Inteligencia artificial arduino

Proyectos de aprendizaje automático con Arduino uno

35// extrae todas las operaciones TFLM, puedes eliminar esta línea y36// sólo extraer las operaciones TFLM que necesites, si quieres reducir37// el tamaño compilado del sketch.38tflite::AllOpsResolver tflOpsResolver;39

45// Crea un buffer de memoria estática para TFLM, el tamaño puede necesitar46// ser ajustado en base al modelo que estés usando47constexpr int tensorArenaSize = 8 * 1024;48byte tensorArena[tensorArenaSize] __attribute__((aligned(16)));49

68 // imprime las frecuencias de muestreo de las IMUs69 Serial.print(«Frecuencia de muestreo del acelerómetro = «);70 Serial.print(IMU.accelerationSampleRate());71 Serial.println(» Hz»);72 Serial.print(«Frecuencia de muestreo del giroscopio = «);73 Serial.print(IMU.gyroscopeSampleRate());74 Serial.println(» Hz»);75

Inteligencia artificial Arduino

En los últimos años ha habido cada vez más soluciones para ejecutar aprendizaje automático (ML) en microcontroladores. Algunas de las más populares son versiones reducidas de marcos diseñados para servidores. Pero éstos sólo son aptos para MCU bastante potentes.

Esta tecnología permite desarrollar dispositivos pequeños, con capacidad de autoaprendizaje y alimentados por batería, que pueden ser independientes de una nube o de otro dispositivo. Los datos de los sensores pueden procesarse allí donde se generan, directamente en el dispositivo. Los datos de entrenamiento pueden ser registrados por el dispositivo y utilizados para el entrenamiento.

AIfES es comparable y compatible con conocidos marcos de ML de Python. Esto incluye TensorFlow, Keras o PyTorch, aunque con una funcionalidad significativamente reducida. En la versión actual, se admiten redes neuronales feedforward (FNN), que se pueden configurar con total libertad. Además, ya están integradas funciones de activación comunes como ReLU, sigmoide o softmax. Pronto habrá una implementación completa de redes neuronales convolucionales (ConvNet).

El desarrollo del modelo también se basa en los frameworks de Python, por lo que puedes orientarte directamente. También se incluyen los algoritmos habituales para el entrenamiento, como el optimizador por descenso de gradiente (SGD) o el optimizador adam.

Arduino nano 33 ble sense

35// extrae todas las ops de TFLM, puedes eliminar esta línea y36// sólo extraer las ops de TFLM que necesites, si quieres reducir37// el tamaño compilado del sketch.38tflite::AllOpsResolver tflOpsResolver;39

45// Crea un buffer de memoria estática para TFLM, el tamaño puede necesitar46// ser ajustado en base al modelo que estés usando47constexpr int tensorArenaSize = 8 * 1024;48byte tensorArena[tensorArenaSize] __attribute__((aligned(16)));49

68 // imprime las frecuencias de muestreo de las IMUs69 Serial.print(«Frecuencia de muestreo del acelerómetro = «);70 Serial.print(IMU.accelerationSampleRate());71 Serial.println(» Hz»);72 Serial.print(«Frecuencia de muestreo del giroscopio = «);73 Serial.print(IMU.gyroscopeSampleRate());74 Serial.println(» Hz»);75

Arduino ai chatbot

Este ejemplo muestra cómo utilizar Simulink® Support Package for Arduino® Hardware para identificar formas como un triángulo y un círculo utilizando un algoritmo de aprendizaje automático. El modelo de este ejemplo se implementa en una placa de hardware Arduino Nano 33 IoT con un sensor IMU LSM6DS3 integrado.

Puedes sostener la placa Arduino en la palma de la mano y dibujar la forma en el aire. El sensor de la unidad de medición inercial (IMU) captura los datos de aceleración lineal y velocidad angular a lo largo de los ejes X-, Y- y Z-. Envías estos datos al algoritmo de aprendizaje automático, que identifica la forma que has dibujado y transmite la salida al puerto serie del hardware Arduino. La forma identificada por el algoritmo de aprendizaje automático se muestra en la ventana de comandos de MATLAB®.

Requisitos previosHardware necesarioConfiguración del hardwareConecte la placa Arduino Nano 33 IoT al ordenador host mediante el cable USB.Capture Data Set for Training Machine Learning AlgorithmEste ejemplo le proporciona el archivo MAT shapes_training_data.mat que contiene el conjunto de datos para las formas del círculo y el triángulo.Ejecute este comando en la ventana de comandos de MATLAB para cargar este archivo en MATLAB.load shapes_training_data

Acerca del autor

admin

Ver todos los artículos