TinyML在機器人中的應用——創(chuàng)建語音控制機器人子系統(tǒng)

通過對TinyML領域基礎概念的堅實理解，我們將把我們的知識應用到現實生活中的項目中。nbsp;

在深入研究這個項目之前，我想說明一下，這個項目將使用現有的數據集，Google Colabs和由Pete Warden和哈佛大學TinyML團隊開發(fā)的Arduino代碼。為了在我們的微控制器單元（MCU）上部署，他們的資源將為我們提供：

訪問數據集

模型架構

培訓腳本

量化腳本

評價工具

Arduino代碼

作為免責聲明，我們沒有開發(fā)絕大多數代碼，我們不擁有它的權利。nbsp;

所有的說和做，這個項目假設編程和電子的基本理解。

TinyML項目-構建語音命令機器人子系統(tǒng)

在這個項目中，我們將構建一個簡單的機器人子系統(tǒng)，使用機器學習來響應語音命令。微控制器將收集來自麥克風的輸入，使用ML來監(jiān)聽喚醒詞，如“向前”和“向后”，然后在命令的方向上驅動一個小型直流電機。

由于已經有很多關于用微控制器控制電機的好信息，本文將主要集中在演示如何：

使用現有資源使用TensorFlow Lite for Microcontrollers訓練ML模型

量化并將模型部署到Arduino Nano 33 BLE Sense

在Arduino上運行本地推理，并讓它控制由標準電池電源（AA或9 V）供電的電機

帶聲控電機的TinyML機器人子系統(tǒng)的BOM

在下面的表1中，您將找到此項目的物料清單（BOM）。

表1.

BOM例如TInyML聲控電機項目。整個項目將花費不到30美元。

（* 注：所有費用均自2021年9月起計算）

對于這個特定的項目，我從手頭已有的部件中選擇了大部分部件，如圖1所示。

圖1.

我在這個項目中使用的部件

在這個項目中，你將有很大的自由選擇其他類似的部分來復制這個項目。nbsp；

設置TinyML軟件Arduino納米33 BLE感

要在我們的Arduino Nano 33 BLE Sense上運行TinyML腳本，我們需要安裝一些包和依賴項。如果您的

安裝完成后，我們需要安裝Arduino Nano 33 BLE Sense的板文件。要執(zhí)行此操作，請從IDE中轉到Tools → Board → Boards Manager。在這里，搜索“mbed nano”并安裝“Arduino Mbed OS Nano Boards.“

如下圖2所示。

圖2.

我們需要安裝Nano 33 BLE Sense的板文件

在此之后，我們需要安裝此項目所需的庫。要執(zhí)行此操作，請轉到工具→管理庫。從那里，搜索并下載以下庫：

Arduino_TensorFlowLite

哈佛_TinyMLx

完成了這些，我們就可以開始這個項目了！

步驟1：使用TensorFlow Lite訓練機器學習模型

一般來說，ML工作流將從收集和標記數據集開始開始，然后從頭開始設計模型架構。為了時間和簡單起見，我們將通過利用一些現成的數據集和預先訓練的關鍵字識別模型來“作弊”，這兩個模型都是由Pete Warden開發(fā)的。為了利用這些資源并訓練我們的模型，我們將使用哈佛大學TinyML團隊開發(fā)的Google Colab中的腳本。nbsp；

Google Colab可以在這里找到。

首先，確保您在Colab中使用圖形處理單元（GPU）運行時（如圖3所示），因為這將顯著加快訓練時間。一旦你這樣做了，所有的代碼都可以按原樣使用了。nbsp；只需點擊每個單元格左上角的黑色"運行"按鈕，按順序運行每個單元格。& nbsp；

圖3.

您必須確保在Colab中使用GPU運行時

我們使用的模型架構是tiny_conv，我們將總共訓練15，000步。前12，000個將使用0.001的學習率，最后3，000個將使用0.0001的學習率。此外，我們還將訓練模型來理解“forwards”和“backwards”這兩個詞，Warden的關鍵字定位（KWS）數據集已經包含了這兩個詞。這可以在圖4中看到。

圖4

.這是Colab中的一部分，我們在這里定義要訓練的單詞、訓練參數和模型架構

請記住，培訓可能需要幾個小時才能完成，因此請確保您的計算機已插入電源，并且您的互聯(lián)網連接穩(wěn)定。

步驟2：量化和評估ML模型

訓練完成后，您將到達Colab中標記為步驟2的點。這里是量化開始的地方。

首先，我們凍結我們的模型，這是將所有相關的訓練結果（圖，權重等）組合到一個文件中進行推理的過程。一旦我們有了一個凍結的模型，我們將把模型轉換成一個TFLite模型。哈佛建立的腳本使這個過程相對容易，輸出的TFLite模型應該是完全量化的。最終的模型大小應該在20 kB以下。

當完全轉換后，Colab有腳本可用于比較量化和非量化模型之間的準確性。如果一切正常，準確度應該幾乎相同。

步驟3：將機器學習模型部署到Arduino

在繼續(xù)之前，我想讓你知道你可以在這里找到我的完整代碼作為參考。

一旦我們有了一個完全量化和轉換的TensorFlow Lite模型，我們需要將其部署到Arduino。我們將修改哈佛預先存在的micro_speech示例，您可以在Arduino IDE中找到：文件→示例→不兼容→哈佛_TinyMLx → micro_speech。nbsp；

您可能會有點不知所措，因為這段代碼中有很多內容；但是，出于本項目的目的，我們不需要關注其中的大部分內容。

首先，我們必須輸入新的TFLite Micro模型來代替當前在micro_speech示例中使用的模型。nbsp;在Colab的最后一個單元格中，我們應該輸出一個十六進制字符的大矩陣，如圖5所示。這是我們的TensorFlow Lite for Microcontrollers模型，將用于我們的Arduino代碼。nbsp;

圖5.

Google Colab輸出的TensorFlow Lite Micro模型片段

在micro_features_model.CPP文件中，僅復制并粘貼Colab中的十六進制字符，以取代文件中已有的字符。在Colab代碼的最底部，應該有一行寫著unsigned int g_model_len，后面跟著一個數字。最后一件事是從Colab復制這個數字，并將其插入Arduino代碼文件底部當前用于const int g_model_len的數字。

在此之后，與模型相關的唯一更改是在micro_features_micro_model_settings.CPP文件中。如圖6所示，將類別標簽"yes"和"no"更改為"forwards"和"backward"。確保你不碰"沉默"或"未知"的標簽。

圖6.

我們必須改變我們的新單詞的預期類別標簽

步驟4：解釋推理并編寫電機驅動程序代碼

此時，TFLite Micro模型應該按預期運行，現在我們需要驅動電機以響應TinyML推理輸出。為此，我們將修改arduino_command_responder. CPP文件。

如圖7所示，在文件的頂部，我們將添加幾個#define語句來定義Arduino上的哪些引腳將連接到電機驅動器上的哪些引腳。對于我們的項目，我們將使用D2作為ENABLE信號，D3作為Driver1A輸入，D4作為Driver2A輸入。請確保還將這些引腳設置為RespondToCommand（）函數中的pinMode（）函數的輸出。

圖7.

我們需要定義引腳，將其設置為輸出，并編寫簡單的motorCTRL函數。

從那里我們可以定義我們的運動控制功能。這個函數接受一個速度（我們不會為了這個項目的目的而改變它），以及一個Driver1A和Driver2A的邏輯值。基本上，如果驅動程序1A是高，驅動程序2A是低，電機將在一個方向旋轉。如果反過來，我們的馬達就會朝相反的方向旋轉。

現在剩下的唯一事情就是更改代碼中已經存在的命令響應。如圖8所示，我們將更改命令響應，以便如果找到的命令的第一個字符是"f"（即找到的命令是"Forward"），它將使電機向前旋轉。我們對"后退"命令執(zhí)行相同的操作。

圖8.

我們將根據ML模型找到的命令控制電機向前或向后移動。

步驟5：構建電機電路-電機驅動器電路

有了所有的軟件的方式，我們現在可以建立我們的電機驅動器電路。上面列出了BOM，示意圖如下圖9所示。

圖9.

我們的馬達驅動電路。

我們使用4.5到21 V的電壓源為Arduino和L293D供電。接線中的D4連接到電機驅動器2A輸入端，D3連接到電機驅動器1A輸入端，D2連接到EN 1，2。我們在每個信號上都有一個1 k Ω下拉電阻，以確保始終定義我們的狀態(tài)，為了安全起見，我們還有一個0.1 μ F電容用于去耦。

審核編輯 黃宇