IA en el borde dota de inteligencia a cintas de correr existentes

El sistema, según lo publicado por Hackster.io, utiliza una cámara web USB y una placa de desarrollo Arduino VENTUNO Q. Su funcionamiento se basa en la observación lateral de la cinta de correr, sin realizar ninguna alteración física en la máquina, una ventaja crucial para equipos alquilados donde las modificaciones permanentes no son una opción.

Un modelo de inteligencia artificial se ejecuta localmente en la placa Arduino para estimar la velocidad de caminata a partir del flujo de video. Posteriormente, esta velocidad se transmite a través de Bluetooth utilizando el perfil Fitness Machine Service (FTMS), lo que permite que las aplicaciones de fitness reconozcan la cinta como un dispositivo inteligente comercial.

La privacidad fue una consideración primordial para Muñoz. A diferencia de los sistemas de visión por computador basados en la nube, todo el procesamiento de video se realiza directamente en la placa, garantizando que las imágenes no salgan del dispositivo y solo la velocidad estimada sea transmitida vía Bluetooth.

Para el entrenamiento del modelo, Muñoz desarrolló una herramienta de recolección de datos, etiquetando manualmente las grabaciones de video con la velocidad mostrada por la cinta. El conjunto de datos resultante incluye diez sesiones de grabación, y el proceso completo de entrenamiento está disponible para quienes deseen adaptar el modelo a diferentes cintas, ángulos de cámara o condiciones de iluminación.

El proyecto partió del modelo de reconocimiento de video mc3_18, preentrenado en el conjunto de datos Kinetics-400, y lo adaptó a un modelo de regresión para predecir la velocidad en kilómetros por hora. Mientras que la implementación por defecto realiza la inferencia en la CPU de la placa con ONNX Runtime, una versión opcional aprovecha la unidad de procesamiento neural (NPU) Qualcomm Hexagon HTP de la Arduino VENTUNO Q mediante Qualcomm AI Runtime. Las pruebas de Muñoz indican una reducción significativa de la latencia de procesamiento, que disminuyó de 624 milisegundos a 26.6 milisegundos con la NPU, manteniendo estimaciones de velocidad casi idénticas.

El repositorio del proyecto incluye todos los elementos necesarios para reproducir el trabajo, desde el modelo ONNX preentrenado y la implementación del Bluetooth FTMS hasta el software de adquisición de datos y los scripts de entrenamiento del modelo. Aunque se concibió para una cinta específica, el concepto es aplicable a la mayoría de las cintas de correr existentes.