设计构建一个智能饮品点单系统

[导读]Knock2DrinkDrink 让酒吧和餐厅的顾客通过敲击桌面来点饮料——无需打开应用，也无需按按钮。桌上搭载了内置IMU的Seeed XIAO设备会监听振动。当顾客敲击三到六次时，设备利用训练好的机器学习模型识别出敲击模式，并通过蓝牙将结果发送至配套应用程序，服务员即可立即看到订单信息。工作人员可提前在应用中设置，将每种敲击模式与特定饮品对应。订单状态则通过RGB LED灯回馈给顾客。

Knock2DrinkDrink 让酒吧和餐厅的顾客通过敲击桌面来点饮料——无需打开应用，也无需按按钮。桌上搭载了内置IMU的Seeed XIAO设备会监听振动。当顾客敲击三到六次时，设备利用训练好的机器学习模型识别出敲击模式，并通过蓝牙将结果发送至配套应用程序，服务员即可立即看到订单信息。工作人员可提前在应用中设置，将每种敲击模式与特定饮品对应。订单状态则通过RGB LED灯回馈给顾客。

问题

任何在繁忙酒吧工作过的人，都清楚其中的套路：顾客在被服务前会挥手、喊叫，或试图与你眼神交流几分钟。现有的桌边点餐解决方案要求顾客扫描二维码、下载应用程序，或与屏幕互动。我们想要的是一种完全无需顾客费力的操作——就像敲门一样自然。

结果就是Knock2Drink。

系统的工作原理

从客户到系统的流程包含三个阶段：

•顾客敲了敲桌子

•微控制器对敲击模式进行分类(设备端的机器学习)

•结果已通过蓝牙发送至服务员的手机应用。

•应用程序显示已排序的饮品，服务员可接受或拒绝订单

智能功能完全在设备本地运行。XIAO 会在本地运行训练好的模型，并仅发送最终分类结果(如“3次敲击”、“4次敲击”等)。

使用 Edge Impulseulse 进行机器学习

我们的模型被训练用于通过惯性测量单元(IMU)检测单次敲击。该模型使用了100个记录的单次敲击加速度计数据样本和100个记录的怠速/噪声样本进行训练。

采用频谱分析(FFT)对数据进行分类，使用神经网络模型进行机器学习。我们在训练集和测试集上均实现了100%的准确率。

固件

Seeed Studio XIAO nRF5284000 感应微控制器在两种状态之间运行。主要处于低功耗睡眠状态，以延长电池寿命。当加速度计信号出现突变时，会触发中断唤醒微控制器，进入扫描状态，并对记录的加速度数据运行机器学习模型。如果检测到敲击声，则会启动下一个扫描周期以检测后续的敲击。在统计敲击次数后，设备ID和敲击代码将通过蓝牙发送至配套应用程序。

伴侣应用

Knock2DrinkDrink 应用程序可让服务员将不同的敲击动作与不同的饮品进行对应。该系统支持使用3至6个敲击序列来点4种不同饮品。