利用Arduino UNO Q和一个IMU制作一个可穿戴设备

时间：2026-06-23 16:58:24

关键字：可穿戴设备 Arduino IMU

[导读]如果你小时候玩过《过山车大亨》，你一定知道那种感觉：你建造一座过山车，向游客开放，然后屏住呼吸，等待游戏计算出刺激度、紧张度和恶心值。太刺激?没人坐。太无聊?也没人坐。准确地获得全部三个数值，才是整个游戏的全部重点。

如果你小时候玩过《过山车大亨》，你一定知道那种感觉：你建造一座过山车，向游客开放，然后屏住呼吸，等待游戏计算出刺激度、紧张度和恶心值。太刺激?没人坐。太无聊?也没人坐。准确地获得全部三个数值，才是整个游戏的全部重点。

我一直好奇真正的 coaster 会得到怎样的评分。我想制作一个可穿戴设备，帮助你揭晓答案。

幸运的是，1962年，梅尔巴·斯通在观察袋鼠时意外发明了这种可穿戴设备的终极收纳装置——臀包。将一个Arduino UNO Q和一个IMU装进臀包里，骑上真正的滑板车，就能在手机上以RCT风格的界面显示你的兴奋度、强度和恶心值。然后像分享你最酷滑板车搭建的截图一样，把结果分享到社交媒体上。

看看这些来自冒险乐园的真实脚垫效果如何!

工作原理

该系统分为三个阶段，其计算评分的方式与原版游戏相同：

记录：你在排队时，手机上按下了开始键。SparkFun ICM-20948 加速度计/陀螺仪以 200Hz 的频率开始采样加速度和旋转信息，并通过内部桥接器将数据从 Arduino UNO Q 的 STM322 微控制器传输至高通 Dragonwing MPU。

流程：骑行结束后，按下停止键。在高通端运行的Python代码会从原始传感器数据中提取骑行的物理指标，例如峰值加速度、横向力、飞行时长等。前几秒的数据(当你站在队列中静止时)用于校准“向下”方向，因此防丢包中IMU的方向并不重要。

预测：提取出的特征将输入三个Edge Impulse回归模型，分别用于兴奋度、强度和恶心感，这些模型均基于实际《过山车大亨2》游戏数据训练。各模型输出0到10分的经典评分，结果以一个看起来直接来自游戏的Web界面进行展示。

入门指南

完整项目可在Arduino项目中心以可直接导入的包形式获取：

RollerCoasterTestMeter 是 Arduino 项目中心

下载 ZIP 文件，然后在 Arduino App Lab 中进入“我的应用”→“创建新应用+”，导入 ZIP 文件。该文件包包含代码、Python 代码、WebUI、第三方库以及预训练的 Edge Impulseulse 模型，您所需的一切内容均已包含在内。

导入后，如果尚未安装，请安装以下草图库：

SparkFun 9轴IMU扩展板 - ICM 20948 - Arduino库

Arduino_RouterBridge(通常已预装)

硬件

是时候收集你的材料了。

组装简单，无需任何工具!UNO Q 采用双脑架构，轻松完成所有复杂任务。STM3222 负责实时传感器采样，而高通 MPU MPU 同时运行 Python、机器学习推理和一个 Web 服务器。无需在公园里携带笔记本电脑。

线路只有一根线缆。SparkFun扩展板连接到UNO Q的Qwiic接口，插入后即可完成。请确保连接到SparkFun板的Qwiic一侧，而不是I2C一侧。

为了固定“外壳”，我使用了3M命令贴片将IMU固定在电池组上，以防止骑行过程中晃动。当然，你也可以使用任何你喜欢的紧固件!整个结构安装在电池顶部，通过一根短USB-C线缆连接。

首先，将魔术贴固定好。然后将USB线连接到Arduino和电池上。

训练模型

这里就变得有趣了。过山车大亨的评分系统并非随机，而是由游乐设施的物理特性决定的确定性函数。克里斯·索耶的原始代码会将最大G力、过山车坡道数量、飞行时间、速度和翻转次数等参数映射为兴奋度、强度和恶心度评分。

得益于诺兰·康奈威(Nolan Conaway)整理的一组数据集(可在GitHub和Kaggle上获取)，我们获得了游戏中189种过山车设计的输入特征和输出评分，这便是我们的训练数据。

选择可靠的功能

RCT2数据集包含11个骑行特征，但惯性测量单元(IMU)无法同等准确地测量所有特征。这是项目中最重要的设计决策：我们究竟应该信任哪些特征?

加速度计直接给出的是加速度，而不是速度。要得到速度，必须对加速度进行时间积分，而这种积分会严重漂移。在测试中，一次4分钟的过山车体验估计出的速度高达每小时512英里。再进行距离积分则效果更差。计算下坡、估算下坡高度以及追踪颠簸路段，都需要任意调整阈值，或者依赖陀螺仪积分，而这会导致累积误差。

因此，我们将IMU可测量的特征集缩小为五项，无需进行任何积分或估计：

•最大正向垂直加速度：即你被推入座椅时的极限。直接加速峰值，完全可靠。

•最大负垂直加速度：你感受到的最轻重状态。相同——直接加速度计读数。

•最大侧向G值：转弯时你承受的最大横向加速度。直接读取。

•总时长：处于近失重状态(垂直加速度低于0.5)所花费的秒数。这只是直接读数乘以采样率后的阈值，无需积分。

•骑行时间：骑行持续多久。一个钟表。这一点绝不能搞错。

其他所有内容——速度、距离、掉落次数、掉落高度和翻转次数都被删除了。这带来了一个不错的副作用：原本包含11个特征的数据集有42行缺失翻转数据，我们不得不将其删除。现在仅剩5个特征，全部189行数据均可使用。从更少但更好的特征中获得了更多的训练数据。

准备数据

PythonPythonPython 脚本会清理原始 CSV 文件，并输出三个文件，每个文件对应一个目标分数，格式符合 Edge Impulse 的 CSV Wizard Wizard Wizard 要求。每个文件包含五个特征列以及一个标签列，用于存储数值评分(兴奋度、强度或恶心感)。需要注意的是：强度数据集中有一个异常值，为 44.94，而其他所有数值均低于 10，这很可能是故意设计的糟糕过山车体验。脚本会自动移除该异常值，因为单个极端异常值将彻底破坏基于 189 个样本训练的回归模型。

以下是剧本：

Edge Impulse 设置

由于 Edge Impulse 的回归块每个样本只接受一个数值标签，因此我创建了三个独立的 Edge Impulse 项目(一个用于兴奋感，一个用于强度，一个用于恶心)。

每个流程的工作方式都完全相同：

•通过CSV向导上传CSV文件(不要使用常规上传器，后者需要带有时间戳的时间序列数据)

•使用扁平化处理块和回归学习块创建一个冲动

•在“展开”块中，取消勾选除“平均值”之外的所有选项(因为每个“轴”本身就是一个单一值，而非时间序列)，并启用标准缩放(StandardScaler)归一化。

•使用36→16神经元架构训练300个周期

对于关注此事的人，有几点值得说明：

为什么只使用“平均”?Flattenatten 模块专为时间序列数据设计，用于在样本窗口内计算统计量(均值、最小值、最大值、均方根、标准差、偏度、峰度)。但我们的数据已经是表格形式：每一行是一组预计算好的数值，而非时间序列。当 max_speed 是单个数值时，计算“max_speed 的平均值”只会得到……那个数值本身。因此我们只检查 Average，它起到的是直接通过的作用。如果没有这个操作，第一次训练时有 35 个输入特征(5 个轴 × 7 个统计量)，其中大部分是冗余的副本或零值。

为什么需要使用StandardScaler归一化?我们的特征尺度差异很大。骑行时间最高可达186秒，而最大横向偏移量max_lateral_gs则最高仅为3.32。如果不进行归一化，网络的梯度更新将主要受幅度最大的特征主导。StandardScaler能将所有特征置于同等水平(均值为0，标准差为1)。这种差异非常显著：未进行归一化的第一个兴奋模型损失为8.32，甚至比猜测均值还要差。而经过归一化后，损失降至0.92。

为什么是36个神经元?由于仅有5个输入特征和189个样本，网络需要保持较小规模，以避免数据记忆。36个神经元的初级层提供了足够的容量来学习特征之间的交互(例如，“高侧向G值结合长时间骑行预测兴奋度高”)，而16个神经元的次级层则将这些交互压缩为单一输出。

为什么恶心的损失设为0.001?恶心是学习过程中最难掌握的目标。在默认的学习率0.005下，验证损失持续上升，而训练损失却下降(典型的过拟合现象)。将学习率降至0.001后，模型能够收敛且不会过度拟合。原游戏中恶心与横向加速度和翻转动作高度相关，但由于我们去除了翻转动作，模型可用的信号就减少了。

结果

训练后，三个模型的表现如下：

•兴奋度：MAE 0.71，可解释方差 0.34

•强度：MAE 0.96，可解释方差 0.22

•Nausea：MAE 1.06，可解释方差 -0.57

低于1的MAE表示预测值通常在0到10分的尺度上相差不超过1分。兴奋度和强度表现良好。恶心感较弱，但仍能区分不同游乐项目。

每个模型都是为 Linux(AARCH64，搭载高通 QNN)构建的，生成的 .eim 文件非常小：推理时间仅 111 毫秒，占用 1.22 千字节 RAM 和 10.88 千字节闪存。在 UNO Q 上同时运行这三个模型几乎完全免费。

夹紧真实世界数据

我在公园里发现了一件事：真正的过山车速度比RCT2游戏数据中的数值更极端。一辆名为“怪物”的游乐设施达到了6.71g的垂直加速度和41秒的飞行时间，远超训练数据中记录的最高值6.26g和13.68秒。如果没有安全护栏，模型会严重外推，预测出超过20秒的成绩。

修复方法很简单：在运行推理前，将每个输入特征限制在训练数据中观察到的范围内。这意味着超过游戏物理限制的骑行行为会有效使该特征达到上限。虽然评分在区分极端剧烈骑行时的能力有所下降，但分数仍保持在0到10的范围内，骑行之间的排名也依然合理。

在《过山车大亨》中，只有极少数人的兴奋值超过10，因此这是一种合理的方式，将游戏中的得分映射到真实的过山车上。

构建应用程序

该应用程序使用三个组件在Arduino App Lab中运行。如果你从Arduino项目中心导入了ZIP文件，这些组件已经全部准备就绪，本节将说明各组件如何组合在一起。

草图(STM32 侧)

ArduinoArduinoArduino 软件运行在 STM322 微控制器上，负责实时处理 IMU 采样。它通过 I2C 以 200Hz 的频率读取 ICM-20948，配置为 ±8G 加速度(滑行时可达到 5-6G)和 ±1000°/ss 角速度。采样数据以每 1000 次为一组进行批量处理，并通过桥接器发送，以降低 RPC 的开销。

录制由 Python Python Python 端控制。草图会一直空闲，直到收到 set_recording(true))) 调用，然后开始数据流传输。

PythonPythonPython 端(高通 MPU)

这是操作的核心部分。它通过桥接回调从草图接收IMU数据，运行信号处理以提取5个特征，将这些特征输入到三个.eim模型中，并提供WebUI和API端点服务。

信号处理是其中最有趣的部分。前约20个样本(在骑行者静止时记录)用于建立重力校准向量。之后的每个样本都会投影到该向量上，以确定垂直和横向加速度，无论IMU在腰包中的安装方向如何。这意味着你无需担心安装方向的问题，只需将设备放入腰包中即可使用。

根据校准后的数据，代码提取了五个特征：峰值垂直和横向加速度(直接来自加速度计)、飞行时间(垂直加速度低于0.5的时段)以及飞行时长。

还有一个最低运动阈值：如果最大G力从未超过1.5，且骑行时间少于30秒，应用程序会提示你没有足够的骑行数据，而不是给出静坐评分。当我第一次测试到可用版本时，它竟然愉快地将一张静止的办公桌评为6.21分刺激度，我才真正体会到这一点。

WebUI

界面是对RCT用户界面的致敬。游戏标志性的棕红色调、倒角窗框，以及来自游戏的骑行数据窗口布局。三个评分既以带标签的文字形式(例如“8.51(非常高)”)显示，也以动态进度条的形式呈现。

分享按钮使用 html2canvascanvas 抓取结果面板并保存，以便您可以在喜爱的社交媒体平台上分享。

带它去公园

在 App Lab 中，为应用启用自动启动选项，使其在开机时自动运行。然后将热点设置为自动连接。UNO Q Q 可独立运行 WiFi WiFi WiFi 热点，无需手机 tethering 或路由器。只需一条命令即可完成设置：