บทเรียน 5.1 — สตรีมเซ็นเซอร์ที่พร้อมสำหรับ Edge AI

เป้าหมาย

เมื่อจบบทเรียนนี้ คุณจะ

1. อ่านเซ็นเซอร์ด้วยคาบเวลาคงที่ เลือก vTaskDelayUntil เมื่อต้องการคาบที่แม่นยำ และกำหนดคาบให้เหมาะกับชนิดเซ็นเซอร์
2. คำนวณและเขียนตัวกรอง EMA และฟังก์ชัน normalize ให้ค่าอยู่ในช่วงที่คาดไว้
3. จัดข้อมูลเป็น ring window ขนาด N ตัวอย่าง และบอกได้ว่าหน้าต่างเต็มเมื่อใด

ก่อนเริ่ม

• ผ่าน บทเรียน 4.2 — แล็บ M04 มาแล้ว
• ใช้บอร์ดจริง: TESAIoT Dev Kit หรือ Eva Kit (KIT_PSE84_EVAL)
• บทเรียนเชิงปฏิบัติ — อ่านเซ็นเซอร์ให้เสถียร จัดโครงสร้างข้อมูล และเตรียมทางไป Edge AI / Digital Twin / cloud

หมายเหตุสำคัญ (ตรวจสอบเมื่อ 26 ก.ย. 2026): โค้ด C ในบทนี้เรียก API ของเฟิร์มแวร์ TESAIoT Bitstream ที่ยังไม่เปิดซอร์ส ฟังก์ชันอย่าง sensor_bmi270_*, sensor_sht40_*, sensor_dps368_read, sensor_bmm350_read, cm55_imu_fusion_bridge_*, bitstream_bs_cfg_* จึงยังไม่มี header ให้เปิดดูหรือ build เอง — อ่านเป็นแนวคิดและลำดับการเรียกใช้

ดูของจริงก่อน — จากขาเซ็นเซอร์สู่สตรีมพร้อม AI

Sensor HW  →  sensor_* Driver  →  sample structs
                 │
                 ├─ (lab) filter / normalize / window
                 ├─ (optional) IMU fusion → quat / euler
                 └─ Bitstream / host / MQTT (โมดูล 6) / Digital Twin

ขอบเขตที่ซื่อสัตย์กับ SDK ปัจจุบัน: ไดรเวอร์เซ็นเซอร์และ Bitstream telemetry / IMU fusion มีใน TESA Firmware SDK — ยังไม่มี API ระดับแอปสำหรับ Ethos-U / NNLite / DEEPCRAFT inference ในหลักสูตรนี้ บทเรียนนี้สอน การเตรียมข้อมูลและการไหลของสัญญาณ ไม่ใช่การเทรนโมเดลบน NPU

Key phrase: Edge AI เริ่มจาก ข้อมูลสะอาดและจังหวะคงที่ — ไม่ใช่จากโมเดลอย่างเดียว

แนวคิด — รูปแบบร่วมของไดรเวอร์เซ็นเซอร์

cy_rslt_t sensor_<name>_startup(void);
bool      sensor_<name>_read(<name>_sample_t *out_sample);
bool      sensor_<name>_is_ready(void);

BMI270 / SHT40 / DPS368 ใช้บัส I²C ร่วม → ไดรเวอร์ sensor_*_read จัดการล็อกภายในแล้ว — อย่าล็อกซ้อนโดยไม่จำเป็น

ตัวอย่างสมบูรณ์ — อ่าน SHT40 และ BMI270

#include "sensor_sht40.h"

sht40_sample_t s;
if (sensor_sht40_startup() == CY_RSLT_SUCCESS && sensor_sht40_is_ready()) {
    if (sensor_sht40_read(&s)) {
        printf("T=%.2f C  RH=%.2f %%\r\n", (double)s.temperature, (double)s.humidity);
    }
}

#include "sensor_bmi270.h"

bmi270_sample_t imu;
if (sensor_bmi270_is_ready() && sensor_bmi270_read(&imu)) {
    printf("acc=%.3f %.3f %.3f\r\n", (double)imu.acc_x, (double)imu.acc_y, (double)imu.acc_z);
}

จาก README.md หัวข้อ 2.2–2.3 — ทางเลือก non-blocking: sensor_bmi270_try_read(&imu)

ตัวอย่างสมบูรณ์ — อ่านด้วยคาบเวลาคงที่ (task pattern)

SDK ไม่มี sensor_*_set_rate_hz — จังหวะอ่านในแล็บมาจากคาบของ FreeRTOS task (จากโมดูล 4)

void sensor_lab_task(void *arg)
{
    TickType_t last = xTaskGetTickCount();
    const TickType_t period = pdMS_TO_TICKS(40); /* ~25 Hz */
    bmi270_sample_t s;
    (void)arg;

    for (;;) {
        if (sensor_bmi270_read(&s)) {
            /* filter / window / queue — learner code */
        }
        vTaskDelayUntil(&last, period);
    }
}

ตัวอย่างสมบูรณ์ — ตัวกรอง EMA และ normalize (โค้ดแล็บ)

ยังไม่มีโมดูล filter สำเร็จรูปใน SDK — สอนเป็นโค้ดแล็บ:

/* Exponential moving average — lab-local, not a TESA SDK API */
float ema = 0.0f;
const float alpha = 0.2f;

void on_temp_sample(float t_c)
{
    ema = alpha * t_c + (1.0f - alpha) * ema;
}

/* Simple normalize to roughly [-1, 1] using expected range */
float normalize(float x, float x_min, float x_max)
{
    if (x_max <= x_min) { return 0.0f; }
    float y = (x - x_min) / (x_max - x_min);
    return (2.0f * y) - 1.0f;
}

ตัวอย่างสมบูรณ์ — ring window ขนาด N ตัวอย่าง

#define WIN_N 32

typedef struct {
    float ax[WIN_N]; float ay[WIN_N]; float az[WIN_N];
    uint16_t count; uint16_t head;
} imu_window_t;

void imu_window_push(imu_window_t *w, const bmi270_sample_t *s)
{
    w->ax[w->head] = s->acc_x; w->ay[w->head] = s->acc_y; w->az[w->head] = s->acc_z;
    w->head = (uint16_t)((w->head + 1U) % WIN_N);
    if (w->count < WIN_N) { w->count++; }
}

bool imu_window_full(const imu_window_t *w) { return w->count >= WIN_N; }

จาก README.md หัวข้อ 4.1 — เมื่อหน้าต่างเต็ม พร้อมส่งเข้า (อนาคต) inference หรือส่งสรุปขึ้นโฮสต์

แนวคิด — บนอุปกรณ์วันนี้: IMU fusion

ใกล้เคียง "smart on device" มากที่สุดใน SDK ปัจจุบันคือ BMI270 → CM33 BSXLite fusion → quaternion / euler

if (sensor_bmi270_read(&s)) {
    (void)cm55_imu_fusion_bridge_push_raw_components(
        s.acc_x, s.acc_y, s.acc_z, s.gyr_x, s.gyr_y, s.gyr_z, s.elapsed_ms);
}
if (cm55_imu_fusion_bridge_get_latest_result(&f)) {
    /* f.qw..qz, f.heading, f.pitch, f.roll (radians), f.orientation */
    printf("pitch=%.2f roll=%.2f\r\n", (double)f.pitch, (double)f.roll);
}

แนวคิด — ส่งสตรีมไปโฮสต์ / Digital Twin / cloud

สตรีมไปโฮสต์ถูกควบคุมด้วยคอนฟิกระดับเซ็นเซอร์ (bitstream_bs_sensor_cfg_t: enabled, publish_mode, sampling_interval_ms, publish_interval_ms) ที่ตั้งค่าผ่าน Bitstream Studio

ฝึกเติม/แล็บ

แล็บ: สตรีมเซ็นเซอร์และหน้าต่างข้อมูลพร้อม AI

• อ่านเซ็นเซอร์อย่างน้อยหนึ่งตัวด้วยคาบเวลาคงที่บน task ของตัวเอง
• เขียนตัวกรอง EMA และฟังก์ชัน normalize
• จัดข้อมูลเป็น ring window และตรวจว่าหน้าต่างเต็มเมื่อใด
• (ถ้าเวลาเหลือ) ต่อยอดด้วย IMU fusion หรือดู telemetry บน Bitstream Studio

เช็กความเข้าใจ

1. ถ้าต้องการอัตราอ่านคงที่ที่แม่นยำขึ้น บทเรียนแนะนำฟังก์ชันใด
2. โค้ด EMA คือ ema = alpha * t + (1 - alpha) * ema ถ้า ema = 20.0, alpha = 0.2 และค่าใหม่ t = 30.0 ค่า ema ใหม่เท่าใด
3. ใน ring window ที่ WIN_N = 32 ฟังก์ชัน imu_window_full() คืนค่า true เมื่อใด

ไปต่อ

• เรียก sensor_*_startup / read ให้ได้ก่อน แล้วค่อยปรับจังหวะด้วย task
• Filter / normalize / window = โค้ดแล็บ ที่ขาดไม่ได้สำหรับ AI prep
• Fusion ให้ orientation พร้อมใช้บนอุปกรณ์ · SENSOR_CFG / Bitstream Studio เชื่อมสตรีมไปโฮสต์และ Digital Twin
• NPU / DEEPCRAFT = ทิศทางแพลตฟอร์ม — บทเรียนนี้ทำให้ข้อมูลพร้อม ต่อไป โมดูล 6 ส่งสรุปขึ้น MQTT / cloud

บทเรียนโมดูล 6 →

แหล่งที่มา

"บทเรียน 5.1 — สตรีมเซ็นเซอร์ที่พร้อมสำหรับ Edge AI" จาก TESA Open Knowledge โดยสมาคมสมองกลฝังตัวไทย
(Thai Embedded Systems Association: TESA) https://github.com/tesaiot/tesa-qualification-program
สัญญาอนุญาต CC BY-NC 4.0

เนื้อหาต้นฉบับโดย ผศ.ดร.สันติ นุราช ภาควิชาวิศวกรรมระบบควบคุมและเครื่องมือวัด คณะวิศวกรรมศาสตร์
มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี (KMUTT) (https://github.com/drsanti) ภายใต้การสนับสนุนของสมาคมสมองกลฝังตัวไทย (TESA)
นำเข้าจาก drsanti/TESAIoT-Courses — C1 (commit 287c218) ภายใต้สัญญาอนุญาต CC BY 4.0

ไม่มีภาพจากบุคคลที่สามในสไลด์ชุดนี้