โปรเจกต์ HSA: ทำ “AI อ่านสภาพแวดล้อม” ด้วย Multi-Sensor บน Arduino แบบไม่ง้อคลาวด์

เคยสงสัยไหมว่าห้องที่เราอยู่ทุกวันมี "รูปแบบพฤติกรรม" ซ่อนอยู่? ไม่ใช่แค่เรื่องอุณหภูมิที่เปลี่ยนไป หรือการจับความเคลื่อนไหวทั่วไป แต่รวมถึงแรงสั่นสะเทือนเล็กๆ เสียงรอบข้าง และคลื่นแม่เหล็ก วันนี้เราจะพาไปรู้จักกับโปรเจกต์ H.S.A (Habitat Signature Analyzer) ที่จะเปลี่ยนบอร์ด Arduino ให้กลายเป็น AI คอยอ่าน "บุคลิก" และสถานะของห้องแบบเรียลไทม์

ที่สำคัญคือระบบนี้เป็นแบบ Edge AI ทำงานจบในตัว ไม่ต้องส่งข้อมูลขึ้น Cloud ให้ยุ่งยากและเปลืองเน็ตเลย!

Step 1: รู้จักฮาร์ดแวร์หลัก (The Hardware Foundation)

โปรเจกต์นี้ใช้ขุมพลังจากบอร์ด Arduino 2 ตัวที่ทำงานสอดประสานกัน:

• Arduino Nano 33 BLE Sense Rev2: ทำหน้าที่เป็น "ประสาทสัมผัส" ตัวนี้มีเซนเซอร์ถึง 7 ชนิด ครอบคลุมทั้ง IMU (แรงสั่นสะเทือน), ไมโครโฟน (เสียง), แม่เหล็ก, ความใกล้ชิด (Proximity), ความกดอากาศ, อุณหภูมิ และความชื้น
• Arduino UNO-Q: ทำหน้าที่เป็น "สมอง" คอยรันระบบ Linux, Python, ฐานข้อมูล InfluxDB และแดชบอร์ด Grafana

Step 2: การรวมข้อมูลเซนเซอร์และฝึก AI (Sensor Fusion)

ตัวเซนเซอร์มีความลับบางอย่างซ่อนอยู่! ตอนพัฒนาระบบพบว่าเซนเซอร์แม่เหล็ก (Magnetometer) สามารถจับการรบกวนของคลื่นแม่เหล็กตอนคนเดินผ่านหรือมีอุปกรณ์อิเล็กทรอนิกส์อยู่ใกล้ๆ ได้ และเซนเซอร์ Proximity ก็ช่วยแยกแยะระหว่าง "ห้องว่าง" กับ "ห้องที่มีคนนั่งนิ่งๆ" ได้ขาดลอย

โมเดล AI ที่ใช้คือ Random Forest เพราะมีความโปร่งใส เราสามารถตรวจสอบได้ว่า AI ตัดสินใจจากเซนเซอร์ตัวไหนเป็นหลัก (ต่างจาก Deep Learning ที่มักจะเป็นกล่องดำ)

Step 3: โค้ดและการสื่อสาร (The CODE)

ตัว Nano จะไม่ส่งข้อมูลเสียงดิบๆ ไปให้ UNO-Q แต่จะประมวลผลคลื่นเสียงผ่านกระบวนการ FFT ภายในตัวเองก่อน จากนั้นแพ็กข้อมูลเซนเซอร์ทั้งหมดให้เหลือแค่ 118-byte แล้วส่งผ่านพอร์ต UART อย่างรวดเร็ว (10 ครั้งต่อวินาที) ทำให้ระบบเสถียรมากและไม่กินแบนด์วิดท์

Step 4: การติดตั้งระบบ (Installation)

การเซ็ตอัป UNO-Q จะทำผ่าน SSH แบบสาย Linux โดยเราต้องติดตั้ง Python, InfluxDB (สำหรับเก็บข้อมูล) และ Grafana (สำหรับทำแดชบอร์ดแสดงผล)

Step 5: สอน AI ให้รู้จักห้องของเรา (Data Collection)

เพื่อให้ระบบทำงานได้แม่นยำ เราต้องสอน AI ให้รู้จัก 4 สถานะหลักของห้อง ได้แก่:

• Calme (เงียบสงบ): ห้องว่าง ไม่มีคน ไม่มีเสียง
• Presence (มีคนอยู่): มีคนอยู่ในห้อง แต่อาจนั่งทำงานนิ่งๆ
• Activite (มีการเคลื่อนไหว): มีการเดินหรือขยับตัวไปมาในห้อง
• Ambiance (มีบรรยากาศ/เสียง): มีการเปิดเพลงหรือทีวี

Step 6: เก็บข้อมูลด้วย InfluxDB

ข้อมูลทั้งหมดจะถูกเก็บลง InfluxDB ซึ่งเป็นฐานข้อมูลที่ออกแบบมาเพื่อเก็บข้อมูลแบบ Time-Series (อิงตามเวลา) โดยเฉพาะ ข้อดีคือข้อมูลประวัติการใช้งานห้องจะถูกบันทึกไว้ในหน่วยความจำ eMMC ของเครื่อง UNO-Q เปิดเครื่องใหม่ข้อมูลก็ไม่หาย!

Step 7: ดูผลลัพธ์ผ่านแดชบอร์ด Grafana

ระบบมีแดชบอร์ด 2 ตัวหลัก:

• แดชบอร์ดเซนเซอร์ดิบ: ไว้ดูค่าสถิติต่างๆ แบบเรียลไทม์ เช่น คลื่นเสียง แรงดันอากาศ หรือคลื่นแม่เหล็ก
• แดชบอร์ด AI (Habitat Rescue): แสดงผลลัพธ์ว่าตอนนี้ห้องอยู่ในโหมดไหน (Calme, Presence ฯลฯ) พร้อมบอกความมั่นใจของ AI เป็นเปอร์เซ็นต์

Step 8: นำไปต่อยอดใช้งานจริง (Conclusion)

พอเรามี AI ที่เข้าใจพฤติกรรมของห้องแล้ว เราก็เอาไปเชื่อมกับระบบ Smart Home (เช่น Home Assistant) ได้เลย ตัวอย่างเช่น:

• Eco mode: หรี่ไฟหรือลดแอร์เมื่อห้องอยู่ในโหมด Calme นานๆ
• Comfort mode: เปิดไฟและปรับอุณหภูมิเมื่อจับสถานะ Presence ได้
• Security mode: แจ้งเตือนเมื่อพบสถานะ Activite ในช่วงเวลาที่ห้องควรจะ Calme (ตอนดึก)