Veštačka inteligencija → Modul 4 → micro:bit prepoznaje pokrete

micro:bit prepoznaje pokrete

micro:bit ima ugrađen akcelerometar koji meri ubrzanje po tri ose. U ovoj lekciji micro:bit sam uči da razlikuje pokrete – mirovanje, mahanje i tresenje. Sve se dešava na samoj ploči: učenje, pamćenje primera i prepoznavanje. Koristimo algoritam najbližeg suseda iz modula 3, napisan u MicroPythonu.

Šta nam treba

• micro:bit (V1 ili V2) i USB kabl; po želji baterije, da bi se micro:bit lakše pomerao;
• editor python.microbit.org (radi u pregledaču) ili Thonny/Mu;
• osnove MicroPythona: uvod, dugmad i senzori.

Ideja: osobine pokreta

Jedno merenje akcelerometra (x, y, z) ne govori mnogo – važno je kako se ubrzanje menja tokom pokreta. Zato micro:bit pola sekunde meri 25 puta i za svaku osu izračuna rasipanje (standardnu devijaciju) – koliko su se vrednosti razlikovale od proseka:

• mirovanje: vrednosti se skoro ne menjaju – sva tri broja su mala;
• mahanje: velika promena po jednoj osi (levo–desno), male po ostalim;
• tresenje: velike promene po svim osama.

Tri broja rasipanja su osobine pokreta, a broj klase (0, 1, 2) je oznaka.

Program

# micro:bit uči pokrete: algoritam najbližeg suseda (k-NN) u MicroPythonu
# Klase: 0 = mirno, 1 = mahanje, 2 = tresenje
# UČENJE:  B – sledeća klasa,  A – snimi primer trenutne klase (pomeraj micro:bit 0,5 s)
#          A i B zajedno – kraj učenja, počinje prepoznavanje
from microbit import *
import math

BROJ_KLASA = 3
primeri = []              # lista parova (osobine, klasa)
klasa = 0
ucenje = True


def rasipanje(vrednosti):
    """Koliko se vrednosti razlikuju od proseka (standardna devijacija)."""
    s = sum(vrednosti) / len(vrednosti)
    return math.sqrt(sum((v - s) ** 2 for v in vrednosti) / len(vrednosti))


def osobine():
    """Meri 0,5 s i vraća tri broja: koliko se menjalo ubrzanje po osama x, y i z."""
    xs, ys, zs = [], [], []
    for i in range(25):
        x, y, z = accelerometer.get_values()
        xs.append(x)
        ys.append(y)
        zs.append(z)
        sleep(20)
    return [rasipanje(xs), rasipanje(ys), rasipanje(zs)]


def knn(o, k=3):
    """Klasa koju ima većina od k najbližih snimljenih primera."""
    sortirano = sorted(primeri, key=lambda p: sum((a - b) ** 2 for a, b in zip(o, p[0])))
    glasovi = [0] * BROJ_KLASA
    for _, c in sortirano[:k]:
        glasovi[c] += 1
    return glasovi.index(max(glasovi))


display.show(klasa)
while True:
    if ucenje:
        if button_a.is_pressed() and button_b.is_pressed():
            ucenje = False
            button_a.was_pressed()          # brišemo zapamćene pritiske
            button_b.was_pressed()
            display.scroll("GO")
        elif button_b.was_pressed():
            klasa = (klasa + 1) % BROJ_KLASA
            display.show(klasa)
        elif button_a.was_pressed():
            display.show(Image.DIAMOND_SMALL)   # znak da snimamo
            primeri.append((osobine(), klasa))
            display.show(klasa)
    else:
        if len(primeri) < 3:
            display.scroll("MALO PRIMERA")
            ucenje = True
            display.show(klasa)
        else:
            display.show(knn(osobine()))
    sleep(50)

Kako se koristi

1. Na ekranu je 0 (mirno). Drži micro:bit mirno i pritisni A – pojavi se mali romb dok traje snimanje (0,5 s). Snimi 4–5 primera.
2. Pritisni B – na ekranu je 1 (mahanje). Pritisni A i odmah mahni levo-desno. Ponovi 4–5 puta.
3. Pritisni B – 2 (tresenje). Snimi 4–5 primera tresenja.
4. Pritisni A i B zajedno – piše „GO“ i micro:bit počinje da prepoznaje: na ekranu je broj pokreta koji radiš.

Program smo proverili simulacijom na računaru (sa izmišljenim vrednostima akcelerometra): posle 12 snimljenih primera prepoznavao je sva tri pokreta. Na pravom micro:bit-u isprobaj koliko primera ti treba.

Šta se dešava „ispod haube“

• Lista primeri je ceo „model“: k-NN samo pamti primere. Kada se micro:bit isključi, primeri se brišu – svako pokretanje je novo učenje.
• Svakih pola sekunde micro:bit izmeri novi pokret, izračuna tri broja i uporedi ih sa svim snimljenim primerima.
• micro:bit V1 ima samo 16 KB radne memorije, ali za nekoliko desetina primera od po tri broja to je sasvim dovoljno.

Česte zablude

• „micro:bit je premali za veštačku inteligenciju“ – za jednostavne zadatke (pokreti, zvuk, nagib) mali modeli rade i na veoma malim čipovima.
• „Model prepoznaje bilo koji pokret“ – prepoznaje samo pokrete kojima ga je neko naučio; sve ostalo svrsta u najsličniju klasu.

Zadaci za vežbu

Pokušaj prvo sam, pa tek onda otvori rešenje.

1. Dodaj četvrti pokret – „skok“. Šta treba promeniti u programu?
2. Umesto brojeva prikazuj sličice: mirno – Image.ASLEEP, mahanje – Image.HAPPY, tresenje – Image.SURPRISED.
3. Zašto koristimo rasipanje vrednosti, a ne same vrednosti x, y i z?

Proveri znanje