1. 项目概述：当AI遇见Arduino，一盏会学习的灯

几年前，我和一位朋友打过一个赌。他坚信，像Arduino Uno这样只有2KB RAM、32KB闪存的8位微控制器，根本不可能运行任何形式的人工智能（AI）模型。在他的认知里，AI是像ChatGPT那样需要庞大算力和海量数据的“巨兽”，与资源捉襟见肘的嵌入式世界格格不入。这个赌约，成了我动手制作这盏“AI智能调光灯”的最初动力。

我想证明的是，AI并非魔法，其内核往往是一个（或一组）数学公式。我们被“大语言模型”、“深度学习”这些宏大的概念所震撼，却忽略了最基础的机器学习算法——比如线性回归——其本质简单到令人惊讶： 寻找一条最能描述数据规律的直线 。这盏灯的核心“智能”，就源于此。它不会凭空创造，而是通过“学习”你对环境亮度和灯光亮度的偏好，找到一个数学规律（y = wX + b），之后便能自动为你调节到最舒适的亮度。

这个项目完美地融合了 嵌入式系统 、 物联网 的硬件实践与 机器学习 的软件思维。它不依赖云端，所有计算都在本地完成，响应迅速且保护隐私。对于刚接触 Arduino 的新手，这是一个绝佳的硬件入门项目；对于想理解AI本质的开发者，这是一次“祛魅”之旅，让你亲手触摸到AI的数学骨架。接下来，我将毫无保留地分享从电路搭建、数据采集、模型训练到最终部署的完整过程，以及我踩过的每一个坑和总结出的实用技巧。

2. 核心思路与方案选型：为什么是线性回归？

在开始动手前，明确“做什么”和“为什么这么做”至关重要。市面上已有无数用光敏电阻（LDR）自动调光的教程，通常采用查表法或简单的比例映射。那为什么还要引入AI和线性回归？

2.1 问题定义与方案对比

我们的目标是：让台灯根据环境光照，自动输出用户“觉得舒适”的亮度。

  • 传统方法（如PWM映射） ：通常编写一个函数，例如 ledBrightness = maxBrightness - k * ldrValue 。你需要手动调整参数 k 和 maxBrightness ，直到在不同光照下感觉“差不多”。这个过程是试错，且得到的是一条预设的、固定的响应曲线，它代表的是“工程师认为的舒适”，而非“用户真实的偏好”。
  • 线性回归方法 ：我们转换思路。我们不预设规则，而是让用户自己当“老师”。用户在不同环境光下，手动将灯光调到最舒服的状态，并记录下此刻的“环境光值”（LDR读数）和“舒适亮度值”（LED PWM值）。收集几十组这样的“教学数据”后，线性回归算法会帮我们找出最能概括用户所有偏好的那条唯一“规律线”。之后，灯就学会了用户的习惯。

注意 ：这里有一个关键认知——我们训练的并非一个通用“舒适亮度模型”，而是一个高度个性化的“用户偏好模型”。这就是机器学习在嵌入式场景下的核心价值： 个性化适配 ，而非通用规则。

2.2 硬件选型与资源考量

选择Arduino Uno作为主控，是出于其极致的普遍性和资源受限的典型性。如果能在Uno上跑通，那么在ESP32、STM32等更强大的平台上移植将易如反掌。

  • 传感器 ：选用最普通的光敏电阻（LDR）和10kΩ电阻组成分压电路。成本低廉，电路简单。LDR的阻值变化是非线性的，但在一定范围内，其对数阻值与光照强度近似线性，而我们ADC读取的电压值（即LDR的分压）与光照强度的关系也足够用于本次回归分析。
  • 执行器 ：一个普通的5mm白色LED，通过一个220Ω限流电阻连接到PWM引脚。 切忌使用大功率LED ，Arduino Uno的单个IO引脚最大只能提供20mA电流，驱动大功率LED需要额外的MOS管或驱动电路。
  • 交互设备 ：数据采集阶段需要一个电位器（用于手动设定舒适亮度）和一个按钮（用于触发数据记录）。在最终部署时，这两者均可移除。
  • 供电 ：项目后期可将所有电路集成到灯座内，用一个5V/1A的手机充电器供电即可，非常简洁。

这个硬件方案的总成本可以控制在50元人民币以内，且所有元件都非常容易获取，确保了项目的可复现性。

3. 硬件搭建与数据采集系统

理论清晰后，我们进入实操。第一步是搭建一个可靠的数据采集系统，这是整个项目的基石，数据质量直接决定最终模型的性能。

3.1 电路原理与连接细节

整个电路可以分为三个部分： 环境光传感 、 手动调光与亮度反馈 、 数据记录触发 。

1. 环境光传感电路（LDR电路） 

Arduino 5V —— 10kΩ电阻 —— LDR —— Arduino GND
                | (连接到A0)
           Arduino Analog Pin A0

这是一个经典的分压电路。LDR的阻值随光照增强而减小。在黑暗环境中，LDR阻值很大（可达几百kΩ），A0点的电压接近0V（ADC读数接近0）；在明亮环境中，LDR阻值很小（可至几kΩ），A0点电压接近5V（ADC读数接近1023）。我们通过ADC读取这个电压值，将其量化为0-1023的数字，作为环境光的量化输入 X 。

2. 手动调光与亮度反馈电路 

Arduino 5V —— 电位器一端
电位器另一端 —— Arduino GND
电位器中间抽头 —— Arduino Analog Pin A1

Arduino Digital Pin 9（PWM） —— 220Ω电阻 —— LED阳极
LED阴极 —— Arduino GND

电位器构成另一个分压电路，中间抽头的电压（0-5V）被A1引脚读取，用于在数据采集阶段 手动设定 你认为舒适的LED亮度。同时，我们将这个设定值（0-255）通过PWM输出到LED引脚（如D9），让LED实时响应。这里，A1读取的值既是“目标亮度”的设定源，也是我们最终要记录的输出值 y 。

3. 数据记录触发电路 

Arduino Digital Pin 2 —— 按钮一端
按钮另一端 —— Arduino GND
（Pin 2内部上拉电阻启用）

按钮连接到一个配置了内部上拉电阻的数字引脚（如D2）。平时引脚被上拉到高电平（1），按下按钮时引脚被拉到低电平（0）。我们通过检测这个下降沿来触发一次数据记录。

实操心得：布局与抗干扰 焊接或使用面包板时，务必让LDR远离LED！这是最容易出错的地方。如果LDR能“看到”LED发出的光，那么你记录的数据中， X （环境光）就包含了 y （LED光）的贡献，形成数据污染，模型会学习到一个混乱的关系。我的做法是将LDR用热缩管包裹，仅留顶部感光部分，并安装在灯座的背面或底部。同时，所有信号线尽量短，模拟信号线（A0， A1）远离数字PWM线（D9），以减少噪声。

3.2 数据采集固件编写与操作流程

固件的目标是：循环读取传感器值，当按钮被按下时，将当前的A0（LDR）和A1（电位器设定值）打印到串口。

// AI_Lamp_DataCollection.ino
const int ldrPin = A0;
const int potPin = A1;
const int buttonPin = 2;
const int ledPin = 9;

int lastButtonState = HIGH;
bool recording = false;

void setup() {
  Serial.begin(9600);
  pinMode(ldrPin, INPUT);
  pinMode(potPin, INPUT);
  pinMode(buttonPin, INPUT_PULLUP); // 启用内部上拉电阻
  pinMode(ledPin, OUTPUT);
  Serial.println("LDR_Value,LED_Brightness"); // 输出CSV表头
}

void loop() {
  // 1. 实时读取并控制LED
  int potValue = analogRead(potPin);
  int ledBrightness = map(potValue, 0, 1023, 0, 255); // 映射到PWM范围
  analogWrite(ledPin, ledBrightness);

  // 2. 检测按钮按下（下降沿）
  int currentButtonState = digitalRead(buttonPin);
  if (lastButtonState == HIGH && currentButtonState == LOW) {
    // 按钮被按下
    recording = true;
    delay(50); // 简单消抖
  }
  lastButtonState = currentButtonState;

  // 3. 如果触发记录，则读取LDR并输出
  if (recording) {
    int ldrValue = analogRead(ldrPin);
    // 输出格式：LDR值, LED亮度值
    Serial.print(ldrValue);
    Serial.print(",");
    Serial.println(potValue); // 注意：这里输出的是原始的0-1023的电位器读数，与LED亮度线性对应
    recording = false;
    delay(300); // 记录后稍作延时，避免一次按下记录多次
  }
  delay(10); // 主循环延时
}

数据采集操作流程：

  1. 将灯和Arduino搭建好，确保LDR背对LED光源。
  2. 上传上述代码，打开串口监视器（波特率9600）。
  3. 将灯放置在第一个位置（如昏暗的床头）。
  4. 缓慢旋转电位器，观察LED亮度变化，直到你觉得 在当前环境光下，这个亮度阅读最舒适 。
  5. 保持电位器不动 ，按下记录按钮。你会看到串口打印出一行数据，如 “320, 800” 。
  6. 重复步骤3-5。你需要带着灯在一天中的不同时间，走到房间的不同角落（窗边、书桌下、走廊），甚至不同天气（晴天、阴天），收集20-50个数据点。数据越多、覆盖的场景越广，模型泛化能力越好。

注意事项：数据采集的“艺术”

  • 耐心是关键 ：不要在一个位置连续旋转电位器记录多个点。这会导致数据点聚集，缺乏多样性。每个数据点应代表一个独立的“场景-偏好”对。
  • 覆盖极端情况 ：特意在非常暗（只开小夜灯）和非常亮（正午窗边）的环境下采集数据，这能帮助模型确定拟合线的两端边界。
  • 验证数据 ：偶尔在串口监视器中观察输出的数值是否合理。LDR值应在几十到上千之间，电位器值在0-1023之间。如果出现异常值（如LDR值始终为0或1023），检查电路连接。

4. 从数据到模型：线性回归的训练与解析

数据采集完成后，我们得到了一个CSV文件，里面是成对的 (X: LDR值, y: 电位器值) 。现在，我们要找到那条最优的直线 y = w * X + b 。

4.1 数据预处理与探索

在训练模型前，最好先看一眼你的数据。你可以用Excel打开CSV文件，生成一个散点图。横轴是LDR值，纵轴是电位器值。你会看到这些点大致呈线性分布，但会有一些上下波动（这就是你的主观偏好和传感器噪声）。

一个重要的预处理步骤是 归一化 吗？对于单特征线性回归且硬件计算力有限的情况，我们可以跳过。因为最终在Arduino上实现 y = w*X + b 时， w 和 b 会自适应数据的原始尺度。但如果你的LDR值范围（比如0-1000）和PWM值范围（0-255）量级差异巨大，从数值稳定性角度，可以考虑将LDR值除以1023进行归一化。但在本项目中，我们保持原始数据，让模型自己去适应。

4.2 使用Python与Scikit-learn训练模型

这里是整个项目的“大脑”所在。我们使用Python，因为它有强大的科学计算库。

# train_model.py
import pandas as pd
from sklearn.linear_model import LinearRegression
import numpy as np

# 1. 加载数据
# 假设你的CSV文件名为 'lamp_data.csv'，有两列，无表头
# 如果第一行是表头（如‘LDR, Brightness’），使用 header=0
data = pd.read_csv('lamp_data.csv', header=None, names=['LDR', 'Brightness'])

# 2. 准备数据
X = data[['LDR']].values  # 特征矩阵，需要是二维数组
y = data['Brightness'].values  # 目标值，一维数组

# 3. 创建并训练线性回归模型
model = LinearRegression()
model.fit(X, y)  # 这就是“训练”，寻找最优的w和b

# 4. 获取模型参数
w = model.coef_[0]  # 斜率，权重
b = model.intercept_  # 截距，偏置
print(f"训练得到的公式为: y = {w:.4f} * X + {b:.4f}")
print(f"权重 w = {w:.4f}")
print(f"偏置 b = {b:.4f}")

# 5. 评估模型（可选但推荐）
# 计算R²分数，越接近1说明拟合越好
r_squared = model.score(X, y)
print(f"模型R²分数: {r_squared:.4f}")

# 6. 进行预测示例
ldr_test = np.array([[83], [450], [900]]) # 构造几个测试点
predictions = model.predict(ldr_test)
for ldr, pred in zip(ldr_test, predictions):
    print(f"当LDR={ldr[0]}时，预测亮度应为: {pred:.1f} (PWM值范围0-1023)")

# 7. 重要：将参数转换为Arduino可用的格式
# Arduino的map函数处理整数更方便，但我们的公式是浮点数。
# 方案A：在Arduino中使用浮点数计算（精度高，稍慢）
# 方案B：将公式转换为整数运算（速度快，可能有精度损失）
# 这里我们输出浮点数，在Arduino中直接用float计算。
print("\n--- 用于Arduino的代码片段 ---")
print(f"float w = {w:.6f};")
print(f"float b = {b:.6f};")
print("// 在loop中：")
print("int ldrValue = analogRead(ldrPin);")
print("float predictedBrightness = w * ldrValue + b;")
print("// 将predictedBrightness约束到0-1023，再map到0-255")
print("predictedBrightness = constrain(predictedBrightness, 0, 1023);")
print("int pwmOutput = map((int)predictedBrightness, 0, 1023, 0, 255);")
print("analogWrite(ledPin, pwmOutput);")

运行这段代码，你会得到类似这样的输出：

训练得到的公式为: y = 0.2487 * X + 149.9255
权重 w = 0.2487
偏置 b = 149.9255
模型R²分数: 0.89
当LDR=83时，预测亮度应为: 170.6
...

请务必记住你的 w 和 b 值！ 这两个浮点数就是你这盏灯的“AI大脑”的全部。

4.3 公式的物理意义解读

理解 w 和 b 的含义，能让你真正看懂模型在做什么：

  • 权重 w (斜率) ：它描述了环境光变化对预期亮度的影响程度。 w=0.2487 意味着，环境光每增强1个单位（LDR读数增加1），你期望的LED亮度会增加约0.25个单位。 w 为正数，说明你希望环境越亮，灯也越亮（可能是为了补充照明）；如果 w 是负数，则意味着你希望环境越亮，灯越暗（典型的自动调光逻辑）。 w 的绝对值大小代表了你的偏好对环境光的敏感度。
  • 偏置 b (截距) ：它可以理解为“基础亮度”。当环境光为0（完全黑暗）时，模型预测你需要的亮度值。 b=149.9 意味着在漆黑的环境中，你倾向于将灯调到中等亮度（约150/1023）。

这个简单的线性模型，已经足够刻画你在大多数室内环境下的亮度偏好规律。

5. 模型部署与Arduino智能固件开发

现在，我们将训练好的“大脑”（ w 和 b ）移植到Arduino上，并移除数据采集用的电位器和按钮。

5.1 最终电路简化

移除电位器和按钮。电路简化为：

  • LDR分压电路连接到 A0。
  • LED（通过220Ω电阻）连接到 PWM引脚 D9。
  • 供电部分不变。

5.2 智能调光固件实现

这是最终的、具备“智能”的固件。它的逻辑极其简洁：读取环境光，代入公式计算预期亮度，输出PWM。

// AI_Lamp_Final.ino
const int ldrPin = A0;
const int ledPin = 9;

// ！！！重要：将此处替换为你自己训练得到的 w 和 b 值 ！！！
float weight = 0.2487;   // 替换为你的 w
float bias = 149.9255;    // 替换为你的 b

void setup() {
  Serial.begin(9600);
  pinMode(ldrPin, INPUT);
  pinMode(ledPin, OUTPUT);
  // 可选：打印参数以便验证
  Serial.print("AI Lamp Started. Model: y = ");
  Serial.print(weight, 4);
  Serial.print("*X + ");
  Serial.println(bias, 4);
}

void loop() {
  // 1. 读取环境光
  int ldrRaw = analogRead(ldrPin);
  // 可选：进行滑动平均滤波，使读数更稳定
  // static int readings[10]; ... (实现一个简单的滤波器)

  // 2. AI预测：应用线性回归公式
  float predictedValue = weight * ldrRaw + bias;

  // 3. 输出限幅：确保预测值在有效范围内 (0-1023)
  if (predictedValue > 1023) predictedValue = 1023;
  if (predictedValue < 0) predictedValue = 0;

  // 4. 映射到PWM范围 (0-255) 并输出
  int pwmOutput = map((int)predictedValue, 0, 1023, 0, 255);
  analogWrite(ledPin, pwmOutput);

  // 5. 可选：串口打印调试信息
  Serial.print("LDR: ");
  Serial.print(ldrRaw);
  Serial.print(" -> Predicted: ");
  Serial.print((int)predictedValue);
  Serial.print(" -> PWM: ");
  Serial.println(pwmOutput);

  delay(100); // 控制循环频率，100ms更新一次亮度，响应平滑
}

上传这段代码后，你的灯就“活”了。用手遮挡LDR，或者将灯移动到不同亮度的区域，你会看到LED亮度自动地、平滑地调整。

5.3 高级优化与功能扩展

基础版本已经可用，但我们可以做得更好：

1. 增加滤波算法 环境光可能瞬间变化（如影子掠过），直接响应会导致灯光频繁闪烁。加入软件滤波：

// 简单的移动平均滤波
const int numReadings = 10;
int readings[numReadings];
int readIndex = 0;
long total = 0;

int readLDRSmoothed() {
  total = total - readings[readIndex]; // 减去最旧的读数
  readings[readIndex] = analogRead(ldrPin);
  total = total + readings[readIndex]; // 加上最新的读数
  readIndex = (readIndex + 1) % numReadings;
  return total / numReadings; // 返回平均值
}
// 然后在loop中使用 `ldrRaw = readLDRSmoothed();`

**2. 增加学习模式与EEPROM存储**
如评论区大神 `CédricM27` 所建议，可以实现一个完整的嵌入式学习循环：
- **模式切换**：通过长按按钮或串口命令在“学习模式”和“运行模式”间切换。
- **学习模式**：复用数据采集的电路和逻辑，将采集到的数据点临时存储在数组中。
- **在线回归计算**：在Arduino上实现线性回归算法（有现成库如 `ArduinoRegression`），当数据点达到一定数量（如20个）后，实时计算新的 `w` 和 `b`。
- **参数存储**：将计算出的 `w` 和 `b` 存入EEPROM。这样即使断电，灯也能记住你的偏好。
- **运行模式**：从EEPROM读取参数，执行上述预测逻辑。

这实现了真正的“终身学习”设备，用户偏好改变时可以重新训练，无需连接电脑。

**3. 非线性映射**
如果你的散点图明显不是一条直线，可以考虑使用更复杂的模型，如多项式回归（`y = w1*X + w2*X² + b`）。虽然计算量稍大，但在资源足够的开发板（如ESP32）上完全可以实现。这能让亮度变化曲线更贴合你复杂的偏好。

## 6. 常见问题、调试技巧与项目延伸

在实际制作中，你几乎一定会遇到下面这些问题。这里是我踩过坑后的经验总结。

### 6.1 问题排查速查表

| 现象 | 可能原因 | 解决方案 |
| :--- | :--- | :--- |
| **LED完全不亮** | 1. 电路连接错误或虚焊。<br>2. LED正负极接反。<br>3. PWM引脚错误或未启用PWM（Uno的PWM引脚是3,5,6,9,10,11）。<br>4. 预测值始终为0或极小。 | 1. 用万用表检查通路。<br>2. 翻转LED引脚尝试。<br>3. 确认代码中`ledPin`是PWM引脚。<br>4. 串口打印`predictedValue`，检查`w`和`b`值是否异常。 |
| **LED亮度不变** | 1. LDR电路故障，读数不变。<br>2. `w`值训练结果接近0。<br>3. 程序卡住，未进入主循环。 | 1. 串口打印`ldrRaw`值，用手电筒照LDR看数值是否变化。<br>2. 检查训练数据，是否X和y几乎没有相关性？重新采集更分散的数据。<br>3. 检查串口输出，或加入一个闪烁LED来指示程序运行。 |
| **亮度变化方向反了**（环境越亮灯越暗） | 训练数据中，你的偏好逻辑就是如此。或者LDR接反了（但接反通常会导致读数反向，不一定导致逻辑反）。 | 检查训练得到的`w`值是否为负。如果是负的，说明你的行为模式就是“环境亮则调暗灯”，这完全合理。如果不希望这样，检查数据采集时是否无意中遵循了相反逻辑。 |
| **亮度跳变严重，不平滑** | 1. LDR读数噪声大。<br>2. 循环执行过快，没有滤波。<br>3. PWM输出变化过于剧烈。 | 1. 增加硬件滤波（在LDR与A0间加一个0.1uF电容到地）。<br>2. 实现上述的软件移动平均滤波。<br>3. 对PWM输出也进行平滑处理，例如每次只允许变化一定步长。 |
| **模型预测不准**（在某些环境下亮度明显不合适） | 1. 训练数据不足或缺乏代表性，未覆盖该环境。<br>2. 存在非线性关系，而线性模型能力不足。<br>3. LDR被局部光线（如LED自身）干扰。 | 1. 在出问题的环境下，重新采集一些数据点，加入数据集重新训练。<br>2. 尝试多项式回归或分段线性拟合。<br>3. 彻底检查硬件布局，确保LDR只感受环境光。 |

### 6.2 项目延伸思路

这不仅仅是一盏灯，它是一个**嵌入式AI的最小可行原型（MVP）**。这个模式可以扩展到无数场景：

1.  **智能风扇控制器**：用温度传感器和湿度传感器作为输入（X1, X2），风扇转速作为输出（y）。你在不同温湿度下手动调节风扇到舒适档位，训练一个多元线性回归模型 `y = w1*T + w2*H + b`，让风扇学会你的体感偏好。
2.  **植物浇水预测器**：土壤湿度传感器、环境温湿度、光照强度作为输入，历史浇水记录（是否浇水）作为输出。可以训练一个简单的分类模型（如逻辑回归），预测今天是否需要浇水。
3.  **手势识别控制器**：在手套上安装一个MPU6050（六轴传感器），记录不同手势（上下左右）对应的加速度和角速度数据。训练一个多分类模型（如KNN或小神经网络），在Arduino上实现简单的手势识别，控制智能家居。

**我个人最深的体会是**，这个项目打破了AI的神秘感。它让我明白，许多所谓的“智能”，其内核就是这样一个从数据中寻找规律的过程。在资源受限的嵌入式设备上，我们无法运行GPT，但我们可以运行成千上万个这样小而美的“公式”，让身边的物体真正理解并适应我们的习惯。最后一个小技巧：在最终封装时，可以考虑用热熔胶或3D打印一个外壳，将Arduino和线路板妥善固定并隐藏在灯座内，只露出LDR的小“眼睛”。这样，一盏外观普通却内藏“智慧”的台灯就完成了，它安静地工作，仿佛拥有生命一般。
# 线性回归 # 机器学习
Logo
https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

cover

四天蒸发近2000亿，宇树科技股价近乎“腰斩”；苹果举办库克告别派对：9月1日正式卸任CEO；Anthropic两款新Claude模型曝光 | 极客头条

avatar AI编程社区
cover

Claude Code反超GitHub Copilot登顶第一、90%程序员已用上Agent，最新AI编码调查报告来了

avatar AI编程社区
cover

如何用好 Claude Code 写后端代码

avatar AI编程社区