SE5 ECEAI/eceai 2023/2024/CharleuxHabre

Binôme

• Julien CHARLEUX
• Karl HABRE

Objectif

On souhaite lors de ce TP optimiser les performances et la consommation en distribuant la charge de calcul. On utilisera pour cela des capteurs alimentées par une STM32 connectés en série à un Raspberry PI. Ce Raspberry PI communiquera avec un protocole WIFI vers un serveur.

Compte rendu des séances

Séance du 04/12/2023

On créer une machine virtuelle xen JK sur le serveur chassiron :

xen-create-image --hostname=JK --force --dist=bookworm --size=10G --memory=10G --dir=/usr/local/xen --password= --dhcp --bridge=bridgeStudents

On configure ensuite la VM pour avoir accès à internet en IPV6 :

• La configuration de la carte réseau en IPV6 s’effectue dans le fichier /etc/network/interfaces :

auto enX0

iface enX0 inet6 auto

• On configure le DNS dans le fichier /etc/resolv.conf :

domain plil.info

search plil.info

nameserver 2a01:c916:2047:c800:216:3eff:fe82:8a5c

• On ajoute les sources de paquets et mis à jour dans le fichier /etc/apt/sources.list :

deb http://deb.debian.org/debian bookworm main contrib non-free non-free-firmware

deb-src http://deb.debian.org/debian bookworm main contrib non-free non-free-firmware

• Enfin on supprime /etc/apt/apt.conf.d/01proxy pour pouvoir utiliser le gestionnaire de paquet apt.On peut par la suite autoriser l'accès root en ssh.

Et on installe Python et Mosquitto MQTT Broker pour plus tard.

On peut par la suite autoriser l'accès root en ssh, on installe finalement Python et Mosquitto MQTT Broker pour plus tard.

• On réalise ensuite des tests sur le capteur en liaison avec la STM32 afin de comprendre son fonctionnement. On utilise en lisant la documentation constructeur le logiciel VL53L5CX nous permettant de visualiser graphiquement les données du capteur et ses caractéristiques en temps réel.

On télécharge par la suite les différents logiciels nécessaires pour programmer la STM32 (STM32 Cube IDE, Nano Edge Studio, STM32 MX).

On veut utiliser un Raspberry PI pour communiquer avec le capteur, on installe RaspberryOS sur la carte et on la connecte à internet. On pourra éventuellement par la suite utiliser VNC Viewer pour avoir une interface graphique.

Séance du 18/12/2023

On programme la STM32 avec l'IDE fournit par ST, celui ci permet de compiler et de téléverser le programme vers la carte. On garde le programme d'exemple qui affiche les valeurs du capteurs en 4*4 sur le port UART2. En vérifiant la vitesse de communication du port avec STM32 Cube MX, on peut visualiser le tableau de donnée avec PuTTY ou Python.

Nous décidons de mettre en forme le tableau de donnée après l'acquisition sur la Raspberry PI avec un script Python.

Afin de communiquer ces données de la Raspberry PI au serveur, on décide d'utiliser le protocole MQTT, celui ci nous semble adapté pour l'IOT et les communications à faible délais. On a alors installé Mosquitto MQTT Broker sur notre serveur et ajouté un mot de passe.

L'utilisation de MQTT permet aussi de simplifier l'ajout d'une autre Raspberry par le futur puisqu'il est facilement possible de gérer plusieurs appareils notamment avec le système de topics.

Une fois les données formatées avec Python sur la Raspberry PI, elles sont publiées sur un topic MQTT (sensor1) propre au capteur, hébergé sur le serveur. On peut récupérer ces données en écoutant le topic si on se situ sur le même réseau avec le mot de passe. On peut alors réaliser un autre script permettant de recuperer les données et les stocker dans un fichier coté serveur.

Séance du 19/12/2023

On souhaite maintenant entraîner une IA afin de reconnaître des similarités. On enregistre un mouvement que l'on répète 5 à 10 fois et on importe ces données dans NanoEdgeAIStudio. Le logiciel donne en sortie une librairie (fichier .a, .h..) que l'on peut importer dans un fichier C. On devrait pouvoir utiliser la fonction définie dans dans le .h pour détecter notre mouvement.

Séance du 20/12/2023

On remarque qu'il n'est pas nécessaire de compiler manuellement un executable important la librairie statique. Nano Edge Studio fournit un emulateur executable sur Linux ou Windows : ./NanoEdgeAI_Oneclass_Emulator neai_oneclass --knowledge_path knowledge.dat --file coords.txt

On utilisera cet émulateur sur le serveur et la raspberry, on peut le transferer avec ces commandes : scp -r -6 NanoEdgeAI_Emulator_Unix/ root@\[2001:660:4401:6050:216:3eff:fe28:dcac\]:/root/