// AI 펫 동작 학습 (k-NN) - 아두이노 의존성 없는 순수 C++ // 스케치 폴더에 ai_pet_c6_ble.ino와 같이 두면 Arduino IDE에서 탭으로 보입니다. #pragma once #include #include #include #define ML_LABELS 5 // 동작 최대 5개 #define ML_EX 5 // 동작당 예시 최대 5개 #define ML_AXES 6 // ax ay az (g), gx gy gz (dps) #define ML_FEAT 30 // 6축 x (평균, 표준편차, 최소, 최대, 변화량) #define ML_PRE 20 // 감지 직전 0.2초 (100Hz) #define ML_WIN 150 // 최대 1.5초 (움직임이 멈추면 더 일찍 끝남) #define ML_MIN_POST 30 // 감지 후 최소 0.3초는 녹화 #define ML_STILL_END 12 // 0.12초 연속 잠잠하면 동작 끝으로 판단 #define ML_VER 2 // 창 방식이 바뀌어 이전 학습 데이터와 호환 안 됨 #define ML_K 3 #define ML_SD_FLOOR 0.2f // 예시가 적을 때 표준편차가 0에 가까워 거리가 폭주하는 것 방지 struct MLModel { uint16_t ver; uint16_t thrX100; // "모르겠어" 기준 거리 x100 uint8_t used[ML_LABELS]; uint8_t mood[ML_LABELS]; // 인식됐을 때 보여줄 기분 번호 uint8_t nEx[ML_LABELS]; char name[ML_LABELS][17]; // UTF-8, 최대 16바이트 float feat[ML_LABELS][ML_EX][ML_FEAT]; }; struct MLResult { int label; // -1 = 모르겠어 float best; // 가장 가까운 예시까지 거리 float perLabel[ML_LABELS]; // 동작별 가장 가까운 거리 (없으면 큰 값) }; inline void mlInit(MLModel &m) { memset(&m, 0, sizeof(m)); m.ver = ML_VER; m.thrX100 = 150; for (int i = 0; i < ML_LABELS; i++) m.mood[i] = 1; // 기본 반응: 행복 } inline int mlTotal(const MLModel &m) { int n = 0; for (int i = 0; i < ML_LABELS; i++) if (m.used[i]) n += m.nEx[i]; return n; } // 1.5초 창(win[n][6])에서 특징 30개 추출. 자이로는 /100 해서 가속도와 비슷한 크기로. inline void mlFeatures(const float win[][ML_AXES], int n, float out[ML_FEAT]) { for (int a = 0; a < ML_AXES; a++) { float scale = (a < 3) ? 1.0f : 0.01f; float sum = 0, sumsq = 0, mn = 1e9f, mx = -1e9f, diff = 0, prev = 0; for (int i = 0; i < n; i++) { float v = win[i][a] * scale; sum += v; sumsq += v * v; if (v < mn) mn = v; if (v > mx) mx = v; if (i > 0) diff += fabsf(v - prev); prev = v; } float mean = sum / n; float var = sumsq / n - mean * mean; out[a * 5 + 0] = mean; out[a * 5 + 1] = sqrtf(var > 0 ? var : 0); out[a * 5 + 2] = mn; out[a * 5 + 3] = mx; out[a * 5 + 4] = (n > 1) ? diff / (n - 1) * 10.0f : 0; // 변화량 (샘플 간 평균 변화 x10) } } // 예시 추가. 꽉 차면 가장 오래된 예시를 버림. inline void mlAddExample(MLModel &m, int slot, const float f[ML_FEAT]) { if (slot < 0 || slot >= ML_LABELS) return; if (m.nEx[slot] >= ML_EX) { memmove(m.feat[slot][0], m.feat[slot][1], sizeof(float) * ML_FEAT * (ML_EX - 1)); m.nEx[slot] = ML_EX - 1; } memcpy(m.feat[slot][m.nEx[slot]], f, sizeof(float) * ML_FEAT); m.nEx[slot]++; } inline void mlDeleteExample(MLModel &m, int slot, int idx) { if (slot < 0 || slot >= ML_LABELS || idx < 0 || idx >= m.nEx[slot]) return; int rest = m.nEx[slot] - idx - 1; if (rest > 0) memmove(m.feat[slot][idx], m.feat[slot][idx + 1], sizeof(float) * ML_FEAT * rest); m.nEx[slot]--; } inline void mlDeleteLabel(MLModel &m, int slot) { if (slot < 0 || slot >= ML_LABELS) return; m.used[slot] = 0; m.nEx[slot] = 0; m.mood[slot] = 1; memset(m.name[slot], 0, sizeof(m.name[slot])); } // 정규화용 특징별 표준편차 (저장된 모든 예시 기준) inline void mlNorm(const MLModel &m, float sd[ML_FEAT]) { int n = mlTotal(m); for (int f = 0; f < ML_FEAT; f++) { if (n < 2) { sd[f] = ML_SD_FLOOR; continue; } float sum = 0, sumsq = 0; for (int l = 0; l < ML_LABELS; l++) if (m.used[l]) for (int e = 0; e < m.nEx[l]; e++) { float v = m.feat[l][e][f]; sum += v; sumsq += v * v; } float mean = sum / n, var = sumsq / n - mean * mean; float s = sqrtf(var > 0 ? var : 0); sd[f] = s > ML_SD_FLOOR ? s : ML_SD_FLOOR; } } // 정규화된 거리 (특징당 평균 차이, RMS) inline float mlDist(const float a[ML_FEAT], const float b[ML_FEAT], const float sd[ML_FEAT]) { float s = 0; for (int f = 0; f < ML_FEAT; f++) { float z = (a[f] - b[f]) / sd[f]; s += z * z; } return sqrtf(s / ML_FEAT); } inline MLResult mlClassify(const MLModel &m, const float x[ML_FEAT], const float sd[ML_FEAT]) { MLResult r; r.label = -1; r.best = 1e9f; for (int l = 0; l < ML_LABELS; l++) r.perLabel[l] = 1e9f; float dist[ML_LABELS * ML_EX]; int lab[ML_LABELS * ML_EX]; int n = 0; for (int l = 0; l < ML_LABELS; l++) if (m.used[l]) for (int e = 0; e < m.nEx[l]; e++) { float d = mlDist(x, m.feat[l][e], sd); dist[n] = d; lab[n] = l; n++; if (d < r.perLabel[l]) r.perLabel[l] = d; } if (n == 0) return r; // 가까운 순으로 K개 고르기 (선택 정렬) int k = n < ML_K ? n : ML_K; for (int i = 0; i < k; i++) { int bi = i; for (int j = i + 1; j < n; j++) if (dist[j] < dist[bi]) bi = j; float td = dist[i]; dist[i] = dist[bi]; dist[bi] = td; int tl = lab[i]; lab[i] = lab[bi]; lab[bi] = tl; } r.best = dist[0]; if (r.best > m.thrX100 / 100.0f) return r; // 너무 멀면 모르겠어 // 투표 (동점이면 가장 가까운 예시의 동작) int votes[ML_LABELS] = {0}; for (int i = 0; i < k; i++) votes[lab[i]]++; int win = lab[0]; for (int l = 0; l < ML_LABELS; l++) if (votes[l] > votes[win]) win = l; r.label = win; return r; }