研發紀事

        最近在閱讀有關 AI 領域的知識，常常聽到 TensorFlow 與 Pytorch 等名詞，還有 TensorFlow Lite 、 H5 、 PB模型 、 OpenVINO ...，底下我記錄下學習的心得。首先，我們要將 AI 區分成 前置作業階段 和 執行階段 ，前者主要工作為建立模型 、 收集資料 、 訓練... 等 ，如下圖所示，這個階段需要專業的工程人員，花費時間訓練並建立出最終的模型參數。後者則為執行過程，在什麼平台上面執行 AI 的判斷。 圖一：建立模型階段         在建立模型階段，工程師經常用到的語法就是 TensorFlow 或 Pytorch，將自己的演算法透過上述的程式語言不斷地訓練資料，來獲得最終的模型參數，而模型的優劣就是由這套演算法的好壞所決定。訓練過程，有幾項參數將與最終的模型參數有關，比如精密度 、 錯誤率...，精密度高且錯誤率低可能就要花費更多時間，精密度低且錯誤率高就可以節省一些運算空間....等等的 trade-off。         對於一般人而言，想要建立模型，當然不是一件容易的事。因此，Google推出一套 Teachable Machine https://teachablemachine.withgoogle.com/  讓一般人能快速建模，體驗一製作 AI 模型的過程。產生的模型格式，有 H5 (Keras 產出) 或 PB (TensorFlow 產出) 型態，根據夜市小霸王的說法[1]，PB 格式的效能比載入 H5 的運算效能高。接下來就是如何依照這個模型來執行判斷了。         在執行判斷的階段，拿到訓練後的模型後，我們要在什麼平台上面執行？可以是效能的 PC，可以是 NVIDIA 平台，也可以是 Intel OpenVINO 平台，或者在嵌入式的 MCU 上面執行。如果是在 Arduino 或者 ESP32 MCU 上面執行 AI 模型，可以參考 TensorFlow Lite for Microcollectors  連結，由於它是開源的程式碼，所以我們可以自行移植到其他的 MCU 平台。在 MCU 上面執行，當然就會犧牲一些準確率與模型的精密度。像 瑞昱 的 HUB 8735 模組，裡面就內建一套 RTL 自己的 AI 模型，可以做到 物件辨識、人臉辨識、 聲音種

        最近買一套無人機套件，並研究其原理。套件包含一個遙控器，以及無人機主體，如下圖所示。系統架構與先前的平衡車系統類似，MCU 為控制與運算的核心，周邊搭配一顆 MPU6050 重力加速計，用來偵測系統的軸向變化，再來就是控制馬達驅動的模組。從系統原理來看，無人機比平衡車的運算更為複雜，建議可以先從平衡車的系統開始學習，然後再來研究無人機的系統。 圖一：無人機的套件         遙控器的電路，由 STM32F103 為核心，搭配 NRF24L01 做為無線傳輸的模組，以及周邊的數個按鈕和兩顆搖桿頭。飛行器的電路，同樣以 STM32F103 為控制核心，搭配 NRF24L01 透過 SPI 介面控制，一顆 MPU6050 加速度計透過 I2C 介面控制，然後利用 PWM 訊號控制四軸的馬達。另外，STM32 的 USB 介面可以連接到電腦，電腦端會顯示一個 HID 裝置。這套件的資料中，提供 PC 上面的監控軟體，如下圖所示，能顯示目前飛行器的三軸情況，以及遙控器傳給飛行器的數值。不得不說這整套系統，從硬體到韌體，再到電腦端的監控軟體都非常專業，適合想進入這領域的人員好好學習。 圖二：PC 端的監控軟體         再來，韌體的開發，該套件提供完整的原始碼，遙控器和飛行器都是用 KEIL 工具來開發和編譯程式碼。要留意的是有的套件上面焊的是 F103C 6 ，有的是 F103C 8 ，這兩者晶片內部的 Flash 配置不同，前者是 Low Density 核心，後者是 Medium Density 核心，因此在編譯程式碼時要注意。         無人機的操作比起平衡車更需要安全性，畢竟平衡車是在二軸平面上運行，但是無人機是三軸空間的運行，危險性更高。當遙控器與飛行器主體建立連線後，飛行器的螺旋槳還處在鎖定狀態，不會旋轉。 解鎖的方式 需要遙控器的油門，油門壓到最低，再將油門加到最高，最後再將油門壓到最低後，螺旋槳便會開始轉動，此時慢慢增加油門，飛行器就會慢慢上升。