This project aims to introduce the development of three low-cost prototypes of motion controllers, analysing and comparing the respective used components, such as digital sensors, IMUs, and the multiple used hardware technologies, such as TensorFlow, Arduino, Bluetooth or I2C. The development of the software includes the improvement of the calculations of the sensors using algorithms of calibration and computing extra variables. This project also focuses on applying machine learning techniques on each of the devices to obtain and compare the results of different movement classification processes. These machine learning techniques will be trained using Python in a more advanced environment than a microcontroller (a CPU or GPU) and then transported on to the source code of each microcontroller while taking into account its physical limits (RAM and memory). Finally, it may be concluded that the new families of processors, whose memory is in the order of 1 MB, will be the ones who provide us with better results when introducing the previously trained algorithms; this is due to the high memory capacity that the algorithms take.
Este proyecto presenta el desarrollo de tres prototipos de bajo coste de dispositivos controladores de movimiento, realizando un análisis y comparativa de los respectivos componentes hardware utilizados como podrían ser los sensores digitales, las IMUs, y las diversas tecnologías utilizadas, como por ejemplo TensorFlow, Arduino, Bluetooth o I2C. En el desarrollo del software se incorpora la mejora de los cálculos de los sensores utilizando algoritmos de calibración y cómputo de variables extras. Este proyecto también se centra en aplicar técnicas de aprendizaje automático en cada uno de estos dispositivos para obtener y comparar los resultados de diferentes procesos de clasificación de movimiento. Estas técnicas de aprendizaje automático serán mayoritariamente entrenadas utilizando Python en un entorno más avanzado que un microcontrolador (CPU o GPU) y después transportadas al código fuente de cada microcontrolador teniendo en cuenta sus límites físicos (RAM y memoria). Como conclusión podremos fijarnos en que las nuevas familias de procesadores, cuya memoria es del orden de 1 MB, serán las que nos proporcionarán mejores resultados en el momento de introducir los algoritmos ya entrenados debido a la capacidad de memoria que pueden alcanzar.
Aquest projecte presenta el desenvolupament de tres prototips de baix cost de dispositius controladors de moviment, realitzant un anàlisis i una comparativa dels respectius components hardware fets servir, com podrien ser els sensor digitals, les IMUs, i les diverses tecnologies utilitzades, com per exemple TensorFlow, Arduino, Bluetooth o I2C. En el desenvolupament del software s'incorpora la millora dels càlculs dels sensors utilitzant algoritmes de calibratge i còmput de variables extres. Aquest projecte també se centra en aplicar tècniques d'aprenentatge automàtic en cadascun dels dispositius per obtenir i comparar els resultats de diferents processos de classificació de moviment. Aquestes tècniques d'aprenentatge automàtic seran majoritàriament entrenades fent servir Python en un entorn més avançat que en un microcontrolador (CPU o GPU) i després transportades al codi font de cada microcontrolador tenint en compte els seus límits físics (RAM i memòria). Com a conclusió podrem veure que les noves famílies de processadors, que tenen una memòria de l'ordre d'1 MB, seran les que ens proporcionaran els millors resultats en el moment d'introduir els algoritmes ja entrenats, degut a la elevada capacitat de memòria que poden assolir.
