联系了 RA 的工作人员,给我补发了一块拓展板,不过快递还要几天才能到,就先把 tinyML 这部分做了。整体思路是用一个 IMU 作为数据源,采集三种运动状态——静止、拿起、晃动,每种各 50 组左右,用这批数据来训练一个轻量分类模型。IMU 选用 MPU6050,所以第一步要先把 MPU6050 的输入采集通道配置好。

为了方便接入 MPU6050,这里在 Arduino 接口上接了一块拓展面包板,把传感器固定在上面走线。

arduino接口的引脚定义如下

按标准 Arduino 定义,IIC 用的两个引脚应该是 PA14(SDA)和 PA15(SCL)。但实际配置时发现这两个引脚都已经被 SDRAM 占用了,在 Pin 配置里根本挪不出来。

于是去查了 RA8D1 的硬件复用表,结果发现 PA14/PA15 压根就没有 IIC 复用功能——它俩只能做 GPIO、SDRAM 数据线这类用途。也就是说,板子把标准 Arduino 的 SDA/SCL 位接到了没有 IIC 能力的引脚上,所以无论在 Pin 里怎么找,都配不出 IIC。

RA8D1 一共有两个硬件 IIC 通道,逐个梳理可用引脚:

IIC0(SCL0/SDA0)可选 P204/P205、P400/P401、P408/P409。其中 P400/P401 被摄像头和 I3C 复用,P408/P409 被 SCI3 串口(即 Arduino D0/D1)占用,只剩 P204/P205 空闲。

IIC1(SCL1/SDA1)可选 P100/P101、P205/P206、P511/P512。其中 P100/P101 被 OSPI Flash 占用,P206 被 MIPI-DSI 占用,P511/P512 走 I3C 排针那一路,工程里已经配好并启用。

看着引脚不少,真正能自由支配的其实没几个。而且实际在 Pin 里找的时候发现,连 P204/P205 这两个引脚都没有暴露出来。

所以能走的只剩 I3C 排针上的 P511/P512,这一路引脚工程已经自动配好了。虽然是从 I3C 排针引出的,但配置本身走的是 I2C 模式(硬件上也不支持 I3C),所以直接当普通 I2C 用就行。

这里需要把引脚改成开漏输出,I2C 总线必须开漏才能正常做线与和上拉。P511 改完之后,P512 同理。

stack 也已经自动配置好了,只需要把从机地址改一下即可(MPU6050 的 AD0 接地时地址为 0x68)。

最终接线如上图。传感器依旧固定在 Arduino 接口上,IIC 用杜邦线连到 P511/P512,固定住主要是为了后面采集数据时姿态稳定、不受线材晃动干扰。

接下来是数据采集的代码。逻辑是按键触发一次采集,采集期间点亮 LED 作为提示,按一个采样周期读一次 MPU6050,边采边通过串口打印成 CSV,方便直接落盘。原始值在片上就转成工程单位,并且统一乘以固定倍数用整数表示,避免引入浮点。

#include "imu_logger.h"
#include <stdio.h>

volatile imu_log_state_t g_imu_state = IMU_LOG_STATE_INIT;
volatile uint32_t g_imu_capture_seq = 0;
volatile uint8_t  g_imu_who_am_i = 0;


/* ---------- 按键和LED ---------- */

static bool key_down(void)
{
    bsp_io_level_t level;
    R_IOPORT_PinRead(&g_ioport_ctrl, IMU_LOG_KEY_PIN, &level);
    return (level == IMU_LOG_KEY_PRESSED);
}

// 按下并且消抖后还按着才算
static bool key_pressed(void)
{
    if (!key_down()) return false;
    R_BSP_SoftwareDelay(20, BSP_DELAY_UNITS_MILLISECONDS);
    return key_down();
}

// 等到松手
static void key_wait_up(void)
{
    while (key_down());
    R_BSP_SoftwareDelay(20, BSP_DELAY_UNITS_MILLISECONDS);
}

static void led_on(void)  { R_IOPORT_PinWrite(&g_ioport_ctrl, IMU_LOG_LED_PIN, IMU_LOG_LED_ON); }
static void led_off(void) { R_IOPORT_PinWrite(&g_ioport_ctrl, IMU_LOG_LED_PIN, IMU_LOG_LED_OFF); }


/* ---------- 原始值转工程单位,乘1000用整数,免得用float ---------- */

// 默认2g量程,LSB=16384
static int32_t accel_mg(int16_t raw)
{
    return ((int32_t)raw * 1000) / 16384;
}

// 默认250dps量程,灵敏度131,先乘10000再除
static int32_t gyro_mdps(int16_t raw)
{
    return ((int32_t)raw * 10000) / 1310;
}

// 手册: 温度 = raw/340 + 36.53
static int32_t temp_mc(int16_t raw)
{
    return ((int32_t)raw * 1000) / 340 + 36530;
}


/* ---------- 采集,边采边打 ---------- */

static void do_capture(void)
{
    // 表头
    printf("# mpu6050 capture, seq=%lurn", (unsigned long)(g_imu_capture_seq + 1));
    printf("# who_am_i=%urn", g_imu_who_am_i);
    printf("t_us,ax_mg,ay_mg,az_mg,gx_mdps,gy_mdps,gz_mdps,temp_mcrn");

    for (uint32_t i = 0; i < IMU_LOG_MAX_SAMPLES; i++) {
        // 隔一个采样周期读一次
        if (i != 0)
            R_BSP_SoftwareDelay(IMU_LOG_PERIOD_US, BSP_DELAY_UNITS_MICROSECONDS);

        mpu6050_raw_t raw;
        if (mpu6050_read_raw(&raw) != FSP_SUCCESS)
            break;   // 读失败就停

        printf("%lu,%ld,%ld,%ld,%ld,%ld,%ld,%ldrn",
               (unsigned long)(i * IMU_LOG_PERIOD_US),
               (long)accel_mg(raw.accel_x),
               (long)accel_mg(raw.accel_y),
               (long)accel_mg(raw.accel_z),
               (long)gyro_mdps(raw.gyro_x),
               (long)gyro_mdps(raw.gyro_y),
               (long)gyro_mdps(raw.gyro_z),
               (long)temp_mc(raw.temp));
    }
}


/* ---------- 初始化 ---------- */

fsp_err_t imu_logger_init(void)
{
    led_off();

    if (mpu6050_open(IMU_LOG_ACCEL_FS, IMU_LOG_GYRO_FS) != FSP_SUCCESS) {
        g_imu_state = IMU_LOG_STATE_INIT_FAILED;
        return FSP_ERR_ASSERTION;
    }

    uint8_t id;
    mpu6050_who_am_i(&id);
    g_imu_who_am_i = id;
    g_imu_state = IMU_LOG_STATE_IDLE;
    return FSP_SUCCESS;
}


void imu_logger_run(void)
{
    // 初始化失败就一直闪灯
    if (g_imu_state == IMU_LOG_STATE_INIT_FAILED) {
        while (1) {
            led_on();
            R_BSP_SoftwareDelay(150, BSP_DELAY_UNITS_MILLISECONDS);
            led_off();
            R_BSP_SoftwareDelay(150, BSP_DELAY_UNITS_MILLISECONDS);
        }
    }

    while (1) {
        g_imu_state = IMU_LOG_STATE_IDLE;

        if (!key_pressed()) {
            R_BSP_SoftwareDelay(5, BSP_DELAY_UNITS_MILLISECONDS);
            continue;
        }

        led_on();   // 灯亮的3秒别动板子
        g_imu_state = IMU_LOG_STATE_CAPTURING;

        do_capture();

        g_imu_capture_seq++;
        g_imu_state = IMU_LOG_STATE_READY;
        led_off();

        key_wait_up();
    }
}

三个动作各触发一轮采集,每组拿到 50 组左右的数据,分别存到 still、shake、pickup 三个目录下。

然后是模型训练。网络用了 2 个一维卷积层(conv1、conv2)+ 2 个 BatchNorm 层 + 1 个全连接层(fc),结构很轻,契合 tinyML 部署到 MCU 的目标。输入是 6 轴 × 时间点的序列,经过两层卷积和一次时间轴下采样后,用全局平均池化压成每通道一个特征,再送进分类头输出三类的 logits。

代码如下

import torch
from torch import nn
import pandas as pd
from torch.utils.data import Dataset
import os
from torch.utils.data import DataLoader, random_split
class IMUDataset(Dataset):
LABEL_MAP = {"still": 0, "shake": 1, "pickup": 2}

def __init__(self, root = "imu_data"):
self.samples = []
for name,label in self.LABEL_MAP.items():
folder = os.path.join(root,name)
for fname in os.listdir(folder):
path = os.path.join(folder,fname)
self.samples.append((path,label))

def __len__(self):
return len(self.samples)


def __getitem__(self, i):
path, label = self.samples[i]
df = pd.read_csv(path)
data = df.values.astype("float32")
data = data[:, 1:]
x = torch.from_numpy(data)
x = x.T
y = label
return x,y

class IMUNet(nn.Module):
"""三状态分类 CNN
    输入: x [batch, 6, 300]   6轴, 300个时间点
    输出:   [batch, 3]        三类的原始分数(logits)
    """
def __init__(self, n_classes=3):
super().__init__()          # 必须: 启动父类 nn.Module 的登记机制

# 下面每个 self.xxx = 一个层, 赋值时自动被"注册"进参数名单
self.conv1 = nn.Conv1d(6, 16, kernel_size=5, padding=2)  # 6->16通道
self.bn1   = nn.BatchNorm1d(16)                          # 归一化, 稳定训练
self.pool  = nn.MaxPool1d(2)                             # 时间轴砍半

self.conv2 = nn.Conv1d(16, 32, kernel_size=3, padding=1) # 16->32通道
self.bn2   = nn.BatchNorm1d(32)

self.gap   = nn.AdaptiveAvgPool1d(1)  # GlobalAvgPool -> 每通道压成1个数
self.fc    = nn.Linear(32, n_classes) # 分类头: 32特征 -> 3类

self.relu  = nn.ReLU()

def forward(self, x):
# x 进来: [batch, 6, 300]
x = self.relu(self.bn1(self.conv1(x)))  # [b, 16, 300]
x = self.pool(x)                        # [b, 16, 150]

x = self.relu(self.bn2(self.conv2(x)))  # [b, 32, 150]

x = self.gap(x)                         # [b, 32, 1]
x = x.flatten(1)                        # [b, 32]  去掉最后的1维
x = self.fc(x)                          # [b, 3]
return x

full_ds = IMUDataset('imu_data')

n_test = int(len(full_ds) * 0.2)
n_train = len(full_ds) - n_test
train_ds, test_ds = random_split(full_ds, [n_train, n_test])

batch_size = 16
train_iter = DataLoader(train_ds, batch_size=batch_size, shuffle=True)
test_iter  = DataLoader(test_ds,  batch_size=batch_size, shuffle=False)

print(f'训练样本 {n_train}, 测试样本 {n_test}')

# ---------- 模型 / 损失 / 优化器 ----------
net = IMUNet(n_classes=3)
loss = nn.CrossEntropyLoss()
updater = torch.optim.Adam(net.parameters(), lr=1e-3)   # net.parameters() 自动拿全部参数

# ---------- 训练 ----------
num_epochs = 30
for epoch in range(num_epochs):
net.train()                            # 切训练模式(BatchNorm 需要)
net_loss, n = 0.0, 0
for X, y in train_iter:
y_hat = net(X)
l = loss(y_hat, y)
updater.zero_grad()                # 清空上轮梯度
l.backward()                       # 反向传播
updater.step()                     # 更新参数
net_loss += l.item() * y.numel()
n += y.numel()

# 测试集准确率
net.eval()                             # 切评估模式
correct, total = 0, 0
with torch.no_grad():
for X, y in test_iter:
y_hat = net(X)
correct += (y_hat.argmax(dim=1) == y).sum().item()
total += y.numel()

print(f'epoch {epoch+1:2d}, loss {net_loss/n:.4f}, test acc {correct/total:.4f}')

# ---------- 训练完保存权重 ----------
torch.save(net.state_dict(), 'imu_net.pth')
print('模型已保存到 imu_net.pth')

训练结果如下。

从日志能看出整个训练过程很顺:loss 从 1.20 稳步降到 0.25 左右,测试集准确率在前几个 epoch 就冲到了 0.86,大约第 11 个 epoch 稳定在 0.93 以上,第 24 个 epoch 起多次触及 1.0。最终 29 个 epoch 收敛下来,测试集准确率稳定在 0.96~1.0 之间。

考虑到三个动作（静止、拿起、晃动）在信号特征上本身区分度就比较高——静止时各轴基本不变,拿起是一段带方向的低频加速度,晃动则是高频往复——加上样本量虽小但比较干净,能达到这个准确率是符合预期的。测试集只有 29 个样本,准确率在几个点之间跳动主要是样本基数太小导致的,单个样本分类对错就会带来约 3.4% 的波动,所以不必太在意 1.0 和 0.9655 之间的来回,整体已经收敛得相当稳。