1. 项目概述：当醒狮遇上Arduino与AI

最近在琢磨一个挺有意思的跨界项目，把咱们的传统醒狮文化和现代的开源硬件、人工智能技术给揉到一块儿。项目名字叫“用Arduino制作一个醒狮训练AI辅助系统”，听起来有点复杂，但说白了，就是想做一个能帮助醒狮学员，特别是初学者，更科学、更高效训练的小工具。醒狮表演讲究的是步法、身法、节奏和力量的完美结合，一个动作不到位，整个“狮子”的神韵就出不来。传统的训练方式，很大程度上依赖师傅的眼力和经验，学员自己很难量化自己的动作偏差。我这个系统，就是想用Arduino采集动作数据，再用AI算法进行分析和反馈，让训练过程变得“可视化”和“数据化”。

这个系统适合谁呢？首先是醒狮社团、学校的传统文化课，能作为教学辅助工具，提升趣味性和科技感。其次是对Arduino、传感器和机器学习感兴趣的创客或学生，这是一个绝佳的综合性实践项目，涵盖了硬件搭建、数据采集、信号处理和简单的模型训练。最后，任何对传统文化现代化表达感兴趣的朋友，都能从中获得启发。它解决的，不仅仅是训练效率问题，更是一种用当代技术语言重新诠释古老技艺的尝试。接下来，我就把从构思到实现的完整过程，包括踩过的坑和总结的经验，毫无保留地分享出来。

2. 系统整体设计与核心思路拆解

2.1 需求分析与方案选型

做任何项目，第一步都是想清楚要干什么。对于醒狮训练，核心是动作。我们需要监测的关键动作要素包括：马步的稳定性、跳跃的高度与落地缓冲、摇头晃脑的幅度与频率，以及整体节奏感。传统方法靠眼看，我们的系统要靠“数据”说话。

因此，方案的核心思路就明确了：使用惯性测量单元（IMU）传感器附着在舞狮者身体的关键部位，实时采集运动数据；通过Arduino作为数据采集与预处理中心；将处理后的数据发送到上位机（如电脑或树莓派），利用训练好的AI模型进行动作识别、评估与反馈。

为什么选Arduino？因为它开源、易上手、生态丰富，有大量成熟的传感器库，能快速搭建稳定可靠的数据采集端。为什么不直接用手机APP？因为我们需要更底层、更实时、更定制化的传感器数据读取和控制，Arduino的灵活性和实时性是手机APP难以比拟的。上位机为什么选择电脑/树莓派+Python？因为AI模型（哪怕是轻量级的）的训练和推理，需要相对较强的计算能力和丰富的算法库（如TensorFlow Lite, Scikit-learn），Python是目前最合适的选择。

整个系统的数据流是这样的：传感器 -> Arduino（滤波、初步计算）-> 串口/USB -> 电脑(Python程序) -> AI模型分析 -> 图形/声音/灯光反馈。我们甚至可以通过Arduino控制LED灯带或蜂鸣器，实现实时的灯光或声音提示。

2.2 硬件选型与成本考量

硬件是系统的骨架，选型直接决定了系统的性能和成本。

1. 主控板：Arduino Nano 或 Arduino Uno。两者都是经典选择。Nano更小巧，适合穿戴；Uno接口更多，扩展方便。对于这个项目，考虑到可能需要连接多个传感器，我选择了Arduino Uno R3，它的数字和模拟接口足够，且稳定性经过无数项目验证。成本大约在20-30元。

2. 核心传感器：MPU6050（六轴IMU）。这是项目的灵魂。它集成了三轴加速度计和三轴陀螺仪，能测量物体的加速度和角速度，从而反推出姿态（俯仰、横滚、偏航）。关键是其价格极其亲民（约10-15元），且通过I2C接口与Arduino通信，连线简单。我们需要至少两个：一个绑在头部（模拟狮头），一个绑在腰部或脚踝（模拟舞狮者下盘）。如果想更精确，可以在双手手腕各加一个，监测舞动动作。

3. 辅助反馈设备：

   • WS2812B LED灯带：用于视觉反馈。例如，根据动作的规范程度，改变灯带颜色（绿色代表优秀，黄色代表一般，红色代表需改进）。成本约每米15元。
   • 有源蜂鸣器：用于声音反馈。可以在动作错误时发出提示音。成本约2元。
   • OLED显示屏（I2C接口，128x64）：用于本地显示实时数据或简单评估结果，脱离电脑也能使用。成本约15元。这是一个可选但能极大提升体验的部件。

4. 电源：由于是穿戴设备，移动电源（充电宝）是最佳选择。选择输出5V/2A以上的充电宝，通过USB线给Arduino供电即可。整个系统功耗不高，一个10000mAh的充电宝可以轻松支撑数小时训练。

5. 连接线与结构件：杜邦线（公对公、公对母）、尼龙扎带、魔术贴绑带。用于连接和固定所有设备到训练者身上。务必确保固定牢靠，防止训练中脱落，同时要注意舒适性和安全性，避免线材缠绕。

总硬件成本可以控制在100元以内，如果精简掉LED和OLED，50元左右就能搞定核心功能，非常适合低成本实践。

3. 硬件搭建与数据采集实战

3.1 电路连接与传感器固定

接线是硬件项目的基础，务必仔细。这里以两个MPU6050和一个OLED屏为例。

MPU6050接线（两个传感器地址需不同）：MPU6050使用I2C通信，有四个关键引脚：VCC, GND, SDA, SCL。

• 传感器A（例如绑在头部）：VCC -> Arduino 5V； GND -> Arduino GND； SDA -> Arduino A4 (或SDA引脚)； SCL -> Arduino A5 (或SCL引脚)。注意：MPU6050模块上的AD0引脚默认接GND，其I2C地址为0x68。
• 传感器B（例如绑在腰部）：接线与传感器A完全相同，VCC, GND, SDA, SCL分别并联到Arduino的对应引脚。关键区别：将传感器B模块上的AD0引脚连接到Arduino的3.3V或5V引脚。这样，其I2C地址就变成了0x69，从而与传感器A（0x68）区分开，实现一个I2C总线挂载两个相同传感器。

OLED显示屏接线（I2C接口）：同样使用I2C，VCC, GND, SDA, SCL分别连接到Arduino的对应引脚（与MPU6050并联即可）。它的地址通常为0x3C，与MPU6050不冲突。

固定方案：这是穿戴式设备的难点。我尝试了几种方案：

• 头部传感器：使用弹性头带，将一个小型塑料盒（内装MPU6050和一小块海绵缓冲）固定在额头或后脑勺。确保传感器与头部相对固定，不能晃动。
• 腰部传感器：使用宽幅魔术贴腰带，将传感器模块固定在腰后中心位置。这里是人体重心近似点，能较好地反映下盘动作。
• Arduino主板和电源：可以放在一个小腰包里，固定在训练者腰部侧后方，不影响动作。

重要提示：所有走线要用扎带整理好，并留出足够的活动余量。传感器模块本身最好用泡沫双面胶或热熔胶简单固定在绑带上，防止直接撞击。首次使用前，务必在不通电状态下让训练者完整做一套动作，检查是否有线材拉扯或设备硌人的情况。

3.2 Arduino程序编写与数据预处理

Arduino端的任务很明确：以稳定的频率读取两个MPU6050的数据，进行必要的滤波和初步计算，然后通过串口发送给电脑。

首先，需要安装库。在Arduino IDE中，搜索并安装Adafruit MPU6050库和Adafruit Unified Sensor库，它们提供了稳定易用的API。对于OLED，安装Adafruit SSD1306和Adafruit GFX库。

程序的核心逻辑如下：

#include <Adafruit_MPU6050.h> #include <Adafruit_Sensor.h> #include <Wire.h> #include <Adafruit_GFX.h> #include <Adafruit_SSD1306.h> Adafruit_MPU6050 mpu_head; // 头部传感器 Adafruit_MPU6050 mpu_waist; // 腰部传感器 Adafruit_SSD1306 display(128, 64, &Wire, -1); // OLED对象 // 传感器数据变量 sensors_event_t a_head, g_head, temp_head; sensors_event_t a_waist, g_waist, temp_waist; void setup() { Serial.begin(115200); // 高速串口，确保数据不堵塞 Wire.begin(); // 初始化头部传感器 (地址0x68) if (!mpu_head.begin(0x68)) { Serial.println("头部MPU6050未找到！"); while (1); } // 初始化腰部传感器 (地址0x69) if (!mpu_waist.begin(0x69)) { Serial.println("腰部MPU6050未找到！"); while (1); } // 配置传感器范围（根据醒狮动作幅度调整） mpu_head.setAccelerometerRange(MPU6050_RANGE_8_G); // 加速度计 ±8G mpu_head.setGyroRange(MPU6050_RANGE_500_DEG); // 陀螺仪 ±500度/秒 mpu_head.setFilterBandwidth(MPU6050_BAND_21_HZ); // 滤波器带宽21Hz，过滤高频噪声 mpu_waist.setAccelerometerRange(MPU6050_RANGE_8_G); mpu_waist.setGyroRange(MPU6050_RANGE_500_DEG); mpu_waist.setFilterBandwidth(MPU6050_BAND_21_HZ); // 初始化OLED if(!display.begin(SSD1306_SWITCHCAPVCC, 0x3C)) { Serial.println(F("SSD1306分配失败")); for(;;); } display.display(); delay(2000); display.clearDisplay(); } void loop() { // 1. 获取原始数据 mpu_head.getEvent(&a_head, &g_head, &temp_head); mpu_waist.getEvent(&a_waist, &g_waist, &temp_waist); // 2. 简单的数据预处理：计算合加速度（反映振动/冲击强度） float head_accel_mag = sqrt(sq(a_head.acceleration.x) + sq(a_head.acceleration.y) + sq(a_head.acceleration.z)); float waist_accel_mag = sqrt(sq(a_waist.acceleration.x) + sq(a_waist.acceleration.y) + sq(a_waist.acceleration.z)); // 3. 计算俯仰角（Pitch）和横滚角（Roll） - 使用加速度计数据（静态或慢速下较准） // 注意：此方法在动态下误差大，仅作示例。更佳做法是融合陀螺仪数据（如互补滤波或卡尔曼滤波）。 float head_pitch = atan2(-a_head.acceleration.x, sqrt(sq(a_head.acceleration.y) + sq(a_head.acceleration.z))) * 180 / PI; float head_roll = atan2(a_head.acceleration.y, a_head.acceleration.z) * 180 / PI; // 4. 通过串口发送数据（CSV格式，便于Python读取） Serial.print(millis()); // 时间戳 Serial.print(","); Serial.print(head_pitch); Serial.print(","); Serial.print(head_roll); Serial.print(","); Serial.print(head_accel_mag); Serial.print(","); Serial.print(g_head.gyro.x); Serial.print(","); Serial.print(g_head.gyro.y); Serial.print(","); Serial.print(g_head.gyro.z); Serial.print(","); // ... 发送腰部传感器的所有数据 Serial.print(waist_accel_mag); Serial.print(","); Serial.print(g_waist.gyro.x); Serial.print(","); Serial.print(g_waist.gyro.y); Serial.print(","); Serial.println(g_waist.gyro.z); // 5. 在OLED上显示关键信息（如头部俯仰角） display.clearDisplay(); display.setTextSize(1); display.setTextColor(SSD1306_WHITE); display.setCursor(0,0); display.print(F("Head Pitch: ")); display.println(head_pitch, 1); // 显示一位小数 display.print(F("Head Roll: ")); display.println(head_roll, 1); display.display(); delay(50); // 控制采样频率约20Hz，对于醒狮动作足够 }

这段代码的关键点：

• 数据格式：使用CSV（逗号分隔值）格式输出，方便上位机Python程序用pandas库直接读取。
• 采样频率：delay(50)对应约20Hz。对于醒狮这种非高速运动，20-50Hz足够。提高频率会增加数据量，可能造成串口堵塞。
• 姿态解算：代码中直接用加速度计计算角度，这在静止或匀速运动时准确，但一旦有加速运动，误差极大。在实际项目中，这是第一个“坑”。必须使用传感器融合算法，如互补滤波或卡尔曼滤波，结合加速度计和陀螺仪的数据，才能获得动态下相对稳定的姿态角。网上有开源的MadgwickAHRS或MahonyAHRS库可以直接用于Arduino，强烈建议集成。
• 数据包完整性：确保每行数据以Serial.println()结尾，形成独立的数据行。

4. 上位机AI分析与反馈系统构建

4.1 Python环境搭建与数据接收

上位机我们使用Python，因为它有强大的数据处理和机器学习生态。

首先，搭建环境。推荐使用Anaconda创建独立环境。

conda create -n lion_dance python=3.8 conda activate lion_dance pip install pyserial numpy pandas matplotlib scikit-learn tensorflow

如果觉得TensorFlow太重，可以用tensorflow-cpu或更轻量的tflite-runtime。

数据接收程序的核心是使用pyserial库读取Arduino发来的串口数据。

import serial import time import pandas as pd from collections import deque import numpy as np # 配置串口，端口名和波特率需与Arduino设置一致 ser = serial.Serial('COM3', 115200, timeout=1) # Windows端口如'COM3'，Linux/Mac如'/dev/ttyUSB0' ser.flushInput() # 定义一个缓存队列，用于存储最近N个数据包，构成一个时间窗口 data_window = deque(maxlen=100) # 假设20Hz采样，100个点就是5秒的数据 column_names = [ 'timestamp', 'head_pitch', 'head_roll', 'head_accel_mag', 'head_gyro_x', 'head_gyro_y', 'head_gyro_z', 'waist_accel_mag', 'waist_gyro_x', 'waist_gyro_y', 'waist_gyro_z' ] try: while True: if ser.in_waiting > 0: line = ser.readline().decode('utf-8').rstrip() data_values = line.split(',') if len(data_values) == len(column_names): # 确保数据完整 # 转换为浮点数 data_float = [float(v) for v in data_values] # 将时间戳转换为相对时间（秒） data_float[0] = (data_float[0]) / 1000.0 data_window.append(data_float) # 实时打印或处理 # print(f"头部俯仰角: {data_float[1]:.2f} 度") # 当窗口数据满时，可以触发一次AI模型推理 if len(data_window) == data_window.maxlen: current_window = np.array(data_window) # 这里可以调用模型推理函数 process_window(current_window) pass except KeyboardInterrupt: print("停止数据采集") ser.close()

这个程序建立了与Arduino的通信，并将接收到的数据实时存储在一个滑动窗口（deque）中。一个窗口（例如5秒的数据）构成了一个完整的动作片段，可以作为AI模型推理的输入。

4.2 动作识别模型的设计与训练

醒狮动作有很多，比如“高狮”、“低狮”、“瞌睡”、“探青”等。我们不可能一开始就做复杂识别。可以从基础动作分类开始，例如：“静止马步”、“左右摇头”、“上下点头”、“小跳”、“大跳”。

1. 数据采集与标注：这是最耗时但最关键的一步。让舞狮者佩戴好设备，分别做出以上5种动作，每种动作重复做20-30次，每次持续5-10秒。同时，在上位机Python程序中，在每次动作开始时按下一个键（如‘s’代表开始马步），程序记录下这个时间点并打上标签。最终，我们将收集到的所有时间窗口数据与其对应的动作标签保存为一个数据集（如CSV文件或Numpy数组）。

2. 特征工程：原始的姿态角、角速度、合加速度等数据是时间序列。直接扔给模型效果不好。我们需要从中提取有代表性的特征。对于每个5秒的数据窗口（100个采样点），可以计算以下特征：

• 时域特征：均值、方差、最大值、最小值、峰峰值、均方根（RMS）。
• 频域特征：通过快速傅里叶变换（FFT）提取主频成分的能量。
• 姿态特征：头部和腰部俯仰角、横滚角的相关系数（反映上下身协调性）；腰部合加速度的方差（反映下盘稳定度）。 这样，一个100x11的原始数据窗口，就被压缩成了一个长度固定的特征向量（例如30个特征）。

3. 模型选择与训练：对于这种多分类问题，且我们希望模型轻量、快速，适合在树莓派甚至手机端部署，有以下选择：

• 传统机器学习：支持向量机（SVM）、随机森林（Random Forest）。它们在特征工程做好的情况下，效果不错且速度快。使用scikit-learn库可以轻松实现。
• 轻量级神经网络：一维卷积神经网络（1D-CNN）非常适合处理时间序列数据。虽然比传统模型复杂，但可能捕捉到更细微的模式。可以使用TensorFlow或PyTorch搭建。

这里以随机森林为例，展示核心训练代码：

from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.metrics import classification_report import joblib # 用于保存模型 # 假设 X 是特征矩阵（n_samples, n_features），y 是标签向量 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 标准化特征 scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # 创建并训练随机森林模型 rf_model = RandomForestClassifier(n_estimators=100, max_depth=10, random_state=42) rf_model.fit(X_train_scaled, y_train) # 评估模型 y_pred = rf_model.predict(X_test_scaled) print(classification_report(y_test, y_pred)) # 保存模型和标准化器 joblib.dump(rf_model, 'lion_dance_rf_model.pkl') joblib.dump(scaler, 'feature_scaler.pkl')

4. 模型集成与实时推理：训练好模型后，将其集成到上位机的实时数据流中。当滑动窗口data_window满时，就提取特征，用保存的scaler进行标准化，然后用rf_model进行预测。

def extract_features(window_data): # window_data 形状 (100, 11) # 实现上述特征提取逻辑，返回一个特征向量 features = [] # ... 计算各种特征并添加到features列表中 return np.array(features).reshape(1, -1) def process_window(current_window): features = extract_features(current_window) features_scaled = scaler.transform(features) # 使用加载的scaler prediction = model.predict(features_scaled)[0] confidence = model.predict_proba(features_scaled)[0].max() action_labels = {0: ‘马步’， 1: ‘摇头’， 2: ‘点头’， 3: ‘小跳’， 4: ‘大跳’} predicted_action = action_labels[prediction] if confidence > 0.7: # 设置一个置信度阈值 print(f"识别动作: {predicted_action}, 置信度: {confidence:.2f}") # 触发反馈：改变GUI颜色、播放提示音、通过串口发指令让Arduino控制LED等 # ser.write(f"ACTION:{prediction}\n".encode()) # 示例：发送指令回Arduino else: print("动作不明确")

4.3 多模态反馈系统实现

识别出动作后，需要给出直观反馈。我设计了三种反馈方式：

1. 图形界面（GUI）反馈：使用tkinter或PyQt制作一个简单界面。中心显示一个狮子剪影，根据识别出的动作高亮对应部位（如识别到“摇头”，头部高亮闪烁），并用进度条显示动作的“规范度”评分（可以根据特征值，如摇头角速度的稳定性，设计一个评分算法）。

2. 声音反馈：使用pygame或playsound库。当动作识别成功且置信度高时，播放一个积极的音效（如鼓点）；当动作不规范（如马步时腰部晃动太大）或识别为错误动作时，播放一个提示音。

3. 硬件灯光反馈（通过Arduino）：这是最酷的部分。上位机识别动作后，通过串口发送指令回Arduino。Arduino解析指令，控制WS2812B LED灯带显示不同颜色模式。

   • Python端发送指令：ser.write(b"COLOR:255,0,0\n")// 发送红色
   • Arduino端接收并控制：

   #include <Adafruit_NeoPixel.h> #define LED_PIN 6 #define LED_COUNT 30 Adafruit_NeoPixel strip(LED_COUNT, LED_PIN, NEO_GRB + NEO_KHZ800); void setup() { strip.begin(); strip.show(); // 初始化所有像素为关闭 Serial.begin(115200); } void loop() { if (Serial.available() > 0) { String command = Serial.readStringUntil('\n'); command.trim(); if (command.startsWith("COLOR:")) { int r, g, b; sscanf(command.c_str(), "COLOR:%d,%d,%d", &r, &g, &b); for(int i=0; i<strip.numPixels(); i++) { strip.setPixelColor(i, strip.Color(r, g, b)); } strip.show(); } else if (command.startsWith("ACTION:")) { int action = command.substring(7).toInt(); // 根据动作编号执行不同的灯光效果，如流水、闪烁 switch(action) { case 0: // 马步 colorWipe(strip.Color(0, 255, 0), 50); // 绿色流水 break; case 1: // 摇头 theaterChase(strip.Color(255, 255, 0), 50); // 黄色追逐 break; // ... 其他动作 } } } } // 需要实现colorWipe, theaterChase等灯光效果函数

5. 系统集成调试与优化心得

5.1 从原型到可用的关键调试步骤

硬件和软件单独调通只是第一步，集成起来总会遇到各种问题。以下是关键的调试流程：

1. 确保通信稳定：这是最大的坑。首先检查USB线是否接触良好，有时劣质线会导致数据断续。在Python端，增加异常处理和重连机制。如果数据出现乱码，检查波特率是否一致，并确保Arduino和Python端都没有额外的串口打印（如调试用的Serial.print）干扰数据格式。

2. 传感器数据校准与滤波：MPU6050上电后需要静止几秒进行自校准。但更关键的是软件滤波。原始陀螺仪数据有漂移，原始加速度计在动态下噪声大。务必实现一个互补滤波器或卡尔曼滤波器。网上有现成的Arduino库（如BasicLinearAlgebra库配合KalmanFilter），直接集成能极大提升姿态角精度。我实测，一个简单的互补滤波就能让角度输出稳定很多。

3. 动作分割与标签同步：在采集训练数据时，手动按键打标签的方式不精确。更好的方法是：让舞狮者每个动作结束时做一个明显的、传感器容易检测的“标记动作”，比如用力跺一下脚（会在腰部加速度计上产生一个明显的尖峰）。通过程序检测这个尖峰来自动分割动作窗口，这样采集的数据更干净。

4. 特征有效性验证：不是所有计算出来的特征都对分类有用。使用scikit-learn的SelectKBest或模型自带的特征重要性属性（如随机森林的feature_importances_），筛选出最重要的10-15个特征，能降低维度、提升模型速度和准确率。

5. 反馈延迟优化：从数据采集到给出反馈，整个链路要控制在可接受的延迟内（<300ms）。优化点包括：降低Arduino采样频率到刚够用（如20Hz）、优化Python特征提取代码（避免循环中使用慢函数）、使用更轻量的模型（如决策树代替随机森林）。可以在代码中打印时间戳来测量每个环节的耗时。

5.2 常见问题与解决方案速查表

在实际搭建和训练中，我遇到了不少典型问题，这里汇总一下：

5.3 项目优化与扩展方向

这个基础系统跑通后，还有很多可以深化和扩展的地方：

1. 动作评分系统：不仅仅是识别动作，还可以对动作质量打分。例如，对于“马步”，可以根据腰部传感器的加速度方差（稳定性）、姿态角波动来打分。对于“跳跃”，可以根据加速度计记录的腾空时间、落地冲击强度来评估高度和落地缓冲。这就需要为每个动作设计一套评分规则。

2. 多传感器融合与精确定位：加入更多传感器。例如，在脚底安装FSR（力敏电阻）压力传感器，精确测量重心分布。使用多个MPU6050构建简易的肢体姿态捕捉系统（类似简易版动捕），更细致地分析舞狮者的身体姿态。

3. 边缘AI部署：将训练好的轻量级模型（如TFLite格式）部署到性能更强的嵌入式平台，如ESP32-S3（带NPU）或树莓派Zero 2W。这样整个系统可以脱离电脑，成为一个独立的可穿戴设备，通过蓝牙耳机提供语音指导，实用性大大增强。

4. 数据可视化与长期追踪：开发一个Web或移动端看板，记录每次训练的数据，生成趋势图表。学员可以看到自己“马步稳定性评分”随时间的提升曲线，这种正向反馈能极大激励训练。

5. 游戏化训练模式：将训练过程设计成游戏。例如，屏幕上出现一串动作序列（如“左摇头-高狮-小跳”），学员需要在规定时间内做出相应动作，系统实时判定并计分。这能显著增加训练的趣味性。

这个项目从构思到实现，最大的收获不是做出了一个多厉害的工具，而是真正体验了一次从物理世界感知到数字世界分析，再反馈回物理世界的完整闭环。它让我深刻体会到，技术不只是冷冰冰的代码和电路，更是连接传统与现代、赋能古老技艺的新桥梁。过程中最费时间的不是编程，而是理解醒狮动作的精髓，并将其转化为可量化的数据特征。这也提醒我，做任何跨界项目，尊重并深入理解目标领域本身的知识，往往比技术本身更重要。最后一个小建议，在开始数据采集前，一定要多和醒狮教练或学员沟通，他们的直观感受和建议，往往是优化系统最宝贵的输入。