8. Strojové učení

• Seznámení výstupem z 6DOF IMU ICM-20648
• Základní zpracování
  • Metoda nejmenších čtverců
  • Kálmánův filtr
  • IMU interpretace
• Rozpoznání náklonu akcelerometru

• Least Squares Regression
• http://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/
• Using Inertial Sensors for Position and Orientation Estimation

Cílem této úlohy je natrénovat SVM klasifikátor tak, aby rozpoznal přibližné naklonění akcelerometru. Abychom toho mohli dosáhnout, je třeba projít těmito kroky:

1. Získání trénovacích dat
2. Označení trénovacích dat (štítky)
3. Natrénování modelu
4. Predikce pomocí v reálném čase

Program pro Thunderboard čte data z IMU a posílá je do PC po rozhraní. Jedná se o data typu float, takže je nutné promyslet, jak data přenést. Dobrým nápadem je přenášet data ve struktuře, můžete se inspirovat tímto kódem.

Na straně PC je třeba datat dekódovat a uložit do souboru s jednoduše editovatelným formátem, případně zobrazit. Lze vycházet např. z kódu na gitlabu, nebo použít následující:

import struct
import numpy as np
#
points = []
# cteni ze serioveho portu
byte = ser.read(24)
points.append(struct.unpack('6f', byte))

Pro offline analýzu uložte data do souboru ve formátu CSV. To lze udělat např. pomocí modulu csv.

import csv
 
header = ['acc_x', 'acc_y', 'acc_z', 'gyr_x', 'gyr_y', 'gyr_z']
data = [0.0, 0.0, 0.0, 0.0, 0.0, 0.0]
 
 
with open('data.csv', 'w', encoding='UTF8', newline='') as f:
    writer = csv.writer(f)
 
    # write the header
    writer.writerow(header)
 
    # write the data
    writer.writerow(data) 

Rozpoznání náklonu akcelerometru je velmi jednoduchá klasifikační úloha. Hledané třídě (náklonu) odpovídá kombinace diskrétní hodnot, získaných z IMU. Nasbíraná data rozdělíme do tříd tak, že do jednotlivých řádků doplníme jednoznačný štítek, např. takto

• 0 - vodorovně
• 1 - náklon dopředu
• 2 - náklon dozadu

Štítky nemusí být číselné, může to být i textový řetězec. Příklad výsledného souboru:

acc_x,acc_y,acc_z,gyr_x,gyr_y,gyr_z,class
0.076416015625,-0.04150390625,1.00341796875,0.030517578125,6.591796875,0.9307861328125,0
0.1044921875,-0.04052734375,0.851318359375,-2.95257568359375,9.6435546875,-0.38909912109375,0
...
0.173583984375,0.426513671875,0.89892578125,2.99072265625,10.36834716796875,1.8768310546875,1
0.146728515625,0.327392578125,0.689697265625,3.692626953125,4.31060791015625,4.6844482421875,1
...
-0.076904296875,-0.660888671875,0.782958984375,5.767822265625,2.02178955078125,2.4566650390625,2
-0.1162109375,-0.67138671875,0.619384765625,6.44683837890625,-15.106201171875,-0.61798095703125,2

Uložená data použijeme jako trénovací (70% dat) a testovací (30% dat) množinu pro získání klasifikátoru.

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn import svm
import pickle
 
dataset = pd.read_csv('data.csv')
X = dataset.iloc[:, [0, 1, 2, 3, 4, 5]].values
y = dataset.iloc[:, [6]].values
 
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.30, random_state = 0)
 
clf = svm.SVC(kernel='linear')
clf.fit(X_train, np.ravel(y_train))

Klasifikátor je možné uložit pro pozdější použití např. pomocí modulu pickle.

filename = 'model.sav'
pickle.dump(clf, open(filename, 'wb'))

Pokud máme k dispozici model, je možné použít předikci z dat, které v reálném čase získáváme z Thunderboardu:

clf = pickle.load(open('model.sav', 'rb'))
# ziskani dat
D = [[data.acc_x, data.acc_y, data.acc_z, data.gyr_x, data.gyr_y, data.gyr_z]]
# predikce
print(clf.predict(D))

Projekt je inspirován tímto tutoriálem.

K rozpoznání gest je třeba si nejprve připravit trénovací data. Zkusíme rozpoznat následující pohyby:

• bez pohybu (důležité)
• pohyb vodorovný
• pohyb svislý
• pohyb krouživý
• vlnovka

Pro každý z těchto pohybů nasbírejte data do textového souboru. Následující kód slouží pro přípravu trénovací množiny.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import math
 
if __name__ == '__main__':
    # assume you saved your recordings into a "data" folder
    rest = pd.read_csv("data/0-rest.csv")
    vert = pd.read_csv('data/1-vertical.csv')
    hori = pd.read_csv('data/2-horizontal.csv')
    circ = pd.read_csv('data/3-circle.csv')
    shak = pd.read_csv('data/4-shake.csv')
 
    rest.plot(title='Rest')
    vert.plot(title='Verticla')
    hori.plot(title='Horizontal')
    circ.plot(title='Circle')
    shak.plot(title='Shake')
    plt.show()
 
    # X is the array of features to train the model on
    # y is the array of labels
    X = np.vstack([
        rest.to_numpy(),
        vert.to_numpy(),
        hori.to_numpy(),
        circ.to_numpy(),
        shak.to_numpy()
    ])
 
    y = np.concatenate([
        0 * np.ones(len(rest)),
        1 * np.ones(len(vert)),
        2 * np.ones(len(hori)),
        3 * np.ones(len(circ)),
        4 * np.ones(len(shak)),
    ])
 
    print("X.shape", X.shape)
    print("y.shape", y.shape)