Control domótico con IA en un Wii Remote modificado

La iniciativa, documentada por GreatScott! en Hackster.io, transforma el mando clásico de detección de movimiento de la Wii en un dispositivo capaz de interactuar con el entorno doméstico. A diferencia de los controles universales tradicionales, este sistema emplea una cámara y aprendizaje automático para identificar el objetivo. Al apuntar a un electrodoméstico como una lámpara, televisor o persiana, el mando lo reconoce tras pulsar el botón Home y confirma la identificación con un sonido. Una segunda pulsación, en el botón A, envía la orden de activar o desactivar el aparato.

El núcleo tecnológico de esta adaptación es una placa de desarrollo Seeed Studio XIAO ESP32S3 Sense. Esta incorpora una cámara, conectividad Wi-Fi y la capacidad de procesamiento necesaria para ejecutar una red neuronal compacta. GreatScott! la combinó con un modelo de clasificación de imágenes entrenado a medida, capaz de distinguir siete escenas diferentes, además de una categoría para objetos no identificados.

Para el entrenamiento del modelo, se recopilaron más de mil imágenes bajo diversas condiciones de ángulo, distancia e iluminación. Se utilizó TensorFlow para entrenar una red neuronal convolucional. El mejor modelo resultante alcanzó una precisión del 87,78% en la fase de validación. Posteriormente, el modelo fue cuantificado a 8 bits, reduciendo su tamaño a 34,9 KB, lo que le permite operar directamente en el ESP32 sin depender de servicios en la nube para el reconocimiento.

La integración del hardware requirió una modificación del chasis original del Wii Remote, reubicando el sensor de la cámara y conectando los botones Home y A a la placa ESP32, junto con la adición de un zumbador piezoeléctrico para la retroalimentación auditiva. Una vez ensamblado, el mando establece comunicación con un servidor Home Assistant a través de Wi-Fi, utilizando el protocolo MQTT para gestionar los relés o enchufes inteligentes conectados a los electrodomésticos.

Aunque el modelo demostró un rendimiento considerable en validación, su efectividad en un entorno real se sitúa en torno a dos tercios de los intentos. Las variaciones en la disposición del mobiliario o la similitud entre electrodomésticos pueden generar confusión, dado que el sistema clasifica escenas completas en lugar de objetos individuales. No obstante, esta propuesta representa una vía para la reutilización de hardware obsoleto, aplicándolo a soluciones de domótica con capacidades de inteligencia artificial en el borde.