Erreichte Ziele

✅ ESP-NOW Kommunikation

Zuverlässige drahtlose Verbindung

  • Discovery & Pairing funktional
  • Checksums für Integrität
  • Timeout/Retry implementiert

✅ SD-Logging

Datenerfassung für ML-Training

  • Binary Format mit Header
  • Session-Management
  • BNO + ADC Daten
  • Python Parser validiert

✅ Display UI

Benutzeroberfläche auf TFT

  • Pairing-Screen
  • Status-Anzeige
  • Ergebnis-Darstellung
  • Touch + Joystick + 2 Buttons

✅ Digit Recognition

Ziffern 0-9 können erkannt werden

  • CNN-Modell trainiert
  • TFLite auf ESP32 integriert
  • Accuracy: >90%
  • Inferenz: <50ms

Umgesetzte Funktionen

Funktion Status Beschreibung
HAT-Detection ✓ Fertig EEPROM-basierte Erkennung welches HAT angesteckt ist
State Machine Framework ✓ Fertig Polymorphe State Machines pro HAT-Typ
BNO085 Integration ✓ Fertig 9-Achsen IMU über SPI, 25 Hz Sampling
ESP-NOW Protocol ✓ Fertig EspSafeProtocol mit Discovery, Pairing, Data Transfer
ML Training Pipeline ✓ Fertig Python Scripts: Parse, Preprocess, Augment, Train, Export
TFLite Integration ✓ Fertig CNN-Modell auf ESP32 mit ~56KB Tensor Arena
Display Rendering ✓ Fertig ILI9341 TFT mit UI-Elementen
Touch + Joystick + 2 Buttons ✓ Fertig FT6206 Touch + TCA9534A I/O Expander
MAX1415 Integration ◐ In Arbeit Dual-Channel 16-bit ADC für Wheatstone-Brücke
ADS1261 Integration ◐ Stubs 24-bit ADC nur als Treiber vorhanden, nicht aktiv
Stationary Workflow ◐ Stubs State Machine implementiert, aber keine aktive Messung

ML-Modell Performance

Training Metrics

Metrik Wert
Training Accuracy ~95%
Validation Accuracy ~92%
Test Accuracy ~90%
Model Size (TFLite) ~240 KB
Tensor Arena ~56 KB
Inference Time <50 ms

Datensatz

  • 11 Klassen (Ziffern 0-9 + Garbage)
  • Mehrere Probanden
  • Augmentation: Noise, Scaling, Time-Warp
  • Train/Val/Test: 70%/15%/15%
Confusion Matrix

📏 Durchgeführtes Debugging

  • SPI Timing: Logic Analyzer Captures für BNO085 und MAX1415
  • I2C Bus Scan: Alle erwarteten Devices gefunden (EEPROM 0x50, Touch 0x38, Expander 0x3F)