ESP32-C5系列连载04-老黄的金箍棒项目终于不用烂尾了
本帖最后由 漂移菌 于 2025-10-23 12:52 编辑书接上文，中间利用python代码的修改，将ESP32-C5上链接的MPU6050 的数据采集并通过串口传给了树莓派5， 通过树莓派5 采集并将数据写入对应的文件。
下面让我来为你详细讲解一下如何在树莓派上用 arduino-cli 构建 ESP32-C5 + MPU6050 获取设备姿态信息的完整流程。
这里我会尝试使用 MPU6050 内置的 DMP（Digital Motion Processor） 功能，直接输出四元数，再通过官方库函数转换为欧拉角（Yaw、Pitch、Roll），这种方式精度高且计算量小。
硬件连接主要去看上一篇帖子哈。
在树莓派上我部署了arduino-cli的环境，编译非常丝滑，也不用鼠标点点点，如果还不记得怎么用。可以尝试参考我下面的方法:
# 安装 arduino-cli
curl -fsSL https://raw.githubusercontent.com/arduino/arduino-cli/master/install.sh | sh
# 添加到环境变量
echo 'export PATH=$PATH:$HOME/bin' >> ~/.bashrc
source ~/.bashrc
# 初始化配置
arduino-cli config init
arduino-cli core update-index
# 安装 ESP32 开发板支持
arduino-cli core install esp32:esp32在config init 部分，需要修改一下你的配置哦。不然使用的编译器和编译环境可能认不出你的esp32-C5
pi@rpi16g:~/max7219_test $ cat ~/.arduino15/arduino-cli.yaml
board_manager:
additional_urls: ['https://github.com/espressif/arduino-esp32/releases/download/3.3.0-alpha1/package_esp32_dev_index_cn.json']
network:
connection_timeout: 1800s
然后记得安装一下下面两个库：
[*]I2Cdevlib（用于 I2C 通信）
[*]MPU6050（用于 MPU6050 控制）
步骤如下：
cd ~/Arduino/libraries
git clone https://github.com/jrowberg/i2cdevlib
mv i2cdevlib/Arduino/I2Cdev .
mv i2cdevlib/Arduino/MPU6050 .然后创建一个Arduino Sketch 项目
arduino-cli sketch new esp32c5-mpu6050
cd ~/esp32c5-mpu6050 创建主文件 esp32c5-mpu6050.ino，内容如下：
#include <Arduino.h>
#include "I2Cdev.h"
#include "MPU6050_6Axis_MotionApps20.h"
#include "Wire.h"
#define INTERRUPT_PIN2
#define SDA_PIN 9
#define SCL_PIN 10
#define COB_PIN 15
MPU6050 mpu;
volatile bool mpuInterrupt = false;
bool dmpReady = false;
uint8_t mpuIntStatus;
uint8_t devStatus;
uint16_t packetSize;
uint8_t fifoBuffer;
Quaternion q;
VectorFloat gravity;
float ypr;//
void IRAM_ATTR dmpDataReady() {
mpuInterrupt = true;
}
void setup() {
Serial.begin(9600);
Wire.begin(SDA_PIN, SCL_PIN);
Wire.setClock(100000);
mpu.initialize();
if (!mpu.testConnection()) {
Serial.println("MPU6050连接失败!");
while (1);
}
devStatus = mpu.dmpInitialize();
if (devStatus != 0) {
Serial.printf("DMP初始化失败，状态码: %d\n", devStatus);
while (1);
}
mpu.setXGyroOffset(220);
mpu.setYGyroOffset(76);
mpu.setZGyroOffset(-85);
mpu.setZAccelOffset(1788);
mpu.CalibrateAccel(6);
mpu.CalibrateGyro(6);
mpu.setDMPEnabled(true);
pinMode(INTERRUPT_PIN, INPUT);
attachInterrupt(digitalPinToInterrupt(INTERRUPT_PIN), dmpDataReady, RISING);
mpuIntStatus = mpu.getIntStatus();
dmpReady = true;
packetSize = mpu.dmpGetFIFOPacketSize();
pinMode(COB_PIN, OUTPUT);
digitalWrite(COB_PIN, HIGH);
Serial.println("ESP32-C5 + MPU6050 + COB Light 初始化完成!");
digitalWrite(COB_PIN, LOW);
delay(3);
digitalWrite(COB_PIN, HIGH);
}
void loop() {
if (!dmpReady) return;
uint16_t fifoCount = mpu.getFIFOCount();
if (!mpuInterrupt && fifoCount < packetSize) return;
mpuInterrupt = false;
mpuIntStatus = mpu.getIntStatus();
fifoCount = mpu.getFIFOCount();
if((mpuIntStatus & 0x10) || fifoCount == 1024){
mpu.resetFIFO();
Serial.println("DAMN, FIFO特喵的溢出了！");
return;
}
if (mpuIntStatus & 0x02) {
while (fifoCount < packetSize) fifoCount = mpu.getFIFOCount();
mpu.getFIFOBytes(fifoBuffer, packetSize);
fifoCount -= packetSize;
mpu.dmpGetQuaternion(&q, fifoBuffer);
mpu.dmpGetGravity(&gravity, &q);
mpu.dmpGetYawPitchRoll(ypr, &q, &gravity);
/*
Serial.print("YAW: ");
Serial.print(ypr * 180 /M_PI);
Serial.print("\tPITCH: ");
Serial.print(ypr * 180 /M_PI);
if ((ypr * 180 /M_PI) > 50.0){
digitalWrite(COB_PIN, LOW);}
else {
digitalWrite(COB_PIN, HIGH);
}
Serial.print("\tROLL: ");
Serial.println(ypr * 180 /M_PI);
*/
Serial.printf("IMU:%.2f,%.2f,%.2f\n",(ypr*180/M_PI),(ypr*180/M_PI),(ypr*180/M_PI));
}
}
编译并上传代码到esp32-C5：
# 编译
arduino-cli compile --fqbn esp32:esp32:esp32:CDCOnBoot=cdcesp32c5-mpu6050
# 上传（替换为你的串口）
arduino-cli upload -p /dev/ttyACM0--fqbn esp32:esp32:esp32:CDCOnBoot=cdcesp32c5-mpu6050打开串口监视器看看是否有数据输出：
arduino-cli monitor -p /dev/ttyACM0 -c baudrate=115200
如果一切正确，可以看到类似下面的输出：
IMU:-12.34, 45.33, -3.21
到这里，ESP32-C5 的数据采集并通过串口输出就好了，接下来我们到树莓派上去搭建数据采集的环境。
在树莓派上把「yaw/pitch/roll 序列」变成「画圈 / 画×」的 AI 分类器，整套流程可以塞进 4 步就能完成。
1. 数据采集和打标签（要在树莓派主机上完成）
操作思路： ESP32 ---》 串口 ---》 树莓派USB串口读取
2. 写个简单的采集脚本， 每类动作记录1条 .csv 文件，然后全部记录下来后再机器学习。
采集脚本如下：
pi@rpi16g:~/esp32_TinyML_MPU6050 $ cat collect_data.py
# 功能：通过MPU6050采集数据集，目前采集4组，circle是划圆，cross是划十字，左右就是向左砍和向右砍
# 目标；帮老黄的金箍棒灯效采集数据
# Editor： 漂移菌
# 串口数据来自接入的ESP32
import serial
import time
import csv
import os
GESTURES = ["circle", "cross", "left", "right"]
SAMPLES_PER_GESTURE = 30 # 每种手势采集30条
SAMPLE_DURATION = 2.0 # 每条样本2秒
SAMPLE_RATE = 50 # 50HZ
TOTAL_READS = int(SAMPLE_RATE * SAMPLE_DURATION)
ser = serial.Serial("/dev/ttyUSB0", 9600, timeout=1)
time.sleep(2)
def collect_gesture(gesture_name, index):
filename = f"{gesture_name}/{gesture_name}_{index:03d}.csv"
print(f"准备采集: {filename}, 请在2秒内完成动作...")
time.sleep(2)
data = []
try:
while len(data) < TOTAL_READS:
line = ser.readline().decode('utf-8', errors='ignore').strip()
if line:
print(line)
parts = line.split(',')
if len(parts) == 3:
try:
yaw, pitch, roll = map(float, parts)
data.append()
print(f"✅\r已采集: {len(data)}条数据", end='\n')
except ValueError:
print("跳过坏数据:", line)
print(f"✅ 采集完成：{filename}, 共{len(data)}条数据")
except KeyboardInterrupt:
print(f"✅ 手动结束采集：{filename}, 共{len(data)}条数据")
with open(filename, 'w', newline='') as f:
writer = csv.writer(f)
writer.writerow(["yaw", "pitch", "roll"])
writer.writerows(data)
if __name__ == "__main__":
for gesture in GESTURES:
os.makedirs(gesture, exist_ok=True)
for i in range(1, SAMPLES_PER_GESTURE+1):
input(f"\n按下回车开始采集{gesture}第{i}条...")
collect_gesture(gesture, i)
然后根据提示执行，分别进行画圆圈，打×， 左挥，右砍， 采集到足够的数据会在当前目录下看到类似这样的几个文件夹：
pi@rpi16g:~/esp32_TinyML_MPU6050 $ tree data
data
├── circle
│ ├── circle_001.csv
│ ├── circle_002.csv
│ ├── circle_003.csv
│ ├── circle_004.csv
│ ├── circle_005.csv
│ ├── circle_006.csv
│ ├── circle_007.csv
│ ├── circle_008.csv
│ ├── circle_009.csv
│ ├── circle_010.csv
│ ├── circle_011.csv
│ ├── circle_012.csv
│ ├── circle_013.csv
│ ├── circle_014.csv
│ ├── circle_015.csv
│ ├── circle_016.csv
│ ├── circle_017.csv
│ ├── circle_018.csv
│ ├── circle_019.csv
│ ├── circle_020.csv
│ ├── circle_021.csv
│ ├── circle_022.csv
│ ├── circle_023.csv
│ ├── circle_024.csv
│ ├── circle_025.csv
│ ├── circle_026.csv
│ ├── circle_027.csv
│ ├── circle_028.csv
│ ├── circle_029.csv
│ └── circle_030.csv
├── cross
│ ├── cross_001.csv
│ ├── cross_002.csv
│ ├── cross_003.csv
│ ├── cross_004.csv
│ ├── cross_005.csv
│ ├── cross_006.csv
│ ├── cross_007.csv
│ ├── cross_008.csv
│ ├── cross_009.csv
│ ├── cross_010.csv
│ ├── cross_011.csv
│ ├── cross_012.csv
│ ├── cross_013.csv
│ ├── cross_014.csv
│ ├── cross_015.csv
│ ├── cross_016.csv
│ ├── cross_017.csv
│ ├── cross_018.csv
│ ├── cross_019.csv
│ ├── cross_020.csv
│ ├── cross_021.csv
│ ├── cross_022.csv
│ ├── cross_023.csv
│ ├── cross_024.csv
│ ├── cross_025.csv
│ ├── cross_026.csv
│ ├── cross_027.csv
│ ├── cross_028.csv
│ ├── cross_029.csv
│ └── cross_030.csv
├── left
│ ├── left_001.csv
│ ├── left_002.csv
│ ├── left_003.csv
│ ├── left_004.csv
│ ├── left_005.csv
│ ├── left_006.csv
│ ├── left_007.csv
│ ├── left_008.csv
│ ├── left_009.csv
│ ├── left_010.csv
│ ├── left_011.csv
│ ├── left_012.csv
│ ├── left_013.csv
│ ├── left_014.csv
│ ├── left_015.csv
│ ├── left_016.csv
│ ├── left_017.csv
│ ├── left_018.csv
│ ├── left_019.csv
│ ├── left_020.csv
│ ├── left_021.csv
│ ├── left_022.csv
│ ├── left_023.csv
│ ├── left_024.csv
│ ├── left_025.csv
│ ├── left_026.csv
│ ├── left_027.csv
│ ├── left_028.csv
│ ├── left_029.csv
│ └── left_030.csv
└── right
├── right_001.csv
├── right_002.csv
├── right_003.csv
├── right_004.csv
├── right_005.csv
├── right_006.csv
├── right_007.csv
├── right_008.csv
├── right_009.csv
├── right_010.csv
├── right_011.csv
├── right_012.csv
├── right_013.csv
├── right_014.csv
├── right_015.csv
├── right_016.csv
├── right_017.csv
├── right_018.csv
├── right_019.csv
├── right_020.csv
├── right_021.csv
├── right_022.csv
├── right_023.csv
├── right_024.csv
├── right_025.csv
├── right_026.csv
├── right_027.csv
├── right_028.csv
├── right_029.csv
└── right_030.csv
5 directories, 120 files
五个分类目录和120个文件，这些数据信息单独如下：
然后就可以编写代码来训练了。
目前你已经有：
[*]✅ ESP32 + MPU6050 采集的 yaw/pitch/roll 数据（CSV 格式）
[*]✅ 树莓派5（性能足够）
目标就是在树莓派5 本地训练一个TinyML级别的模型了。哈哈
用于识别：
[*]画圈（circle）
[*]打叉（cross）
[*]左挥（left）
[*]右挥（right）
最终的solution如下：
✅ 方案：用 scikit-learn 训练轻量模型 → 导出为 C数组 → ESP32 上推理
步骤工具说明
1. 数据加载pandas读取 CSV（yaw/pitch/roll）
2. 特征提取scipy / scikit-learn提取时域特征（均值、方差、能量、峰值）
3. 标签编码sklearn.preprocessing四类：circle/cross/left/right
4. 模型训练RandomForestClassifier 或 SVM轻量、快速、适合树莓派
5. 模型导出micromlgen 或 sklearn-porter导出为 C 代码
6. ESP32 推理C 语言直接运行模型，控制 RGB
树莓派先要安装依赖：
sudo apt update
sudo apt install python3-pip
pip3 install pandas scikit-learn scipy micromlgen然后就可以编写一个训练脚本，例如我这里是train_local.py
import os
import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
from micromlgen import port# 转换成c代码
import pickle
# 0. 先做个函数提取特征
def extract_features(df):
return [
df['yaw'].mean(), df['yaw'].std(), df['yaw'].max(), df['yaw'].min(),
df['pitch'].mean(), df['pitch'].std(), df['pitch'].max(), df['pitch'].min(),
df['roll'].mean(), df['roll'].std(), df['roll'].max(), df['roll'].min(),]
# 1. 尝试加载所有的CSV文件.
def load_data(folder):
X, y = [], []
label = os.path.basename(folder)
for file in os.listdir(folder):
if file.endswith('.csv'):
df = pd.read_csv(os.path.join(folder, file))
# 提取时域特征
features = extract_features(df)
X.append(features)
y.append(label)
return X, y
# 2. 加载所有类别
X_all, y_all = [], []
for gesture in ['circle', 'cross', 'left', 'right']:
X, y = load_data(f'data/{gesture}')
X_all.extend(X)
y_all.extend(y)
X_all = np.array(X_all)
print(f"X_all.shape = {X_all.shape}")
# 3. 训练模型
X_train, X_test, y_train, y_test = train_test_split(X_all, y_all, test_size=0.2)
clf = RandomForestClassifier(n_estimators=30, max_depth=10)
clf.fit(X_train, y_train)
with open("my_esp32-gesture-RFmodel.pkl", 'wb') as f:
pickle.dump(clf, f)
# 4. 评估模型
print(classification_report(y_test, clf.predict(X_test)))
print('-'* 50)
print(f"训练集准确率: {clf.score(X_all, y_all):.2f}")
# 5. 导出一个C头文件，后面烧录到esp32
with open('model.h', 'w') as f:
f.write(port(clf))
print(f"已经生成model.h头文件")
这时候执行这个脚本就会很快训练出一个非常精准的模型，然后还会得到一个model.h的头文件，这个需要放到arduino项目里
然后继续下面的步骤：
[*]把 model.h 放到 Arduino 项目里
[*]每次采集 2 秒数据（100 条），提取同样的 12 个特征
[*]调用 predict(features) → 返回类别索引
[*]根据类别控制 RGB 灯
然后安装到金箍棒里面，我目前还在打印和调试，未完，待续吧~更新比较慢。但是不会断。哈哈
那个训练的过程我发布到B站了，链接如下：
https://www.bilibili.com/video/BV1gvsizaEqm/?vd_source=bdff96c7413b9836f4a9c717176dc2da
原谅我没有语音解说哈~
页:
[1]