AI 학습 데이터 파이프라인¶

XM10 보드에서 모은 외골격 데이터를 PyTorch / scikit-learn 같은 학습 프레임워크로 가져가는 흐름을 한 페이지에 정리했습니다. AI 모델 학습이 목표라면 이 페이지를 흐름표로 두고 작업하세요.

Rev 2.0 SDK(v2.9.0)에는 보드가 USB 메모리에 직접 저장하는 기능이 다시 들어 있습니다 (USB 메모리 저장). Rev 1.1 에는 이 기능이 없습니다. 이 기능은 보드에서 시험하기 전입니다. (보드 확인 전)

저장한 폴더는 PC 의 XM10 Log Decoder 로 CSV 로 풀 수 있습니다 (안내). 빠진 표본을 보간으로 채운 행은 측정값이 아니니, 학습에 쓰기 전에 어떻게 다룰지 정하세요.

이 페이지의 표준 경로는 아래 길 A(USB-CDC 실시간 스트리밍)입니다. 온보드 저장(SD카드)은 현재 지원하지 않습니다.

큰 그림¶

[보드 동작]              [수집]                      [변환]                 [학습]
  ↓                        ↓                          ↓                     ↓
KIT H10 착용  →  USB-CDC 실시간 스트리밍   →   CSV / npy 출력   →  PyTorch DataLoader
                 (xm10 도구 → .xmlog → export)                        또는 sklearn

두 가지 길이 있습니다. 목적에 따라 골라가세요.

길	적합한 상황	데이터량	지연
A. USB-CDC 스트리밍 수집	오프라인 학습 (대부분)	분 ~ 시간	< 100 ms
B. 보드 내 추론	학습된 모델을 보드로 배포	—	1 ms

길 A — USB-CDC 스트리밍 수집 (표준)¶

1. 보드 측 — 커스텀 채널 스트리밍¶

examples/09_CDC_Stream/ 패턴을 사용합니다. 학습에 쓸 데이터를 커스텀 채널로 실시간 전송합니다.

void Control_Setup(void) {
    // 채널 메타데이터(JSON): 인자는 module_id, json_str 2개
    XM_SetUsbCustomMeta(0xF0, "[{\"name\":\"hip_L\",\"unit\":\"deg\"},{\"name\":\"hip_R\",\"unit\":\"deg\"}]");
}

void Control_Loop(void) {
    float sample[2] = { hip_L, hip_R };
    XM_SendUsbDataWithId(sample, sizeof(sample), 0xF0);  // (data, len, id) 순서 — 매 루프 전송
}

2. PC 측 — 스트림 수신 + CSV 저장¶

PC 측은 xm10 도구로 받습니다.

xm10 도구 (레포 내 pc-data-tool/) — 받은 바이트를 그대로 .xmlog 에 저장해 두고 CSV 는 나중에 뽑습니다. 채널 이름·구성을 바꿔도 예전 기록을 다시 뽑을 수 있어 학습 데이터셋 관리에 유리합니다. 실행파일로 만들면 파이썬 없는 PC 에서도 됩니다 (안내).

PhAI Studio 는 아직 개발 중이라, 직접 정의한 데이터 구조체(커스텀 구조체, 0xF0~0xFE)는 우선 xm10 도구로 보고 저장하세요.

python pc-data-tool/xm10.py recv --cli --port COM6 --log         # 콘솔 수신 + .xmlog 저장 (Ctrl+C)
python pc-data-tool/xm10.py export data/cdc_<시각>.xmlog --csv out/   # 채널별 CSV 로

out/ 에 ..._user_0xF0.csv(여러분 채널)와 ..._total_0x20.csv(보드가 항상 보내는 197채널 — 관절 각도·토크·IMU·GRF)가 생깁니다. 두 파일 모두 앞에 pc_time_us(PC 수신 시각)와 seq_id(보드가 보낸 순번, 모든 채널이 하나의 순번을 공유) 열이 있어 시간축을 맞출 수 있습니다.

3. 학습 프레임워크에서 로드¶

PyTorch 예시¶

import pandas as pd
import numpy as np
import torch
from torch.utils.data import Dataset, DataLoader

class XM10Dataset(Dataset):
    def __init__(self, csv_path):
        df = pd.read_csv(csv_path)
        self.data = df.select_dtypes("number").values.astype("float32")  # (N, features)

    def __len__(self):
        return len(self.data) - 100  # 100-step window

    def __getitem__(self, idx):
        x = self.data[idx : idx + 100]
        y = self.data[idx + 100, 0]  # 다음 스텝의 첫 채널 예측
        return torch.tensor(x), torch.tensor(y, dtype=torch.float32)

ds = XM10Dataset("cdc_phai_20260224_120000_user_0xF0.csv")
loader = DataLoader(ds, batch_size=64, shuffle=True)

큰 데이터셋은 CSV 를 한 번 np.save() 로 .npy 로 변환해두면 로드가 훨씬 빠릅니다.

scikit-learn 예시 (간단 분류)¶

import pandas as pd
from sklearn.ensemble import RandomForestClassifier

df = pd.read_csv("cdc_phai_20260224_120000_user_0xF0.csv")
X = df[["imu_ax", "imu_ay", "imu_az", "knee_angle"]].values
y = df["gait_phase"].values

clf = RandomForestClassifier(n_estimators=100)
clf.fit(X, y)

길 B — 보드 내 추론 (학습된 모델 배포)¶

길 A 로 학습한 모델을 보드에 다시 올려서 1 ms 루프 안에서 추론합니다.

1. 모델 경량화¶

PyTorch / TensorFlow 모델을 STM32 가 다룰 수 있도록 변환.

도구	변환 결과	적합한 모델
TensorFlow Lite Micro	`.tflite`	작은 CNN, MLP
STM32Cube.AI	C 코드 자동 생성	TF/PyTorch/ONNX 모두
직접 구현	사람이 C 로 forward 작성	매우 작은 NN (3-layer 이하)

2. 보드에서 추론¶

Ex.16 TinyAI Sensor Fusion 이 직접 구현 (3-layer NN) 예시. Ex.36 OnDevice Kinesthetic Learning 은 온디바이스 학습까지 다룹니다.

핵심 패턴:

void Control_Loop(void) {
    float input[3] = { imu_ax, imu_ay, imu_az };
    float output[5];

    my_nn_forward(input, output);  // 사용자 정의 추론 함수
    int gait_phase = argmax(output, 5);

    if (gait_phase == STANCE_PHASE) {
        XM_SetAssistTorqueRH(assist_table[gait_phase]);
    }
}

추론 시간 측정은 Ex.18 Debug Monitor 의 루프 프로파일링 패턴 사용 → 1 ms 안에 끝나는지 확인.

자주 막히는 부분¶

CSV 가 너무 큼/느림 — 큰 데이터셋은 .npy 또는 .parquet 로 변환해 로드. CSV 는 사람 확인용으로만.
스트리밍 중 패킷 누락 — python pc-data-tool/xm10.py soak --port COM6 --minutes 10 으로 빠진 프레임이 있는지 판정하세요. .xmlog 로 받았다면 export 요약에 빠진 구간(GAP)이 그대로 남아 있습니다. 누락이 있으면 전송 데이터량을 줄이거나 채널을 간추리세요.
NaN / Inf 값 — 보드 측에서 assert(isfinite(value)) 추가. 학습 직전에 np.isfinite() 로 필터링.
클래스 불균형 — Stance/Swing 같은 보행 phase 는 7:3 정도로 비균등. class_weight 옵션 또는 SMOTE 사용.
보드에서 추론이 1 ms 를 넘김 — 모델 양자화 (int8) 또는 layer 수 감소. STM32H7 의 FPU 활용 확인.

다음¶

Ex.09 CDC Stream 으로 커스텀 채널 스트리밍 패턴 익히기
Ex.16 TinyAI Sensor Fusion → Ex.36 OnDevice Kinesthetic Learning 으로 보드 내 추론 학습
학습 모델을 보드에 올린 뒤에는 Ex.33 Kinesthetic Teaching 처럼 전문가 시연 → 모델 학습 → 재생 의 전체 사이클 시도

xm10 도구 + Python 후처리에 대한 더 자세한 내용이 필요하면 GitHub Issues 에 요청해주세요.