Система телеметрии мотоцикла в реальном времени: Arduino, GPS, датчики, Azure и ML

Компоненты и материалы

Arduino UNO	×	1
GPS‑модуль u‑blox NEO‑7M	×	1
Датчик температуры LM35DT	×	1
ИК‑термометр TMP006 (SparkFun)	×	1
Bluetooth‑модуль HC‑05	×	1
Ультразвуковые датчики HC‑SR04	×	2
Акселерометр ADXL345 (SparkFun)	×	1
Мотоцикл Ducati Monster 695 (объект установки)	×	1
SparkFun ProtoShield Kit	×	1
Половинчатая макетная плата	×	1
Крона 9 В + клемма	×	1
Перемычки	×	1
Смартфон Lumia 650 (Windows 10 Mobile)	×	1

Приложения и сервисы

• Microsoft Azure (IoT Hub, Stream Analytics, SQL Azure, Web App, Machine Learning)
• Microsoft Visual Studio 2015
• Microsoft Blend
• Arduino IDE
• GIMP
• Fritzing

О проекте

Каждый новый проект — попытка совместить последние технологии с хобби. Здесь — страсть к мотоциклам и Arduino.

Идея

Всегда восхищался телеметрией MotoGP на ТВ. Решил построить свою систему на Arduino + Azure, легко воспроизводимую любым мотоциклистом.

Система собирает:

• Скорость [км/ч]
• GPS позиция (широта/долгота)
• Спутники (кол-во, HDOP)
• Высота [м]
• Угол наклона (Lean Angle)
• Угол «виляния» (Wheelie Angle)
• G‑ускорение по 3 осям [м/с²]
• Внешняя температура [°C]
• Температура задней шины [°C]
• Ход передней вилки [см]
• Ход заднего амортизатора [см]

Железо: Arduino Uno R3, сенсоры, UWP‑приложение на Windows Phone, облако Azure.

Рабочий процесс:

1. Фаза 1 — Бортовый блок (на мотоцикле) опрашивает датчики ~2 раза/сек.
2. Фаза 2 — Данные по Bluetooth (HC‑05) уходят на Windows Phone.
3. Фаза 3 — Телефон отображает данные и шлёт их 3G/4G в Azure IoT Hub.
4. Фаза 4 — Stream Analytics Job в Azure пишет данные в SQL Azure.
5. Фаза 5 — WebApp на Azure читает SQL и показывает телеметрию в реальном времени.
6. Фаза 6 — WebApp с аутентификацией, графики (Entity Framework).
7. Фаза 7 — Machine Learning обрабатывает накопленные данные, выявляет паттерны стиля вождения для рекомендаций по улучшению.

I Think IT'S PRETTY COOL!!! Приступим к описанию.

Аппаратная настройка

Состав:

• 1× Arduino Uno R3
• 2× HC‑SR04 — ход вилки и амортизатора
• 1× TMP006 — бесконтактная температура шины (и опционально воздуха)
• 1× GPS NEO‑7M — позиция, скорость, высота
• 1× ADXL345 — 3‑осевое ускорение, расчёт Lean/Wheelie углов
• 1× LM35DT — внешняя температура
• 1× HC‑05 — Bluetooth к телефону
• 1× Питание (пауэрбанк или батарея)

Шаг 1 — Bluetooth

Библиотека SoftwareSerial для UART на пинах 10/11. HC‑05 — Class 2, SPP, мастер/слейв.

Сменили имя устройства (было «HC‑05» — неэстетично).

#include <SoftwareSerial.h>
SoftwareSerial BTSerial(10,11); // RX, TX
void setup() {
  BTSerial.begin(9600);
}
...
BTSerial.print("Hello Hackster");

Bluetooth готов — просто и надёжно.

Шаг 2 — GPS

Модуль NEO‑7M: 56 каналов, 10 Гц, низкое потребление.

Коммуникация через SoftwareSerial (пины 12/13) и библиотеку TinyGPS++.

#include <SoftwareSerial.h>
#include <TinyGPS++.h>
SoftwareSerial ss(12,13);
TinyGPSPlus gps;
void setup() { ss.begin(9600); }
void loop() {
  while(ss.available()>0){
    if(gps.encode(ss.read())){
      if(gps.location.isValid()){
        double lat=gps.location.lat();
        double lon=gps.location.lng();
      }
    }
  }
}

Шаг 3 — Акселерометр ADXL345

ADXL345 — 3‑осевой, 13‑бит, до ±16 g, SPI/I2C. Библиотека ADXL345.h.

Важно: сырые данные не откалиброваны. Нужно задать нулевую точку (offset) в первом цикле:

if (i == 0) { refXg = Xg; refYg = Yg; refZg = Zg; i = 1; }
Xg -= refXg; Yg -= refYg; Zg = Zg - refZg + 1;

Углы крена (Roll) и тангажа (Pitch) из компонент g:

roll  = -(atan2(-fYg, fZg) * 180.0) / M_PI;   // Lean Angle
pitch =  (atan2(fXg, sqrt(fYg*fYg + fZg*fZg)) * 180.0) / M_PI; // Wheelie Angle

Оси: Z — гравитация, Y — движение вперёд, X — боковой скольжение.

#include <Wire.h>
#include <ADXL345.h>
ADXL345 acc;
void setup() { acc.begin(); }
void loop() { double Xg,Yg,Zg; acc.read(&Xg,&Yg,&Zg); }

Шаг 4 — Температура шины (TMP006)

TMP006 — MEMS термопара, измеряет ИК‑излучение 4–16 мкм без контакта. I2C интерфейс.

Расположение: ширина шины 160 мм → радиус твёрдого угла 80 мм → рекомендуемое расстояние ≤40 мм (R/2).

Код (SoftwareSerial + Adafruit_TMP006):

#include <SoftwareSerial.h>
#include "Adafruit_TMP006.h"
Adafruit_TMP006 tmp006;
void loop() {
  float objt = tmp006.readObjTempC();   // температура объекта (шина)
  float diet = tmp006.readDieTempC();   // температура датчика (воздух)
}

Шаг 5 — Внешняя температура (LM35)

LM35 — 10 мВ/°C, линейная зависимость. Чтение через АЦП:

int TempExtPin = A1;
float celsius = 0;
int sensor = analogRead(TempExtPin);
float millivolts = (sensor / 1023.0) * 5000;
celsius = millivolts / 10;

Шаг 6 — Ультразвуковые датчики (ход подвески)

Скорость звука ~340 м/с. Формула: S = 0.034 × t / 2 (t в мкс, S в см).

Базовый код медленный. Используем библиотеку NewPing.h — быстрая и удобная.

#include <NewPing.h>
int triggerPort = 2, echoPort = 3;
NewPing sonar(triggerPort, echoPort, 200);
int ReadPositionPing() {
  unsigned int uS = sonar.ping();
  return sonar.convert_cm(uS);
}

UWP‑приложение (Windows 10 Mobile)

UI: слева — Bluetooth, центр — 3 шкалы (скорость, lean, wheelie), справа — GPS, температуры, подвеска.

Протокол: строка с маркерами $START|...|$END|, разделитель «|». Позиции полей:

1. START
2. Latitude
3. N/S
4. Longitude
5. E/W
6. Month
7. Day
8. Year
9. Time hh:mm:ss
10. Speed km/h
11. Altitude m
12. Satellites count
13. HDOP
14. Roll (lean)
15. Pitch (wheelie)
16. Xg
17. Yg
18. Zg
19. Audio (disabled)
20. Distance m
21. Temp Ext (LM35)
22. Temp Tyre (TMP006)
23. Front shock cm
24. Back shock cm
25. END

Развёртывание UWP на Windows 10 Mobile

1. Телефон в «Режим разработчика» (Обновление и безопасность → Для разработчиков). USB → видимое подключение → PIN.
2. В Visual Studio: Project → Store → Create App Packages.
3. Wizard: No (локальный пакет) → ARM → Create.
4. Получен .appxbundle. Деплой через WinAppDeployCmd.exe:

   WinAppDeployCmd install -file "путь_к_appxbundle" -ip 127.0.0.1 -pin AAA123

   (AAA123 — PIN с телефона).
5. Приложение установлено, можно закрепить в старте.

Настройка Azure

Создаём: WebApp + SQL Azure, IoT Hub, Stream Analytics Job, Device ID.

1. IoT Hub: New → IoT Hub → заполнить поля. Запомнить Hostname и Connection String (policy iothubowner).
2. Stream Analytics: New → Stream Analytics Job. Input — IoT Hub, Output — таблица SQL Azure.
3. WebApp + SQL: New → Web App + SQL. Настроить App Service Plan (F1 Free), SQL (admin credentials).
4. Query Stream Analytics: SELECT * INTO SqlAzureMyTelemetry FROM MyTelemetryInputHub — запустить Job.

Создание Device ID для Hub

Консольное приложение Visual Studio + NuGet Microsoft.Azure.Devices:

class Program {
  static RegistryManager registryManager;
  static string connectionString = "xxxxxxxxxxxxxx";
  static void Main(string[] args) {
    registryManager = RegistryManager.CreateFromConnectionString(connectionString);
    AddDeviceAsync().Wait(); Console.ReadLine();
  }
  private async static Task AddDeviceAsync() {
    string deviceId = "myDucatiMonsterDevice";
    Device device;
    try { device = await registryManager.AddDeviceAsync(new Device(deviceId)); }
    catch (DeviceAlreadyExistsException) { device = await registryManager.GetDeviceAsync(deviceId); }
    Console.WriteLine("Generated device key: {0}", device.Authentication.SymmetricKey.PrimaryKey);
  }
}

Запуск (F5) → получаем ключ устройства.

Веб‑приложение (ASP.NET)

Дашборд с телеметрией, данные через Entity Framework из SQL Azure.

Демо‑доступ для Hackster: User: demo / Pass: demo

Мобильная версия:

Домен бесплатного tier: <name>.azurewebsites.net. Свой домен: Dashboard → Custom domains and SSL → Buy domains.

Монтаж на Ducati Monster 695

Фото бортового блока:

Кронштейн TMP006 за задним колесом:

HC‑SR04 под фарой (передняя вилка):

HC‑SR04 под сиденьем (задний амортизатор):

Центральный блок (Arduino, GPS, ADXL345, LM35) за сиденьем:

Итоговый вид:

Machine Learning в Azure

Поиск корреляций телеметрии для улучшения стиля вождения. Данные неоднородны (разные маршруты, трафик) — идеально на трассе.

Azure ML Studio: studio.azureml.net → вход Azure → Studio.

1. Experiments → NEW → Import Data из SQL Azure.

Данные в БД — varchar, нужны float + фильтр плохих записей:

select CAST(speed as float) _speed, CAST(roll as float) _roll, CAST(pitch as float) _pitch,
CAST(Xg as float) _Xg, CAST(Yg as float) _Yg, CAST(Zg as float) _Zg,
CAST(TempExt as float) _TempExt, CAST(TempTyre as float) _TempTyre,
CAST(FrontAbsorber as float) _FrontAbsorber, CAST(BackAbsorber as float) _BackAbsorber
from mytelemetry
where CAST(speed as float) >3
  and CAST(FrontAbsorber as float)>0
  and CAST(BackAbsorber as float)>0
  and CAST(roll as float)<60 and CAST(roll as float)>-60

2. Split Data — часть на Train, часть на Test.
3. Train Model — выбрать целевое поле и алгоритм (Two‑class Decision Forest показал лучшие метрики).
4. Score Model + Evaluate Model — оценка качества.

Метрики классификации: Accuracy, Precision, Recall, F1, AUC. Decision Forest даёт значения ≈1 — модель хороша.

Predictive Experiment

Конвертация обучающего эксперимента в предсказательный → веб‑сервис.

Train Model → Set Up Web Service → Predictive Web Service → Deploy.

TEST: вводим значения → предсказание «SAFE DRIVING» (снижать скорость не нужно). Если «HIGH STRESS HIGH SPEED» — снижать.

Выводы по ML:

• Настройка экспериментов в Azure ML.
• Two‑class Decision Forest лучше описывает телеметрию; для предсказания — Multiclass Decision Forest.
• Создание предиктивного веб‑сервиса.
• Инсайты: предпочитаю наклон вправо, угол наклона не зависит от температуры шины и скорости (шины качественные), виляние (wheelie) появляется при температуре шины >35 °C.

Итоговые выводы

Проект охватывает: Arduino + сенсоры (<$60), Azure (IoT Hub, Stream Analytics, SQL, WebApp, ML), UWP. Прототип требует доработок, но хорошая база для энтузиастов C#, Azure, Arduino, мотоциклов.

Перспективы развития:

• Буферизация данных в UWP при потере 3G/4G.
• Xamarin‑приложение для Android/iOS.
• Точнее сенсоры, выше производительность.
• Меньший блок (Arduino MKR1000).
• Социальная веб‑платформа для обмена треками и предупреждений об опасных поворотах.
• Источник ML — Stream Analytics вместо SQL (параллельная разработка и езда).

Новый workflow (обратная связь ML → устройство):

• IoT Hub → ML predictive service → score → обратно на устройство (телефон).
• При скорости >100 км/ч отдельный Stream Analytics Job шлёт данные в Event Hub.
• Cloud Service читает Event Hub, запрашивает ML, возвращает score в IoT Hub → устройство.

... and now ENJOY !! :-) Вопросы и идеи — welcome.

Код

UWP App C# Code: GitHub

Arduino Code — Bike Telemetry: GitHub

Схемы

Схемы телеметрической системы. Набордная схема:

MotorbikeProject.fzz (Fritzing файл)