TerraGuard คืออะไร?

แนวคิดของ TerraGuard คือส่ง Sensor และ Camera ลงไปใกล้พื้นป่า เพื่อประเมินสภาพ Surface Fuel เช่นใบไม้แห้ง สนเข็มแห้ง หรือ Brush ที่อาจมองเห็นได้ยากจากด้านบน

คำสำคัญคือ Risk Scout ไม่ใช่ Fire Detector: Project ประเมินลักษณะพื้นและ Microclimate ไม่ได้ตรวจ Flame, Smoke หรือ Thermal Signature โดยตรง

Architecture: Arduino UNO Q แบ่งงาน Linux กับ STM32 อย่างไร?

จุดเด่นของ UNO Q ใน Project นี้คือ Hardware เดียวมีทั้ง Real-time Microcontroller และ Linux Application Processor แล้วสื่อสารกันผ่าน RPC Bridge

Architecture แบบนี้ทำให้ Task ที่ต้องตอบสนองกับ Hardware เร็ว อยู่ฝั่ง MCU ขณะที่ AI และ High-level Navigation อยู่บน Linux

Hardware Stack ของ TerraGuard

ทำไม Rover ถูกแบ่งเป็น Upper Deck และ Lower Deck?

ผู้สร้างแบ่งโครงรถเป็นสองชั้น เพื่อแยก Power / Wiring ออกจาก Main Compute

Lower Deck

• Main 3S 11.1 V Li-ion Battery
• Wiring ส่วนใหญ่
• Camera Pan Servo
• AHT10 ใกล้ระดับพื้น

การวาง AHT10 ใกล้พื้น เป็น Design Choice ของผู้สร้าง เพื่อวัด Microclimate ใกล้ชั้นใบไม้และวัสดุแห้ง มากกว่าวาง Sensor ไว้สูงบนตัวรถ

Upper Deck

• Arduino UNO Q
• L298N Motor Drivers
• BNO055
• NEO-6M GPS

XIAO ESP32S3 Sense Camera ทำงานอย่างไร?

กล้องถูกวางด้านหน้าของ Rover บน Socket ที่หมุนด้วย SG90 Servo เพื่อมอง:

• ซ้ายประมาณ -60°
• ตรงกลาง 0°
• ขวาประมาณ +60°

Current GitHub Camera Firmware เปิดตัวเองเป็น Wi-Fi Access Point และให้ HTTP Endpoint:

Current Code ตั้ง Camera Stream ไว้ที่ VGA 640 × 480 JPEG และใช้ PSRAM เมื่อพร้อมใช้งาน

Power Architecture และจุดที่ Source ขัดกัน

Rover หลักใช้ 3S Li-ion Battery ที่ Source ระบุเป็น 11.1 V และมี MP1584EN Buck Converter สำหรับ 5 V Rail บางส่วน

Motor Power ถูกจ่ายเข้า L298N Drivers ตาม Architecture ของ Project ขณะที่ Encoder และ Servo ใช้ 5 V Rail ที่ลดแรงดันแล้ว

Pinout / Wiring จาก Current GitHub README

GitHub README ยังระบุ 4.7 kΩ Pull-up ไป 3.3 V บน Shared I2C Bus ของ BNO055 และ AHT Sensor

เก็บ Dataset จากพื้นป่าจริงอย่างไร?

ผู้สร้างตั้งใจไม่ใช้ Generic Aerial Photos เพราะมุมมองจากอากาศ แตกต่างจากสิ่งที่ Camera บน Rover เห็นมาก

ใน Teach Mode ผู้ใช้ขับ Rover ผ่าน Android App แล้วถ่ายภาพที่มุม:

• -60°
• 0°
• +60°

พร้อมเก็บ Temperature, Humidity และ Odometry Coordinate ประกอบกับภาพ

Low / Medium / High Risk คืออะไร?

ผู้สร้างสร้าง Label สำหรับ Prototype เอง 3 กลุ่ม:

MobileNetV2 ถูก Train อย่างไร?

Model ใช้ MobileNetV2 ที่ Pretrained บน ImageNet แล้วเปลี่ยน Classification Head เพื่อให้ Output เหลือ 3 Classes

Training ที่ผู้สร้างระบุ:

• PyTorch
• Adam Optimizer
• Initial Learning Rate = 1e-4
• Cosine Annealing
• 18 Epochs

GitHub มี training_history.json ครบทั้ง 18 Epochs และมี Model Artifact ทั้ง PyTorch และ ONNX

64.2% Accuracy แต่ High-risk Recall 100% หมายความว่าอะไร?

นี่เป็น Section ที่สำคัญที่สุด เพราะตัวเลข 100% ถ้าอ่านแบบผ่าน ๆ อาจทำให้เข้าใจว่า Model “ตรวจ High Risk แม่น 100%” ซึ่งไม่ตรงกับข้อมูลทั้งหมด

Recall 100% หมายถึง High-risk จริงทั้ง 6 ภาพใน Test Set ถูก Model จับได้ครบ

แต่ Precision ประมาณ 31.6% หมายความว่าหลายภาพที่ Model เรียกว่า High Risk จริง ๆ อยู่ใน Low หรือ Medium Class

ผู้สร้างเองระบุว่า ผลน่าจะดีขึ้นได้หากเพิ่มจำนวน Training Images

Edge AI ทำงาน Offline บน UNO Q อย่างไร?

หลัง Train เสร็จ ผู้สร้าง Export Model เป็น ONNX แล้ว Linux Side ใช้ ONNX Runtime ประมวลผลภาพจาก XIAO Camera

Hackster รายงาน Inference Time ประมาณ 45–65 ms ต่อ Frame บน Linux CPU ของ UNO Q โดยไม่ต้องส่งภาพขึ้น Cloud

แล้ว INT8 ล่ะ?

Repository มีทั้ง:

• wildfire_model.onnx
• wildfire_model_int8.onnx
• wildfire_model_single.onnx

แต่ Current vision.py และ Deployment Script ชี้ไปที่ wildfire_model.onnx เป็นหลัก

Temperature + Humidity ถูก Fuse กับ AI อย่างไร?

Current vision.py ไม่ได้ใช้แค่ Visual Class แต่ยังมี Heuristic Rule จาก Temperature และ Relative Humidity

ถ้า Visual Model ให้ Medium Risk และ Weather เข้า Severe Condition Code จะ Escalate เป็น High Risk / BLOCKED

Teach / Waypoints / Drive ต่างกันอย่างไร?

Current Code ใช้ Breadcrumb Threshold:

• ระยะประมาณ 0.5 m
• หรือเปลี่ยน Heading ประมาณ 15° พร้อมมี Forward Movement

เมื่อ Drive Mode ไปถึง Photo Waypoint:

1. หยุด Motor
2. หมุน Camera ไปยัง Servo Angle ที่บันทึกไว้
3. รอประมาณ 0.8 วินาทีให้การสั่นลดลง
4. ดึง Frame จาก Camera
5. Run ONNX Inference
6. Log Result
7. ส่ง Alert ไป Mobile App
8. Center Camera แล้วเดินทางต่อ

GPS พังในป่าจริง แล้วผู้สร้างแก้อย่างไร?

Field Test ทำให้เจอ Bug ที่ไม่ปรากฏตอนทดสอบในบ้าน

ปัญหา 1: Coordinate Jump ถึง 5.6 ล้านเมตร

ผู้สร้างเคยผสม Local Metric Odometry กับ Raw GPS Coordinate จนเมื่อ GPS Lock ค่า Position กระโดดจาก Local 0 ไปเป็นระดับหลายล้านเมตร ทำให้ Rover คิดว่า Waypoint อยู่ไกลผิดปกติ และพยายามหมุนหาเส้นทาง

วิธีแก้คือ:

ปัญหา 2: GPS Multipath ใต้ต้นสน

ใต้เรือนยอดหนา Source รายงานว่า GPS เคยกระโดดประมาณ 400 m ชั่วคราวจาก Multipath

ผู้สร้างจึงใช้ Filter ใน Visualization เพื่อทิ้ง Jump ที่ดูเป็นไปไม่ได้ โดย Story ระบุ Threshold ที่ประมาณ 4.0 m/s เทียบกับ Rover ที่วิ่งประมาณ 0.6 m/s

Field Test จริงมากกว่า 1.6 km ได้เรียนรู้อะไร?

ผู้สร้างนำ TerraGuard ไปทดสอบบนทางป่าจริง และรายงานระยะการเดินทางรวมมากกว่า:

ช่วงสภาพแวดล้อมที่ Source รายงาน:

• Temperature: 19.5–25.4°C
• Humidity: 37.5–63.7%

Mission Map แสดงอะไรบ้าง?

หลัง Patrol ระบบเก็บข้อมูล Mission เป็น JSON เช่น:

• x, y
• Heading
• GPS
• Speed
• Temperature
• Humidity
• Inspection Photo
• AI Classification

จากนั้น visualize_mission.py สร้าง Interactive Map ด้วย Leaflet.js มี:

• Satellite View
• GPS Track
• Risk Pins
• Clickable Photo Popups
• AI Confidence
• Environment Data

Camera Socket 3D Print สำหรับ XIAO ESP32S3 Sense

Project มี Custom Camera Socket สำหรับติดตั้ง XIAO ESP32S3 Sense เข้ากับ Mechanism ของ Servo และผู้สร้างปล่อยไฟล์ OBJ ให้ดาวน์โหลด

มีไฟล์ 3D แล้วแต่ไม่มีเครื่องพิมพ์? หากสิทธิ์ของไฟล์อนุญาต สามารถสอบถามทีม Globalbyte เรื่องบริการพิมพ์ 3D สำหรับ Prototype ได้

Source Code ที่น่าสนใจจาก GitHub

Repository เป็น Public และระบุ MIT License โดยแยก Code ออกเป็นฝั่ง:

• UNO Q STM32 Firmware
• UNO Q Linux / Python
• XIAO ESP32S3 Camera
• Android Controller
• Model Artifacts

httpd_uri_t index_uri = {
    .uri       = "/",
    .method    = HTTP_GET,
    .handler   = index_handler,
    .user_ctx  = NULL
};

httpd_uri_t stream_uri = {
    .uri       = "/stream",
    .method    = HTTP_GET,
    .handler   = stream_handler,
    .user_ctx  = NULL
};

httpd_uri_t capture_uri = {
    .uri       = "/capture",
    .method    = HTTP_GET,
    .handler   = capture_handler,
    .user_ctx  = NULL
};

img = Image.open(io.BytesIO(jpeg_bytes)).convert("RGB")
img = img.resize((224, 224), Image.BILINEAR)

arr = np.array(img, dtype=np.float32) / 255.0

for c in range(3):
    arr[:, :, c] = (
        arr[:, :, c] - IMAGENET_MEAN[c]
    ) / IMAGENET_STD[c]

arr = np.transpose(arr, (2, 0, 1))
arr = np.expand_dims(arr, axis=0)

Quick Setup จาก Source

ถ้าต้องการศึกษา Workflow การ Deploy Source แบ่งขั้นตอนหลักไว้ดังนี้

1. Flash uno_q_stm32/sketch.ino เข้า STM32 Side ของ UNO Q ผ่าน Arduino App Lab หรือ IDE
2. Flash xiao_esp32s3_camera/xiao_esp32s3_camera.ino เข้า XIAO ESP32S3 Sense โดย Source ระบุให้เปิด OPI PSRAM
3. Deploy Python Stack และ Model ไปยัง Linux Side ด้วย Deployment Script
4. SSH เข้า UNO Q แล้ว Run Python Main Service
5. Build Android Controller และ Connect ผ่าน BLE
6. หลัง Mission ใช้ Fetch Script ดาวน์โหลด Log และเปิด Interactive Map

deploy.bat

ssh arduino@[YOURIP]
python3 ~/terraguard/python/main.py

fetch_mission.bat

ข้อจำกัดที่ต้องรู้ก่อนเอาแนวคิดนี้ไปใช้จริง

1. AI ยังมี False Positive สูงใน High-risk Class
   High-risk Recall ดีใน Test Set นี้ แต่ Precision ต่ำกว่ามาก
2. High-risk Test Support มีเพียง 6 ภาพ
   Dataset และ Test Set ยังเล็กเกินไป สำหรับการสรุป Performance กว้าง ๆ
3. ถ้า Model หรือ Camera Frame หาย Current Code คืนค่า CLEAR
   ไม่เหมาะกับ Safety-critical Interpretation
4. Weather Threshold เป็น Heuristic ของผู้สร้าง
   ไม่ใช่เกณฑ์เตือนไฟป่าที่ผ่านการรับรอง
5. GPS ใต้เรือนยอดมี Multipath
   Project จึงไม่ใช้ GPS เป็น Core Autonomous Navigation
6. Power Design ยังมีข้อมูลขัดกัน
   โดยเฉพาะ Camera Battery / 5 V Rail
7. AS7341 มีใน Hardware/Firmware แต่บทบาทเชิง AI ไม่ได้อธิบายชัด
8. Repository Structure ใน README ไม่ตรงกับ Root Listing ปัจจุบันทุกจุด

FAQ: TerraGuard Arduino UNO Q Wildfire Rover

สรุป: จุดน่าสนใจของ TerraGuard ไม่ได้อยู่ที่ AI อย่างเดียว

TerraGuard เป็นตัวอย่างที่ดีของ Project ที่เอา Embedded, Linux, Computer Vision, Robotics, Sensor Fusion และ GIS มาต่อกันเป็นระบบเดียว

UNO Q รับบทเป็นสะพานระหว่าง Real-time Motor / Sensor Control กับ Python + ONNX ขณะที่ XIAO ESP32S3 Sense แยกหน้าที่กล้องออกไปเป็น Wi-Fi Camera Module

สิ่งที่มีคุณค่ามากที่สุดอาจไม่ใช่ Accuracy 64.2% แต่คือ Journey ที่ผู้สร้างเจอ GPS Error หลายล้านเมตร, Multipath ใต้ต้นไม้, Dataset ที่ยังเล็ก และ Model ที่ยังต้องเพิ่มข้อมูล แล้วแก้ Architecture ตามปัญหาจริง

ถ้าจะต่อยอด TerraGuard ไปสู่งานจริง งานถัดไปจึงไม่ใช่แค่ “เพิ่ม AI” แต่ต้อง Review Fail-safe Behavior, Dataset Diversity, Navigation Safety, Power Protection และ Validation กับผู้เชี่ยวชาญด้านไฟป่า ให้เข้มกว่าระดับ Maker Prototype

โปรเจกต์นี้มีหลายระบบ แนะนำอ่าน Source ต้นฉบับควบคู่กัน

TerraGuard มีทั้ง Firmware, Python Stack, Android App, AI Model, Wiring และ 3D File ดังนั้นถ้าจะ Build จริง ควรใช้ GitHub Current Revision ควบคู่กับ Hackster Story

อ่าน TerraGuard Tutorial ฉบับเต็มบน Hackster

ดู Source Code และ Model บน GitHub

ดาวน์โหลด Camera Socket OBJ

อ่าน Arduino UNO Q Documentation