• Accelerometri
• Adattamento librerie
• Microcontrollore
• Riconoscimento gesti
• Tiny ML

Il progetto di tirocinio svolto presso l'Università di Modena e Reggio Emilia ha avuto come obiettivo principale lo sviluppo e l'implementazione di sistemi di rilevamento e riconoscimento dei gesti utilizzando tecniche di machine learning e diversi sensori. La tesi si concentra sullo studio dei sensori MPU6050, LSM6DSO e IIS2DLPC per il riconoscimento dei gesti, e sull'adattamento delle librerie per renderli compatibili con la board Infineon, nativamente non compatibili. Una volta assicurata la piena compatibilità dei sensori, sono stati raccolti dati per creare un dataset e addestrare modelli di machine learning, successivamente deployati su una board per l'esecuzione in tempo reale.
Le tecniche di raccolta dei dati, l'addestramento dei modelli e il deploy sulla board sono state diverse per valutare le migliori soluzioni.
Inoltre, la tesi si focalizza sull'uso di TinyML su microcontrollore per eseguire modelli di machine learning direttamente sul dispositivo, migliorando l'efficienza e l'autonomia dei sistemi sviluppati.
In conclusione, il progetto ha esplorato diverse metodologie di raccolta e addestramento dei dati, valutando l'efficacia dei modelli di machine learning sviluppati. L'analisi comparativa dei sensori e delle tecniche utilizzate ha fornito preziose informazioni per il miglioramento delle future applicazioni di riconoscimento dei gesti.

The main objective of the internship project carried out at the University of Modena and Reggio Emilia was the development and implementation of gesture detection and recognition systems using machine learning techniques and various sensors. The thesis focuses on the study of the MPU6050, LSM6DSO and IIS2DLPC sensors for gesture recognition, and on the adaptation of the libraries to make them compatible with the Infineon board, which is natively not compatible. Once full sensor compatibility was ensured, data was collected to create a dataset and train machine learning models, which were then deployed on a board for real-time execution. The techniques for collecting data, training the models and deploying them on the board were varied in order to evaluate the best solutions. Furthermore, the thesis focuses on the use of TinyML on a microcontroller to execute machine learning models directly on the device, improving the efficiency and autonomy of the developed systems. In conclusion, the project explored different data collection and training methodologies, evaluating the effectiveness of the developed machine learning models. The comparative analysis of the sensors and techniques used provided valuable information for the improvement of future gesture recognition applications.