TinyML在机器人中的应用——创建语音控制机器人子系统

通过对TinyML领域基础概念的坚实理解，我们将把我们的知识应用到现实生活中的项目中。nbsp;

在深入研究这个项目之前，我想说明一下，这个项目将使用现有的数据集，Google Colabs和由Pete Warden和哈佛大学TinyML团队开发的Arduino代码。为了在我们的微控制器单元（MCU）上部署，他们的资源将为我们提供：

访问数据集

模型架构

培训脚本

量化脚本

评价工具

Arduino代码

作为免责声明，我们没有开发绝大多数代码，我们不拥有它的权利。nbsp;

所有的说和做，这个项目假设编程和电子的基本理解。

TinyML项目-构建语音命令机器人子系统

在这个项目中，我们将构建一个简单的机器人子系统，使用机器学习来响应语音命令。微控制器将收集来自麦克风的输入，使用ML来监听唤醒词，如“向前”和“向后”，然后在命令的方向上驱动一个小型直流电机。

由于已经有很多关于用微控制器控制电机的好信息，本文将主要集中在演示如何：

使用现有资源使用TensorFlow Lite for Microcontrollers训练ML模型

量化并将模型部署到Arduino Nano 33 BLE Sense

在Arduino上运行本地推理，并让它控制由标准电池电源（AA或9 V）供电的电机

带声控电机的TinyML机器人子系统的BOM

在下面的表1中，您将找到此项目的物料清单（BOM）。

表1.

BOM例如TInyML声控电机项目。整个项目将花费不到30美元。

（* 注：所有费用均自2021年9月起计算）

对于这个特定的项目，我从手头已有的部件中选择了大部分部件，如图1所示。

图1.

我在这个项目中使用的部件

在这个项目中，你将有很大的自由选择其他类似的部分来复制这个项目。nbsp；

设置TinyML软件Arduino纳米33 BLE感

要在我们的Arduino Nano 33 BLE Sense上运行TinyML脚本，我们需要安装一些包和依赖项。如果您的

安装完成后，我们需要安装Arduino Nano 33 BLE Sense的板文件。要执行此操作，请从IDE中转到Tools → Board → Boards Manager。在这里，搜索“mbed nano”并安装“Arduino Mbed OS Nano Boards.“

如下图2所示。

图2.

我们需要安装Nano 33 BLE Sense的板文件

在此之后，我们需要安装此项目所需的库。要执行此操作，请转到工具→管理库。从那里，搜索并下载以下库：

Arduino_TensorFlowLite

哈佛_TinyMLx

完成了这些，我们就可以开始这个项目了！

步骤1：使用TensorFlow Lite训练机器学习模型

一般来说，ML工作流将从收集和标记数据集开始开始，然后从头开始设计模型架构。为了时间和简单起见，我们将通过利用一些现成的数据集和预先训练的关键字识别模型来“作弊”，这两个模型都是由Pete Warden开发的。为了利用这些资源并训练我们的模型，我们将使用哈佛大学TinyML团队开发的Google Colab中的脚本。nbsp；

Google Colab可以在这里找到。

首先，确保您在Colab中使用图形处理单元（GPU）运行时（如图3所示），因为这将显著加快训练时间。一旦你这样做了，所有的代码都可以按原样使用了。nbsp；只需点击每个单元格左上角的黑色"运行"按钮，按顺序运行每个单元格。& nbsp；

图3.

您必须确保在Colab中使用GPU运行时

我们使用的模型架构是tiny_conv，我们将总共训练15，000步。前12，000个将使用0.001的学习率，最后3，000个将使用0.0001的学习率。此外，我们还将训练模型来理解“forwards”和“backwards”这两个词，Warden的关键字定位（KWS）数据集已经包含了这两个词。这可以在图4中看到。

图4

.这是Colab中的一部分，我们在这里定义要训练的单词、训练参数和模型架构

请记住，培训可能需要几个小时才能完成，因此请确保您的计算机已插入电源，并且您的互联网连接稳定。

步骤2：量化和评估ML模型

训练完成后，您将到达Colab中标记为步骤2的点。这里是量化开始的地方。

首先，我们冻结我们的模型，这是将所有相关的训练结果（图，权重等）组合到一个文件中进行推理的过程。一旦我们有了一个冻结的模型，我们将把模型转换成一个TFLite模型。哈佛建立的脚本使这个过程相对容易，输出的TFLite模型应该是完全量化的。最终的模型大小应该在20 kB以下。

当完全转换后，Colab有脚本可用于比较量化和非量化模型之间的准确性。如果一切正常，准确度应该几乎相同。

步骤3：将机器学习模型部署到Arduino

在继续之前，我想让你知道你可以在这里找到我的完整代码作为参考。

一旦我们有了一个完全量化和转换的TensorFlow Lite模型，我们需要将其部署到Arduino。我们将修改哈佛预先存在的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；

您可能会有点不知所措，因为这段代码中有很多内容；但是，出于本项目的目的，我们不需要关注其中的大部分内容。

首先，我们必须输入新的TFLite Micro模型来代替当前在micro_speech示例中使用的模型。nbsp;在Colab的最后一个单元格中，我们应该输出一个十六进制字符的大矩阵，如图5所示。这是我们的TensorFlow Lite for Microcontrollers模型，将用于我们的Arduino代码。nbsp;

图5.

Google Colab输出的TensorFlow Lite Micro模型片段

在micro_features_model.CPP文件中，仅复制并粘贴Colab中的十六进制字符，以取代文件中已有的字符。在Colab代码的最底部，应该有一行写着unsigned int g_model_len，后面跟着一个数字。最后一件事是从Colab复制这个数字，并将其插入Arduino代码文件底部当前用于const int g_model_len的数字。

在此之后，与模型相关的唯一更改是在micro_features_micro_model_settings.CPP文件中。如图6所示，将类别标签"yes"和"no"更改为"forwards"和"backward"。确保你不碰"沉默"或"未知"的标签。

图6.

我们必须改变我们的新单词的预期类别标签

步骤4：解释推理并编写电机驱动程序代码

此时，TFLite Micro模型应该按预期运行，现在我们需要驱动电机以响应TinyML推理输出。为此，我们将修改arduino_command_responder. CPP文件。

如图7所示，在文件的顶部，我们将添加几个#define语句来定义Arduino上的哪些引脚将连接到电机驱动器上的哪些引脚。对于我们的项目，我们将使用D2作为ENABLE信号，D3作为Driver1A输入，D4作为Driver2A输入。请确保还将这些引脚设置为RespondToCommand（）函数中的pinMode（）函数的输出。

图7.

我们需要定义引脚，将其设置为输出，并编写简单的motorCTRL函数。

从那里我们可以定义我们的运动控制功能。这个函数接受一个速度（我们不会为了这个项目的目的而改变它），以及一个Driver1A和Driver2A的逻辑值。基本上，如果驱动程序1A是高，驱动程序2A是低，电机将在一个方向旋转。如果反过来，我们的马达就会朝相反的方向旋转。

现在剩下的唯一事情就是更改代码中已经存在的命令响应。如图8所示，我们将更改命令响应，以便如果找到的命令的第一个字符是"f"（即找到的命令是"Forward"），它将使电机向前旋转。我们对"后退"命令执行相同的操作。

图8.

我们将根据ML模型找到的命令控制电机向前或向后移动。

步骤5：构建电机电路-电机驱动器电路

有了所有的软件的方式，我们现在可以建立我们的电机驱动器电路。上面列出了BOM，示意图如下图9所示。

图9.

我们的马达驱动电路。

我们使用4.5到21 V的电压源为Arduino和L293D供电。接线中的D4连接到电机驱动器2A输入端，D3连接到电机驱动器1A输入端，D2连接到EN 1，2。我们在每个信号上都有一个1 k Ω下拉电阻，以确保始终定义我们的状态，为了安全起见，我们还有一个0.1 μ F电容用于去耦。

审核编辑 黄宇