domingo, 26 de enero de 2020

Pasos previos AstroPi "Mission Space Lab": Vida en la Tierra (Life on Earth)

Seguimos embarcados en este complejo proyecto, soñando con experimentos en el espacio, con viajes fuera de nuestro planeta. Intentamos aprender lo importantes que son delicados equilibrios que rigen las leyes de nuestra casa, "La Tierra":

En esta segunda fase nos basamos fundamentalmente en la guía suministrada por AstroPi Team para la segunda fase:

Astro Pi Mission Space Lab Phase 2 guide


En ella encontramos mucha información que debemos de ir analizando paso a paso. En próximas entradas me voy a centrar en la parte de "Life on Eath" que es la que nos toca desarrollar.....


  ***PASOS PREVIOS***  

Lo primero que se recomienda es imprimir tu carcasa:

3D-Printed Astro Pi flight case


Este paso ha funcionado bastante bien, aunque hemos encontrado dos dificultades.
  • PRIMERA: La caja no traía tornillos, por lo que nos ha tocado comprarlos aparte unos 22.0 €. Enlace para España.
  •  SEGUNDA: En nuestro Sense-Hat el Joysteak no funciona. Hemos escrito al AstroPi Team, todavía no tenemos respuesta, aunque como hemos comprado otro para hacer pruebas, estamos trabajando con este segundo.
Hemos instalado los SO sin problemas y vemos con mucho optimismo que además de traer fotos y un archivo .csv en una carpeta en el "home/pi" llamada "Sample_Data" trae un montón de librerías preinstaladas, entre ellas OpenCV. Esto nos ahorra mucho tiempo y disgustos, pues instalar esta última no es nada trivial.

Antes de profundizar en la Fase 2, hemos vuelto a practicar con:

Getting started with the Sense HAT


Otros recursos recomendables previos imprescindibles son: 
  • Tutorial para la cámara:
  • Tutorial para el almacenamiento de datos en archivos .csv:


Más recursos previos muy recomendables son:
  • Manejar la consola de la RaspberryPi: Enlace.
  • Para aprender los fundamentos de la POO en Python:
  • Para documentar:

Este último tutorial nos indica la importancia de las librerías de Python. Introduce a l@s alumn@s en la presentación y de sus códigos, por si el día de mañana ell@s mismos desarrollan sus propias librerías.

Hemos estado practicando con algunas de estas librerías que vienen preinstaladas en el SO de la AstroPi. La verdad que nos sorprende el nivel de desarrollo de este proyecto y cómo existe una gran comunidad que participa en que todo esto siga adelante.

Nos encante Pyephem. Además de que la vamos a utilizar para localizar la ISS actualizando nuestros datos TLE antes de enviar nuestro código. Vemos el potencial que tiene para futuros proyectos, pudiendo localizar la luna, los distintos planetas, etc.

Sobre la Picamera y OpenCV todavía nos queda mucho por aprender, aunque hemos hecho algún tutorial muy interesante de @mjrovai : twitt.

Apuntes sobre el resto de librerías de la guía 2:
  • Colorzero: nos puede ayudar a clasificar los colores.
  • GPIO Zero: para medir temperatura CPU.
  • GDAL: Geospatial Data Abstraction Library. Datos geoespaciales.
  • NumPy: paquete de procesamiento de matrices que vamos a usar para la capturar datos de la cámara.
  • SciPy: es una librería que contiene módulos para optimización, álgebra lineal, integración, interpolación, funciones especiales, FFT, procesamiento de señales e imágenes, solucionadores de ODE y otras tareas comunes en ciencia e ingeniería.
  • TensorFlow: aprendizaje automático.
  • Pandas: es una biblioteca de código abierto que proporciona estructuras de datos y herramientas de análisis de datos de alto rendimiento y fáciles de usar.
  • Logzero: facilita el registro de Python. Hemos realizado numerosas pruebas y esta la vamos a incorporara a nuestro main.
  • Keras: es una API de redes neuronales de alto nivel y es capaz de ejecutarse sobre TensorFlow.
  • Matplotlib: es una librería de trazado 2D que produce figuras con calidad de publicación en una variedad de formatos impresos y entornos interactivos. Sobre ésta ultima hemos realizado pruebas, que quizás utilizemos en al procesamiento de nuestras imágenes de vuelta, si no hay incidencias.
  • Pisense: librería parecida a SenseHat separa elementos en clases y tiene algunos trucos más.
  • Scikit-learn:es un conjunto de herramientas para el análisis de datos. Diseñado para interoperar con numpyscipymatplotlib.
  • Scikit-image: procesamiento de imágenes.
  • Reverse-geocoder: toma una coordenada de latitud / longitud y devuelve el pueblo / ciudad más cercano.
Trabajo pendiente:

No hay comentarios: