我們的團隊開發(fā)了一款自動尋光機器人汽車，旨在探測和導(dǎo)航光源。該系統(tǒng)采用四方向光敏傳感器陣列，通過內(nèi)置微控制器進行實時處理，以演示基于傳感器的決策和控制。
現(xiàn)代物聯(lián)網(wǎng)應(yīng)用需要可靠的實時圖像流功能，用于從安全監(jiān)控到遠程監(jiān)控的應(yīng)用。雖然基于wifi的解決方案很常見，但它們往往存在信號不穩(wěn)定和范圍有限的問題。該項目演示了如何使用內(nèi)置以太網(wǎng)功能的W6300-EVB-PICO2微控制器構(gòu)建強大的以太網(wǎng)供電攝像機系統(tǒng)，使用HTTP和MQTT協(xié)議將實時圖像流式傳輸?shù)紸dafruit IO，以實現(xiàn)最大的靈活性和可靠性。
空氣、濕度、壓力等條件都可以通過TTN (TheThings Network)遠程觀察。它通常用于室內(nèi)空氣質(zhì)量監(jiān)測環(huán)境數(shù)據(jù)記錄RAK1906不能單獨工作，它必須連接到核心和基地，對于這個項目，我們將使用的核心將是RAK4630，基地RAK19003。當基座用USB C線連接到計算機上時，我們可以將代碼上傳到核心，核心將在監(jiān)控屏幕上顯示來自傳感器的數(shù)據(jù)。能夠?qū)崿F(xiàn)此功能的程序是Arduino和Visual Studio Code with the Platform。io插件。
本教程將主要使用AI Tool Stack與NeoEyes NE301相結(jié)合來完成從模型數(shù)據(jù)收集到部署的過程。AI Tool Stack是CamThink為NeoEyes NE301打造的端到端邊緣AI工具，涵蓋數(shù)據(jù)收集、標注、訓(xùn)練、量化和部署。它支持用戶自部署和管理。對AI Tool Stack的訓(xùn)練和量化的底層支持來自于ultralytics項目庫。感謝ultralytics團隊的出色貢獻。
一個通過被動蜂鳴器產(chǎn)生聲音的電子笛子，可以主動控制音高、音量和被動照明。我制作這個文檔是為了讓你去構(gòu)建它——祝你制作過程愉快!
在本節(jié)中使用了列0的SHIM DMA(0,0), MEM Tile(0,1)和Core(0,2)。存儲在L3存儲器上的一組預(yù)定義數(shù)據(jù)流進入NPU復(fù)合體。數(shù)據(jù)通過MEM內(nèi)存從SHM DMA路由到Core，然后路由回來。接收到的輸出流被捕獲并與參考進行比較。
在這個項目中，遵循Xilinx mlr - aie GitHub存儲庫中提供的說明，在Ubuntu上建立一個功能開發(fā)環(huán)境，并在AMD Ryzen?AI NPU上執(zhí)行示例mlr - aie程序。目標是完成完整的設(shè)置工作流程，其中包括安裝所需的工具鏈，配置系統(tǒng)依賴關(guān)系，并使用mlr -AIE框架構(gòu)建簡單的AI引擎(AIE)設(shè)計。環(huán)境準備好后，將編譯包括的示例應(yīng)用程序并將其部署到NPU中，以驗證軟件工具和硬件平臺之間的正確集成。
我最近買了一個非常新穎的LED燈條：只有1毫米寬，足夠靈活，可以自由彎曲。它給人的感覺不再像一條“條狀”——它給人的感覺就像一種可以用來發(fā)光的材料。
構(gòu)建在樹莓派AI相機等邊緣設(shè)備上高效運行的AI模型可能具有挑戰(zhàn)性。為了簡化這個過程，我們開發(fā)了樣例代碼和工具來優(yōu)化整個工作流程——從培訓(xùn)到部署。
Arduino的灰度傳感器由光電池(光控可變電阻)和集成的白光LED組成，瞄準傳感器的正前方。它連接的LED可以讓你比較并提供一些反射反饋來分析灰度光范圍。不同的顏色將適用，但只有灰度值將被輸出。這種新設(shè)計包括一個質(zhì)量更好的連接器，增加了傳感器的壽命，更好的電壓范圍和易于使用。這是一個常見的傳感器自動燈，打開時，光線不足。
伺服電機廣泛應(yīng)用于機器人、自動化和DIY項目，因為它們可以精確控制角度位置。Arduino Nano結(jié)構(gòu)緊湊，用途廣泛，非常適合在空間有限的項目中控制伺服系統(tǒng)。在本教程中，我們將學(xué)習(xí)如何使用Arduino Nano連接和編程伺服電機
構(gòu)建一個實時系統(tǒng)遙測儀表板，在一個由DFRobot FireBeetle ESP32P4提供服務(wù)的黑暗單頁web UI中顯示您PC的CPU、RAM和網(wǎng)絡(luò)狀態(tài)。你的電腦通過USB串口發(fā)送換行結(jié)束的JSON;ESP32對其進行解析，在新數(shù)據(jù)到達時閃爍板載LED(引腳3)，并提供響應(yīng)式AJAX儀表板，該儀表板每5秒更新一次，并包含原始JSON控制臺。
神經(jīng)網(wǎng)絡(luò)分類器使用Edge Impulse進行訓(xùn)練，并針對ESP32-S3的部署進行了優(yōu)化。訓(xùn)練進行了50個周期，學(xué)習(xí)率為0.005，使用int8量化來減少內(nèi)存占用并提高嵌入式硬件上的推理效率。模型的輸入由1716個MFCC特征組成，通過兩個帶有dropout的1D卷積和池化層進行處理以減少過擬合，然后是一個包含normal和stress兩類的輸出層。模型架構(gòu)故意保持緊湊，以平衡分類性能和資源約束。
本項目演示了如何在Vivado中創(chuàng)建一個簡單的PL設(shè)計來控制KR260載波板上的用戶定義LED (DS7和DS8)。該設(shè)計使用了一個通過AXI SmartConnect連接到Zynq UltraScale+處理系統(tǒng)(PS)的AXI GPIO IP核，實現(xiàn)了在APU上運行的Linux對led的軟件控制。
我已經(jīng)測試了幾十個ESP32顯示器，但沒有一個讓我停下來說“等等，這改變了一切”——直到CrowPanel Advance顯示器出現(xiàn)在我的辦公桌上。這不僅僅是一個更大的屏幕;這是當有人真正聽取了制作者的要求時所發(fā)生的事情。
ksheze
本站介紹 歡迎投稿 隱私聲明 廣告業(yè)務(wù) 網(wǎng)站地圖 聯(lián)系我們 誠聘英才
21ic電子網(wǎng) 2000- 版權(quán)所有
