Arduino、GPS、センサーによるリアルタイム・バイク・テレメトリー・システム

部品と材料

部品	数量	備考
Arduino UNO	1
u-blox GPS NEO-7M	1	56チャネル、10Hz更新、低消費電力
LM35DT 温度センサー	1	外気温測定用
SparkFun TMP006 非接触赤外線温度センサー	1	リア・タイヤ温度測定用（外気温も可）
HC-05 Bluetoothモジュール	1	Arduino⇔Windows Phone通信用
超音波距離センサー HC-SR04	2	フロント/リア・サスペンション・ストローク測定用
SparkFun ADXL345 3軸加速度センサー	1	3軸G加速度、バンク角・ウィリー角算出用
Ducati Monster 695	1	実験車両
SparkFun ProtoShield Kit	1
ハーフ・サイズ・ブレッドボード	1
9V電池	1	またはモバイル・バッテリー
9V電池スナップ	1
ジャンパー・ワイヤー	1セット
Lumia 650 (Windows 10 Mobile)	1	表示・クラウド送信用

使用アプリ・サービス

Microsoft Azure（IoT Hub、Stream Analytics、SQL Database、Web App、Machine Learning）
Microsoft Visual Studio 2015
Microsoft Blend
Arduino IDE
GIMP（画像編集）
Fritzing（回路図作成）

プロジェクト概要

新しいプロジェクトを始めるたびに、自分の情熱に関連する最新テクノロジーを駆使した何かを作りたくなります。今回は「バイクへの情熱」と「Arduinoというお気に入りガジェット」、そしてプログラミング知識を組み合わせました。

着想

MotoGP中継で見るテレメトリー映像（速度、バンク角、Gフォース等）にいつも魅了されてきました。これをArduinoで自作できないかと考え、Azureと連携したテレメトリー・システムを開発。全バイク愛好家が自分のバイクに装着できるよう、再現性を重視しました。

Arduino、GPS、センサーによるリアルタイム・バイク・テレメトリー・システム — 目指したMotoGP風テレメトリー表示

本システムで取得可能なデータ：

速度 [km/h]
GPS位置（緯度/経度）
衛星情報（衛星数、HDOP）
高度 [m]
バンク角（リーン・アングル）
ウィリー角（ピッチ・アングル）
3軸G加速度 [m/s²]
外気温 [°C]
リア・タイヤ温度 [°C]
フロント・ショック・アブソーバー・ストローク [cm]
リア・ショック・アブソーバー・ストローク [cm]

使用ハードウェア：Arduino Uno R3、各種センサー、UWPアプリ搭載Windows Phone、Azureサービス群。

システム・ワークフロー

フェーズ1：制御ユニット（バイク搭載）が全テレメトリー・データを秒間約2回取得
フェーズ2：データ取得ごとにBluetoothでArduinoからWindows Phoneへ送信
フェーズ3：Phoneでデータ表示、3G/4G経由でAzure IoT Hubへ送信
フェーズ4：AzureのStream Analytics JobがIoT Hubからデータ受信、SQL Azureデータベースに保存
フェーズ5：AzureにデプロイしたWeb AppがSQLデータを用いてリアルタイム表示
フェーズ6：Web Appで認証後、全テレメトリー情報をチャート表示（Entity FrameworkでSQL Azureから取得）
フェーズ7：SQL Azureの全データをMachine Learningで処理、「運転スタイル」を分析。テレメトリー・パラメータに基づき運転改善ポイントを提示

I Think IT'S PRETTY COOL!!! さあ、プロジェクト詳細へ

ハードウェア・セットアップ

構成部品：

Arduino Uno R3 ×1
HC-SR04超音波測距モジュール ×2（フロント/リア・サスペンション・ストローク測定）
TMP006赤外線サーモパイル非接触温度センサー ×1（タイヤ温度測定、外気温も可）
GPS-NEO7M ×1（GPS位置、速度、高度）
ADXL345 ×1（3軸G加速度、リーン・アングル、ウィリー・アングル算出）
LM35DT ×1（外気温）
HC-05 Bluetoothモジュール ×1（Arduino⇔Windows Phone通信）
電源（汎用バッテリーまたはモバイル・バッテリー）

ステップ1：Bluetooth接続

SoftwareSerialライブラリでHC-05とArduinoを接続、Windows Phoneとの無線通信を実現。HC-05はクラス2、シリアル・ポート・プロファイル対応、マスター/スレーブ両対応。

デフォルト名「HC-05」を変更（魅力的でないため）。

Arduino側コード例

#include 
SoftwareSerial BTSerial(10, 11); // RX, TX
void setup() {
  BTSerial.begin(9600);
}
void loop() {
  BTSerial.print("Hello Hackster");
}

Windows PhoneとArduinoの通信準備完了、簡単です！

ステップ2：GPS通信

ハードウェア：GPS-NEO7M（56チャネル、10Hz更新、低消費電力）。

SoftwareSerialライブラリとTinyGPS++ライブラリで通信。

#include 
#include 
SoftwareSerial ss(12, 13); // RX, TX
TinyGPSPlus gps;
void setup() {
  ss.begin(9600);
}
void loop() {
  while (ss.available() > 0) {
    if (gps.encode(ss.read())) {
      if (gps.location.isValid()) {
        double lat = gps.location.lat();
        double lon = gps.location.lng();
      }
    }
  }
}

ステップ3：加速度センサー（ADXL345）

3軸加速度とロール/ピッチ角（バンク角/ウィリー角）取得用。ADXL345は小型・薄型・超低消費電力、13ビット分解能、±16g測定可能。SPI（3/4線）またはI2Cインターフェース。

ADXL345.hライブラリで通信。重要：接続直後は重力加速度の値が未校正。最初のループで「ゼロ点」を決定し、以降の測定値から差し引く校正が必要。


// 初回ループでゼロ点取得
if (i == 0) {
  refXg = Xg; refYg = Yg; refZg = Zg;
  i = 1;
}
// ゼロ点減算
Xg = Xg - refXg;
Yg = Yg - refYg;
Zg = Zg - refZg + 1;  // +1は重力補正

バンク角（ロール）とウィリー角（ピッチ）の計算式：

// Roll & Pitch Equations
roll  = -(atan2(-fYg, fZg) * 180.0) / M_PI;
pitch =  (atan2(fXg, sqrt(fYg*fYg + fZg*fZg)) * 180.0) / M_PI;

座標系：Z軸＝重力方向、Y軸＝進行方向、X軸＝横方向。

ADXL345通信コード例


#include 
#include 
#include 
SoftwareSerial ss(12, 13);
ADXL345 acc;
void setup() {
  acc.begin();
}
void loop() {
  double Xg, Yg, Zg;
  acc.read(&Xg, &Yg, &Zg);
}

ステップ4：タイヤ温度（TMP006）

タイヤに触れずに温度測定するため、赤外線温度センサーTMP006を採用。

TMP006はMEMSサーモパイル・センサーで、物体からの受動的赤外線エネルギー（4〜16μm）を吸収し、オンチップ・ダイ温度センサー測定値と共にI2Cで出力。

センサー配置距離が重要。データシート推奨：センサー-物体距離 < 物体の立体角半径の半分。タイヤ幅160mm → 半径R=80mm → 推奨距離 ≤ 40mm (R/2)。

TMP006通信コード例


#include 
#include "Adafruit_TMP006.h"
Adafruit_TMP006 tmp006;
void setup() {}
void loop() {
  float objt = tmp006.readObjTempC();  // 対象物体温度（タイヤ）
  float diet = tmp006.readDieTempC();  // センサー温度（外気温）
}

ステップ5：外気温（LM35）

LM35DTで外気温測定。出力電圧は摂氏温度に比例（1°C = 10mV）。

Arduinoアナログ入力で読み取り：


int TempExtPin = A1;
float celsius = 0, millivolts;
int sensor;
sensor = analogRead(TempExtPin);
millivolts = (sensor / 1023.0) * 5000;
celsius = millivolts / 10;

ステップ6：超音波センサーでサスペンション・ストローク測定

HC-SR04でサスペンションの伸縮量を測定。音波の往復時間を測り距離を算出。

音速 ≈ 340 m/s（20°C）。距離 S = 0.034 × t/2 （t: マイクロ秒）。

基本コード例（低速・低性能）：


digitalWrite(triggerPort, LOW);
digitalWrite(triggerPort, HIGH);
delayMicroseconds(10);
digitalWrite(triggerPort, LOW);
long duration = pulseIn(echoPort, HIGH);
long r = 0.034 * duration / 2;

本プロジェクトでは高性能なNewPing.hライブラリを採用：


#include 
int triggerPort = 2;
int echoPort = 3;
NewPing sonar(triggerPort, echoPort, 200); // 最大200cm
void setup() {}
void loop() {
  int Pos = ReadPositionPing();
}
int ReadPositionPing() {
  unsigned int uS = sonar.ping();
  return sonar.convert_cm(uS);
}

UWPソフトウェア（Windows Phoneアプリ）

Bluetoothで制御ユニットと接続するユーザー・インターフェース。Arduinoから送信される全データを表示し、IoT Hubへセンサー値を送信。

シリアル通信は入力文字列の解釈で処理。STARTとENDマーカーを含むか検証し、正しければ「|」で分割して各センサー値を抽出、UIに表示。

Arduinoから送信されるデータ文字列例


$START|40.909409|N|9.520008|E|8|2|2016|15:46:42|0.09|0.000000|0|0|-0.21|0.00|0.00|-0.02|0.98|-|0.00|35.19|29.58|16|10|$END|

分割後の配列定義（全25要素）

位置	内容
0	STARTマーカー
1	緯度
2	N（北緯）
3	経度
4	E（東経）
5	月
6	日
7	年
8	時:分:秒
9	速度 (km/h)
10	高度 (m)
11	衛星数
12	HDOP
13	ロール（バンク角）
14	ピッチ（ウィリー角）
15	Xg
16	Yg
17	Zg
18	オーディオ（無効）
19	走行距離 (m)
20	外気温 (LM35)
21	タイヤ温度 (TMP006)
22	フロント・ショック・ストローク (cm)
23	リア・ショック・ストローク (cm)
24	ENDマーカー

Arduino IDEのシリアル・モニタで動作確認可能：

Bluetooth経由の全データを管理するUniversal Windows Platform (UWP)アプリを開発。UWPはWindows 10搭載全デバイス・ファミリーで動作可能なプラットフォームの好例です。

Windows 10 Mobileへのアプリ展開手順

Windows 10 SDK Preview Build 10166で導入されたWinAppDeployCmd.exeを使用。PCからUSB/同一サブネット経由で.AppXをデバイスに配布可能（Visual Studioフル環境不要）。

ステップ1：モバイル・デバイスを「開発者モード」に（設定＞更新とセキュリティ＞開発者向け）。USB接続し可視化（PINコード取得）
ステップ2：Visual Studioでプロジェクト右クリック＞ストア＞アプリ・パッケージの作成
ステップ3：ウィザードで「いいえ」（ローカル・パッケージ）、ARMプラットフォーム選択、作成
ステップ4：コマンド・プロンプトで C:\Program Files (x86)\Windows Kits\10\bin\x86\ に移動し、
WinAppDeployCmd install -file "パッケージパス" -ip 127.0.0.1 -pin PINコード 実行

Azureクラウド構築

必要なAzureリソース：

Web App + SQL Azure
IoT Hub
Stream Analytics Job
IoT Hub用Device ID

Azureアカウント未取得ならこちらから作成。取得済みならポータルへ。

ステップ1：IoT Hub作成・設定

IoT Hubはテレメトリー・データのクラウド入り口。

新規＞Internet of Things＞IoT Hub で作成
ダッシュボードでデプロイ完了待ち
設定ブレードでホスト名をメモ
共有アクセス・ポリシー＞iothubowner＞接続文字列をコピー・メモ

ステップ2：Stream Analytics Job作成・設定

IoT Hubからデータを読み取り、SQL Azureテーブルに書き込み。

新規＞Internet of Things＞Stream Analytics Job で作成
入力：IoT Hubをソースに設定
出力：SQL Azureテーブルを宛先に設定（次ステップでDB作成）

ステップ3：Web App + SQL Azure作成

ダッシュボード＞新規＞ネットワーク＞Web + Mobile＞Web App + SQL

Web App設定：アプリ名、サブスクリプション、リソース・グループ、App Service Plan（無料のF1で可）。
SQL設定：新規作成、名前、価格レベル、サーバー名、管理者資格情報。

Stream Analyticsのクエリ設定：


SELECT * INTO SqlAzureMyTelemetry FROM MyTelemetryInputHub

「MyTelemetryInputHub」からデータを取り、「SqlAzureMyTelemetry」へ保存。簡単かつ強力！

最後にジョブの「開始」ボタンをクリック。

ステップ4：Device ID作成

デバイスとIoT Hubを接続するため、IDレジストリにデバイスIDを登録。
詳細：公式ドキュメント

Visual Studioでコンソール・アプリ作成、NuGetでMicrosoft.Azure.Devicesインストール、以下のコードでデバイスキー生成：


class Program {
  static RegistryManager registryManager;
  static string connectionString = "あなたのIoT Hub接続文字列";
  static void Main(string[] args) {
    registryManager = RegistryManager.CreateFromConnectionString(connectionString);
    AddDeviceAsync().Wait();
    Console.ReadLine();
  }
  private async static Task AddDeviceAsync() {
    string deviceId = "myDucatiMonsterDevice";
    Device device;
    try {
      device = await registryManager.AddDeviceAsync(new Device(deviceId));
    } catch (DeviceAlreadyExistsException) {
      device = await registryManager.GetDeviceAsync(deviceId);
    }
    Console.WriteLine("Generated device key: {0}", device.Authentication.SymmetricKey.PrimaryKey);
  }
}

実行（F5）でデバイスキー生成完了！

Webアプリケーション

テレメトリー・データを友人と共有・SNS投稿するため、ASP.NETでレスポンシブWebサイトを構築。Entity FrameworkでSQL Azureからデータ読み取り、ダッシュボード表示。

URL：WebアプリURL
Hacksterユーザー用テスト・アカウント：
User ID: demo / Password: demo

モバイル版もレスポンシブ対応。

無料ティアで作成したWeb Appのドメインは <websitename>.azurewebsites.net。独自ドメイン取得もAzureで簡単：ダッシュボード＞Web App＞カスタム・ドメインとSSL＞ドメイン購入。

Ducati Monster 695 への実装

実験車両：Ducati Monster 695

車載ハードウェア（制御ユニット）の搭載写真：

タイヤ温度測定用ブラケットをホイール後ろにクランプ固定。

フロント・サスペンション測定用HC-SR04をヘッドライト下に固定（ヘッドライト〜フロント・フェンダー間距離測定）。

リア・サスペンション測定用HC-SR04をシート下に固定（シート〜リア・タイヤ間距離測定）。

中央ユニット（Arduino、GPS、加速度センサー、外気温センサー）をシート後ろに固定。

配線完了後の全景：

Machine Learning（機械学習）による運転スタイル分析

テレメトリー・データ間の相関を分析し、運転改善に役立てるのが最後のアイデア。データ・サンプルは毎回ルート・交通状況が異なるため直接比較は困難。サーキット走行での使用が理想的。実レースならテレメトリーに基づき、速度を上げるべきか下げるべきかを判断可能。

Azure Machine Learning Studio で実験：

studio.azureml.net でAzureアカウントでサインイン、左メニュー「Studio」
ダッシュボードで「NEW」＞実験作成
データ・インポート：SQL Azureから取得
データ型変換（varchar→float）と不良データ除外


SELECT CAST(speed as float) _speed, CAST(roll as float) _roll, CAST(pitch as float) _pitch,
       CAST(Xg as float) _Xg, CAST(Yg as float) _Yg, CAST(Zg as float) _Zg,
       CAST(TempExt as float) _TempExt, CAST(TempTyre as float) _TempTyre,
       CAST(FrontAbsorber as float) _FrontAbsorber, CAST(BackAbsorber as float) _BackAbsorber
FROM mytelemetry
WHERE CAST(speed as float) > 3
  AND CAST(FrontAbsorber as float) > 0
  AND CAST(BackAbsorber as float) > 0
  AND CAST(roll as float) < 60
  AND CAST(roll as float) > -60

Split Dataで学習用/テスト用に分割
Train Modelで予測対象フィールドとアルゴリズム選択
Score Modelで学習モデルをテスト・データで評価
Evaluate Modelでモデル精度を検証

分類モデル評価指標

Accuracy：正解率 = (TP+TN)/(TP+TN+FP+FN)
Precision：適合率 = TP/(TP+FP)
Recall：再現率 = TP/(TP+FN)
F-score：適合率と再現率の調和平均（理想値1）
AUC：ROC曲線下面積（異種モデル比較に有用）

Two-class Decision ForestアルゴリズムでAccuracy/Precision/Recall/F1がほぼ1に近く、モデルがデータをよく記述できていることが判明。GREAT!

予測実験とWebサービス化

学習実験を予測実験に変換し、Webサービスとしてデプロイ。新しい実験でSQL Azureをデータソースとし、テレメトリー値に基づき分類（新規カラムScoredで分類結果表示）。

Multi-class Decision Forestアルゴリズムで学習、実行、予測Webサービスとしてデプロイ。ダッシュボードの「TEST」ボタンで手動テスト可能。

「HIGH STRESS HIGH SPEED」なら減速必要。

MLから得られた知見

Azure ML環境での実験構築手法
Two-class Decision Forestがバイク・テレメトリーをよく記述、予測にはMulti-class Decision Forestを使用
モデルをWebサービス化する手順
運転スタイルの傾向：右バンクを好む、バンク角はタイヤ温度・速度に依存しない（タイヤ品質が高い証左）、タイヤ温度35°C超でウィリーしやすい