บทเรียน 5.2 — แล็บ: สตรีมเซ็นเซอร์และหน้าต่างข้อมูลพร้อม AI

เป้าหมาย

เมื่อทำครบ คุณจะ

1. อ่านเซ็นเซอร์อย่างน้อยสองชนิดด้วย task คาบเวลาคงที่
2. กรองหรือ normalize ค่า และสร้างหน้าต่างข้อมูลที่ให้เวกเตอร์สรุปอย่างน้อยหนึ่งครั้งต่อวินาที

ก่อนเริ่ม

• [ ] ผ่านโมดูล 3 (UART) และโมดูล 4 (สร้าง task ได้)
• [ ] บอร์ดมีเซ็นเซอร์ตามคิตที่ใช้
• [ ] รู้ว่าเซ็นเซอร์ใดถูก enable ในเฟิร์มแวร์/โปรเจกต์ของคุณ

หมายเหตุ: snippet ในแล็บนี้ใช้ API ของเฟิร์มแวร์ TESAIoT Bitstream ซึ่งยังไม่เปิดซอร์ส — ดูรายละเอียดที่หมายเหตุต้นบทเรียน บทเรียน 5.1

ดูของจริงก่อน — เกณฑ์ผ่านของแต่ละบล็อก

ฝึกเติม/แล็บ (1) — Lab A: Bring-up two sensors

1. sensor_sht40_startup แล้วอ่าน temperature / humidity พิมพ์ UART
2. sensor_bmi270_startup (ถ้ายังไม่ถูก start จาก boot) แล้วอ่าน acc_*
3. ตรวจ sensor_*_is_ready ก่อนอ่าน

ฝึกเติม/แล็บ (2) — Lab B: Fixed-rate sample task

สร้าง task อ่านเซ็นเซอร์ด้วย vTaskDelayUntil (เช่น SHT40 ทุก 500–1000 ms หรือ BMI270 ทุก 40 ms) แล้วบันทึกว่าเลือกคาบเท่าไรและทำไม

TickType_t last = xTaskGetTickCount();
const TickType_t period = pdMS_TO_TICKS(40);
for (;;) {
    (void)sensor_bmi270_read(&imu);
    vTaskDelayUntil(&last, period);
}

ฝึกเติม/แล็บ (3) — Lab C: Filter + normalize

1. ทำ EMA (หรือ median หน้าต่างสั้น) บนอุณหภูมิหรือแกน accel
2. Normalize ค่าอย่างน้อยหนึ่งช่องไปช่วงที่กำหนด (เช่นประมาณ [-1, 1] หรือ 0..1)
3. พิมพ์ทั้งค่าดิบและค่าหลังประมวลผล

ฝึกเติม/แล็บ (4) — Lab D: Feature window

1. สร้าง ring buffer / window อย่างน้อย 16–32 ตัวอย่างจาก BMI270 หรือ อนุกรมอุณหภูมิ
2. เมื่อหน้าต่างเต็ม ให้คำนวณอย่างน้อยหนึ่งฟีเจอร์ (เช่น mean, variance, max−min)
3. พิมพ์ฟีเจอร์ทาง UART เป็นคาบ

ฝึกเติม/แล็บ (5) — Lab E: เลือกต่อยอดหนึ่งอย่าง (แนะนำ)

E1 Fusion orientation — cm55_imu_fusion_bridge_push_raw_components + get_latest_result แล้วพิมพ์ pitch/roll หรือ orientation

E2 Host telemetry — Flash/เชื่อมตามชุดที่ใช้ แล้วเปิด Bitstream Studio หรือ Hackathon web-app ยืนยันว่าค่าเซ็นเซอร์บนโฮสต์ขยับตรงกับบอร์ด

E3 Condition event — เมื่อฟีเจอร์หรือ EMA เกินเกณฑ์ → เปิด LED + ข้อความ EVENT ...

เช็กความเข้าใจ — สรุปรายงานสั้น (8–12 บรรทัด)

เตรียมคำตอบก่อนเขียนรายงาน:

1. เซ็นเซอร์ที่ใช้ + คาบ sampling
2. วิธี filter / normalize ที่เลือกใช้
3. ขนาดหน้าต่าง + ฟีเจอร์ที่คำนวณ
4. (ถ้ามี) ผล fusion หรือภาพหน้าจอโฮสต์
5. สิ่งที่จะส่งต่อไป cloud ในโมดูล 6 (payload แนวคิด)

ไปต่อ

ก่อนส่งงาน ตรวจกับตัวเองว่า:

• [ ] Lab A–D ผ่าน
• [ ] Lab E อย่างน้อย 1 ข้อ
• [ ] กรอกตารางใน sensor-ai-prep.md
• [ ] รายงานสั้นครบ

พร้อมแล้ว ไปต่อ โมดูล 6 — MQTT และ MQTTs สำหรับสื่อสารกับคลาวด์

บทเรียนโมดูล 6 →

แหล่งที่มา

"บทเรียน 5.2 — แล็บ: สตรีมเซ็นเซอร์และหน้าต่างข้อมูลพร้อม 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