14、机器人搭建与TinyML应用开发指南

机器人搭建与TinyML应用开发指南

一、机器人搭建与测试

在开始搭建机器人后,测试是必不可少的环节。首先,要为机器人安装轮子,这是让机器人能够移动的基础步骤。完成轮子安装后,就可以对机器人进行测试了。

对于循线机器人和避障机器人,有相应的代码示例可供下载,分别是 line_following.py obstacle_avoidance.py 。在测试循线机器人时,可以使用 Kitronik 的垫子(链接:https://bit.ly/3GAn0xM )。

如果对机器人搭建感兴趣,还可以参加当地机器人俱乐部组织的比赛。常见的机器人比赛类型有迷宫求解机器人比赛、相扑机器人比赛等。比如 Micromouse 比赛,机器人需要在迷宫中找到回家的最短路径。你可以在 https://en.wikipedia.org/wiki/Micromouse 了解更多关于 Micromouse 比赛的信息。在美国,IEEE(电气与电子工程师协会)会在学生活动中举办地区性的 Micromouse 比赛。

二、TinyML 应用开发

TinyML 即 Tiny Machine Learning,是一个新兴且不断发展的领域,它利用机器学习工具在资源受限的硬件(如 RP2040 微控制器)上解释传感器数据。与拥有强大处理能力和 GPU 的服务器相比,微控制器的内存和处理能力有限,而 TinyML 可以让由硬币电池供电的微控制器实现数据解释。能够使用 TinyML 工具在本地解释传感器数据,而无需将数据上传到云端的设备被称为边缘设备。

1. 技术要求

开发 Ti

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值