Role A: AI推論＆エッジ連携モジュール

目的: EC2からローカルネットワーク内のカメラ映像をリアルタイムに取得する。

1. ローカルPCにTailscaleをインストールし「サブネットルーター」として設定。EC2からカメラのローカルIPへ疎通させる。
2. PythonのOpenCV (cv2.VideoCapture) を用いてRTSPストリームを取得する。

【重要】技術的課題と根本解決:
VPN経由ではパケット遅延が発生しやすく、標準の読み込みでは古いフレームがバッファに溜まり、推論が数秒〜数十秒遅延します。これを防ぐため、「カメラ読み込み専用のバックグラウンドスレッド」を作成し、常に最新の1フレームのみを保持し、古いフレームは即座に破棄（ドロップ）する設計を必ず実装してください。

目的: 映像から子供の危険状態を判定する。

1. 誤飲防止・侵入検知: YOLOv8を用いて、特定エリアへの人の侵入や、小さな物体の検出を行う。
2. 転倒・うつ伏せ検知: MediaPipe Poseを用いて骨格を抽出し、「頭部と足首のY座標の逆転（転倒）」や「顔のキーポイント消失（うつ伏せ）」を数学的に判定する。

【重要】技術的課題と根本解決:
EC2（CPU環境）では推論に時間がかかる場合があります。毎フレーム推論すると処理が追いつかないため、「Nフレームに1回だけ推論を実行する（フレームスキップ）」ロジックを組み込み、FPSの低下を防いでください。

目的: 危険を検知した際、フロントエンド（Role C）へ1秒以内にアラートを届ける。

1. AWS IoT Device SDK v2 を使用し、証明書を用いたmTLS接続を実装する。
2. 危険検知時に、JSON形式のペイロードを特定のトピックへPublishする。
3. （並行タスク）MT10/MT20のダミーJSONデータを定期的にPublishする別スクリプト（シミュレータ）も作成する。

【重要】技術的課題と根本解決:
VPNの鍵更新などでネットワークが瞬断すると、MQTTクライアントがクラッシュします。必ずSDKの「非同期イベントループ」と「自動再接続機能」を利用し、オフライン時はメッセージをキューイング（QoS 1）する堅牢な接続クラスを設計してください。

目的: 危険検知時の状況を、画像付きで保護者のWebexに通知する。

1. 検知時のフレーム画像に、YOLOのバウンディングボックスや警告テキストを描画する。
2. requests ライブラリを用いて、Webex Messaging APIへマルチパートデータとしてPOST送信する。

【重要】技術的課題と根本解決:
画像をディスクに保存してから送信すると、I/O待ちでシステム全体が数秒間フリーズします。必ず「メモリ上で直接JPEGエンコード（cv2.imencode）」し、さらに送信処理自体を「別スレッド（ThreadPoolExecutor等）」に逃がして、メインの推論ループを絶対にブロックしない非同期送信を実装してください。

目的: 上記の全モジュールを統合し、24時間稼働するデーモンプロセスにする。

カメラ取得、AI推論、MQTT送信、Webex送信を1つのメインコントローラークラスに統合します。カメラの接続が切れた場合の「自動再接続ループ」や、APIのタイムアウト例外をキャッチして握り潰さずにリトライ・スキップするエラーハンドリングを網羅してください。