bootstrap.sh --profile dev |
如果只希望安装、不执行自检，可加 --skip-check。完整参数通过以下命令查看：
bash scripts/bootstrap.sh --help
不要使用 uv sync --all-extras：yolo 与 yolo-cpu 是为不同 PyTorch 来源准备的
互斥环境。请使用 bootstrap profile，或显式只选择其中一个 extra。
告警图片的画框和 JPEG 编码由独立的 image extra 提供；默认的
detection-cpu/dev profile 已安装它，手动组合检测环境时也必须选择
--extra image。
CLI 的四个子命令如下：
| 命令 | 用途 |
|---|---|
validate -c FILE [--pipeline ID] |
加载配置、展开环境变量、构造插件并校验 DAG；不启动 Pipeline |
run -c FILE [--pipeline ID] |
启动选中的 Pipeline；未指定时启动所有 enabled: true 的 Pipeline |
plugins |
列出内置插件和已安装 entry point 插件 |
models |
列出检测模型 ID、名称、backend 和注册的全部标签 |
--pipeline 可以重复传入。run 还支持 --log-level 和 --log-format text|json。配置错误退出码为 2，运行错误为 1，键盘中断为 130。
生产配置 configs/edge_ai.yaml 在一个 YAML 中同时定义 detection 和 talk。部署时
建议显式传 --pipeline detection 或 --pipeline talk，这样进程只加载并运行选中的
链路；需要同进程运行两条链路时，可以重复传两个 --pipeline。如果完全省略
--pipeline，运行时会启动配置中所有 enabled: true 的 Pipeline。
运行视觉检测链路
默认 bootstrap 就是当前 YAML 使用的 CPU 检测环境。它会从相邻的
../cmvr-es 读取 proto、用锁定的 grpcio-tools 生成 bindings，然后安装完整
检测依赖并校验最小测试 fixture 和统一配置中的 PPE 链路：
cd /home/xtkuang/Projects/cmvr/cmvr_edge_ai
bash scripts/bootstrap.sh
如果 cmvr-es 不在相邻目录，显式指定路径：
bash scripts/bootstrap.sh \
--cmvr-es-root /home/xtkuang/Projects/cmvr/cmvr-es
bootstrap 默认使用 portable codegen，所以不要求 cmvr-es 已经编译出 protoc。
要跳过生成（例如部署包已经包含匹配版本的 bindings），使用
--skip-codegen。手动生成时可以执行：
uv sync --locked --only-group codegen
.venv/bin/python scripts/generate_cmvr_stubs.py \
--cmvr-es-root /home/xtkuang/Projects/cmvr/cmvr-es \
--portable
生成文件默认写入 src/cmvr/...，使 cmvr.api.*_pb2 可以被连接器导入。
生成后应再次执行目标 profile 的 uv sync --locked，让可编辑安装识别新包；bootstrap
已经按这个顺序处理。
在 configs/edge_ai.yaml 的 detection Pipeline 中配置部署参数：
endpoints:
cmvr_es:
target: 127.0.0.1:50052
ppe_alert_platform:
base_url: http://127.0.0.1:8081
pipelines:
detection:
nodes:
camera:
with:
device_id: right_hand_cam
stream_log_interval_s: 5
detector:
with:
attach_frame: true
inference_log_interval_s: 5
model_options:
weights: models/detection/construction-ppe-yolov8/v1/best.pt
device: cpu
repeat_gate:
with:
alert_image:
enabled: true
jpeg_quality: 85
phone_detector:
with:
model: people-talking-yolov8x@1
detect_labels: [talking on phone]
max_fps: 5
attach_frame: true
model_options:
weights: models/detection/people-talking-yolov8x/v1/best.pt
device: cpu
phone_repeat_gate:
with:
alert_image:
enabled: true
jpeg_quality: 85
alert_platform:
with:
endpoint: ppe_alert_platform
failure_mode: log_and_drop
然后验证并运行检测链路，不再要求预先导出环境变量：
uv run --no-sync cmvr-edge-ai models
uv run --no-sync cmvr-edge-ai validate \
--config configs/edge_ai.yaml \
--pipeline detection
uv run --no-sync cmvr-edge-ai run --config configs/edge_ai.yaml \
--pipeline detection \
--log-level INFO \
--log-format json
启动后，detector 和 phone_detector 会分别输出一条 detection model loaded，表示
两份权重已经成功加载。收到解码帧并完成真实 predict 后，会分别输出
detection inference，之后
按 inference_log_interval_s 聚合输出一次；其中 window_frames 是本周期推理帧数，
window_detections 是检测框总数，hit_labels 是各标签的检测框累计数。持续只有 loaded 而没有
inference，说明相机或 decoder 尚未把帧送到模型；inference 中 detection 为 0 只表示
当前阈值下没有命中。短时调试可设为 1 秒，生产环境可设为 30～60 秒，省略则关闭
周期推理日志。这里使用标准日志而不是裸 print，因此与 --log-format json 兼容。
如果需要直接观察两个模型在同一帧上的画框结果，使用独立的 OpenCV Demo。它连接同一个 cmvr-es gRPC CameraService，共享解码帧并行执行 PPE 与 YOLOv8n Mobile Phone，再把两个结果 合并到一个窗口；它不经过重复触发规则，也不会访问 HTTP 平台：
uv run --no-sync python detect_server/show_detections.py \
--config configs/debug/detection_viewer.yaml \
--pipeline detection_show \
--log-level INFO
运行前在 configs/debug/detection_viewer.yaml 中配置远端地址、device_id 和两份模型
权重；按 q 或 Esc 退出。框标签使用 PPE:/PHONE: 前缀，手机框标签为
PHONE:mobile_phone，窗口刷新率由较慢的模型分支决定。详细说明见
detect_server/README.md。
相机连接器会在每次首次连接或重连时先发 CameraService.StartCamera，收到成功反馈后
才建立 GetRGBImageStream。终端会依次出现 camera start requested/succeeded、
camera stream opening、camera stream first frame 和周期性的 camera stream progress。
如果只有 opening 而没有 first frame，progress 中会持续显示
first_frame_received=false window_frames=0，用于区分“RPC 已建立但相机没有出帧”。
运行前需要确认 Construction PPE 与 People-Talking 权重存在、cmvr-es 已启用 right_hand_cam，8081 平台的
/v1/detection-alerts 可访问。默认 yolo-cpu profile 将 PyTorch 2.7.0 和
torchvision 0.22.0 绑定到官方 CPU wheel，并固定 checkpoint 记录的 Ultralytics
8.4.31；同时显式安装 People-Talking checkpoint 反序列化所需的 dill。
model_options.device 在该环境中应保持 cpu，half 应保持 false。
x86 CUDA 和 Jetson/JetPack 的 PyTorch wheel 与驱动强绑定，不能复用这个 CPU
profile。项目保留了不绑定 CPU index 的 yolo extra 作为设备专用环境的基础，但
GPU 部署前应为目标设备建立单独的 uv source/lock（或使用 NVIDIA 容器），再把 YAML
中的 device 改为 cuda:0；不要只改 YAML 就认为 CUDA 环境已经就绪。
detection.model@1 根据 model 从 DetectionModelRegistry 解析模型。detect_labels 只选择需要检测的标签，省略时检测注册模型的全部标签；confidence 是全局阈值，也可以用 label_confidence 为个别标签覆盖。当前四个内置模型都可以通过 cmvr-edge-ai models 查看，模型制品和独立 model card 位于仓库内：
- Construction PPE YOLOv8 v1：包含正向 PPE、
No-*违规类和施工现场设备类； - PPE YOLOv8n 6 Classes v1：轻量的六类正向装备检测模型。
- People Talking YOLOv8x v1：电话使用行为检测；Pipeline 只选择
talking on phone类。 - YOLOv8n Mobile Phone v1：单类手机目标检测；Debug Viewer 使用
mobile_phone类。
注册 ID 中的 @1 表示版本 1；多数制品使用 v1 子目录，当前 YOLOv8n Mobile
Phone 保留导入时的扁平目录和上游文件名。实际 weights 路径仍由部署 YAML 显式
指定。标签顺序、训练指标、局限和许可声明以上述 model card 为准。
attach_frame: true 让检测结果临时携带对应的解码帧，供后续告警节点使用；因此原 detector 到 repeat gate 的队列应保持较小，避免堆积未压缩图像。
六类模型的标签是 Gloves、Vest、goggles、helmet、mask 和 safety_shoe，
语义是“画面中检测到了该装备”，不是“人员缺少该装备”。它没有 Person 或 No-*
类，也没有人员与装备关联能力，因此不能只靠配置推断某个人未佩戴 PPE。该模型当前仅
注册、未被 configs/edge_ai.yaml 的 detection Pipeline 引用；需要恢复第二分支时，应同时配置 detector、
8082 endpoint、HTTP Sink 和两条关联 edge。
当前 Construction PPE 和 People-Talking 分支从 decoder 输出端口 fan-out，共享同一个 相机订阅和 PyAV decoder；两个模型仍会分别加载和推理，并共享应用的有界线程池。 People-Talking 是视觉行为判断，不能证明电话已接通，也不能区分来电和去电。
detection.repeat_gate@1 只在一个规则的 window_ms 内看到至少 min_hits 个不同帧后生成 DetectionAlert/v1。同一帧有多个同类框仍只算一次；触发后进入 cooldown_ms，冷却期间不累计，结束后必须重新满足次数。scope: source 按相机统计；scope: track 按 track_id 统计，但当前 YOLO adapter 只做逐帧检测，不产生 track_id，因此使用 track 规则前必须增加跟踪/关联节点。
启用 alert_image 后，repeat gate 只在规则真正触发时使用 Pillow 对阈值帧画框并编码 JPEG，不会给每一帧都生成图片。告警的 detections 和图片中的 bounding boxes 都来自达到 min_hits 的阈值帧；窗口内更早帧只参与 hit_count、时间范围和最大置信度统计。HTTP JSON 中图片位于 payload.image：
{
"image": {
"media_type": "image/jpeg",
"width": 1280,
"height": 720,
"encoding": "base64",
"data": "..."
}
}
这里的外层对象是 DetectionAlert payload 的片段；HTTP JSON Sink 会把内部 JPEG
bytes 转成上述扁平 Base64 图片对象。未启用图片，或运行时因第三方结果未附带
帧、坏帧等原因渲染失败时，告警仍会发送且 payload.image 为 null。
同一阈值帧若同时触发多条规则或多个 track，只编码一次相关框的并集，并让这些
告警共享同一个不可变 JPEG 对象，以限制边缘端瞬时 CPU 和内存开销。
对话占位链路不依赖音频 proto：
uv run --no-sync cmvr-edge-ai validate \
--config configs/edge_ai.yaml \
--pipeline talk
uv run --no-sync cmvr-edge-ai run \
--config configs/edge_ai.yaml \
--pipeline talk
配置最小示例
api_version: cmvr.edge.ai/v1
runtime:
thread_workers: 2
shutdown_timeout_s: 5
pipelines:
example:
enabled: true
nodes:
source:
uses: core.sequence_source@1
with:
items: [hello]
schema_name: TextEvent
schema_version: 1
sink:
uses: core.log_sink@1
edges:
- from: source.output
to: sink.input
qos:
profile: request
capacity: 4
overflow: block
配置模型是严格的，多余字段会报错。字符串支持以下环境变量形式：
${NAME}：变量必须存在；${NAME:-default}：未设置或为空时使用默认值；env://NAME：整个字符串取自必填环境变量。
v1 支持五个 qos.profile，并在编译期约束其溢出策略：编码 H264/H265 在解码前必须使用 video_contiguous，只能阻塞或拒绝；解码后的完整图像可使用 realtime_latest 丢旧帧控制延迟；audio_contiguous 和 request 只能阻塞或拒绝；telemetry 支持全部策略。未填写 QoS 时使用无损的 request + block + capacity=1。reject 会抛异常，error 是它的兼容别名。max_age_ms、put_timeout_ms 已预留，设置后 validate 会拒绝配置。完整矩阵见架构文档。
注册新的检测模型
检测模型和 DAG 插件是两层注册：流水线固定使用通用的 detection.model@1，具体模型通过 DetectionModelRegistry 注册 DetectionModelSpec。每个 spec 必须给出版本化 model_id、面向运维的 name、有序且唯一的 supported_labels、backend 和 factory。factory 返回实现 load/predict/close 的 DetectionModel；部署 YAML 中的 model_options 原样交给它。第三方模型包可以使用 cmvr_edge_ai.detection_models entry point 发布 spec 或注册回调。安装后先执行 cmvr-edge-ai models，再让配置引用其中的精确模型 ID。
仓库自带制品统一放在 models/detection/<model-name>/vN/，并在每个版本目录保存
README.md model card。新的 model_id 尾部 @N 应与制品目录 vN 保持一致。
模型实际输出的标签仍会在通用 Operator 边界二次校验和过滤；模型返回未注册标签会让节点失败。直接相连的重复规则若引用了 detector 没有选择的标签，也会在 validate 阶段被编译器拒绝。
开发插件
插件必须使用带版本的稳定 ID，例如 example.text_upper@1，并声明节点种类、输入/输出端口及 schema。工厂签名固定为 (node_id, params)；组件分别继承 Source、Operator 或 Sink。
from collections.abc import Mapping
from typing import Any
from cmvr_edge_ai.contracts import TextEvent
from cmvr_edge_ai.core import Emission, Envelope, Operator
from cmvr_edge_ai.plugins import PluginKind, PluginRegistry, PluginSpec
class UppercaseOperator(Operator):
def __init__(self, node_id: str, params: Mapping[str, Any]) -> None:
self.node_id = node_id
async def process(
self, envelope: Envelope[Any], input_port: str = "input"
) -> Emission:
event = envelope.payload
if not isinstance(event, TextEvent):
raise TypeError("expected TextEvent")
result = TextEvent(text=event.text.upper(), role=event.role, final=event.final)
return Emission(
"output",
envelope.with_payload(result, schema_name="TextEvent", schema_version=1),
)
def register_plugins(registry: PluginRegistry) -> None:
registry.register(
PluginSpec(
plugin_id="example.text_upper@1",
kind=PluginKind.OPERATOR,
factory=UppercaseOperator,
inputs={"input": "TextEvent/v1"},
outputs={"output": "TextEvent/v1"},
description="Uppercase text events",
)
)
在插件包的 pyproject.toml 中注册：
[project.entry-points."cmvr_edge_ai.plugins"]
example = "my_cmvr_plugin.plugins:register_plugins"
安装插件包后，用下面的命令确认发现成功：
uv run --no-sync cmvr-edge-ai plugins
配置文件不能通过 module:Class 任意导入代码；只会使用内置或已安装 entry point 注册的插件。插件完整生命周期、返回值规范和连接器开发约定见 docs/architecture.md。
机器人控制安全边界
控制链固定为：
Policy -> RobotCommand/v1
-> safety.robot_command_gate@1
-> ApprovedRobotCommand/v1
-> cmvr.grpc.agv_command_sink@1
AGV Sink 只接受 ApprovedRobotCommand，原始 RobotCommand 会在运行时被拒绝。配置编译器还要求安全门是执行器的直接前驱；安全门与 actuator 之间不能插入其他节点，也不能增加绕过安全门的输入边。内置安全门负责过期检查和默认 5 秒的最大 TTL、动作/设备白名单、参数范围、最小发送间隔及默认开启的单调序号检查；不合格命令会被丢弃并记录 warning，不会因为一条业务拒绝停止整条 Pipeline。
AGV Sink 必须绑定固定的非空 device_id。set_velocity 默认禁用；unsafe_allow_unleased_velocity: true 只是面向隔离测试场景的显式逃生开关，并且仍要求 Sink 配置 vx/vy/wz 的 velocity_limits。它只能限制当前客户端发出的数值，并在正常关闭时尽力调用 stopVelocityControl；进程崩溃、SIGKILL、断电或网络分区时无法保证停车。
真实机器人要启用持续速度控制，必须先在 cmvr-es 服务端实现带过期时间的 lease/deadman：客户端停止续租后，由 cmvr-es 在独立于 edge-ai 进程的安全路径中自动清零速度并停车。客户端的安全门、TTL 和 shutdown hook 不能替代这项服务端保护。
当前实现边界
- 音频内部契约
AudioChunk/v1已定义，但 cmvr-es 麦克风/扬声器双向流 proto 和连接器尚未落地。 - UDP 与 QUIC 目录目前是扩展占位，没有可用传输实现。
- 运行时 v1 只支持
execution.mode: async|inline，两者当前都是单 task、单并发执行。thread、process、model_worker是保留值；concurrency != 1、非空max_in_flight/timeout_s、ordered: false也是保留配置，都会在编译期被拒绝。插件仍可在组件内部显式使用workers.run_blocking()、PersistentProcessWorker或自有模型 Worker，但不能把execution声明误当作自动调度。 - v1 对未实现的声明采取 fail-closed：显式设置
runtime.max_processes/process_start_method/health_bind/reserved_memory_mb、非默认 pipelinepriority或任何非空resources都会在编译期被拒绝。健康状态和队列统计目前只能通过 Python API 获取。 - 当前没有配置热更新、配置 overlay、持久化 outbox/spool 或共享内存图像池。HTTP Sink
只有当前进程内的有限重试；默认
failure_mode: raise会终止 Pipeline，当前检测配置的log_and_drop则在重试耗尽后记录 WARNING 并丢弃该告警。两种模式在进程退出或断电时 都可能丢失未上报数据。 - 相机 Source 可以重连，但 cmvr-es 当前服务端通过
getLatestEncodedFrame获取最新编码数据；如果上游在 edge-ai 收到之前已跳过 H264/H265 参考包，video_contiguous无法补回数据，解码器只能在错误后重置并等待关键帧。正式部署应验证 cmvr-es 输出的是连续 access unit 流，或改为对 AI 友好的原始/JPEG/可检测不连续性的接口。 - 内置 YOLO adapter 不运行 tracker，所有检测的
track_id都为空；当前示例因此使用scope: source。 - PPE 权重仓库对权重的许可说明与 Ultralytics runtime/checkpoint 中的 AGPL 信息需要在商业交付前核对，并同时确认训练数据和权重分发许可。
- 端口 schema 在编译期按字符串匹配；运行时不会自动验证 Python payload 类型，插件必须在边界处主动检查。
- AGV 执行器不会自动重试。安全门已提供动作/设备白名单、TTL、参数范围、最小间隔和单调序号检查，但设备状态、command ID 去重、来源仲裁、服务端 lease/deadman 和急停优先级仍需按机器人型号补齐。服务端 deadman 未完成前，禁止把
set_velocity用于真实机器人持续运动。
这些限制及推荐演进顺序在 docs/architecture.md 中有更详细说明。