はじめに

この記事は micro:bit Advent Calendar 2025 の記事です。

micro:bit v2.21とライントレースロボットを使って、リアルタイムOS（μT-Kernel 3.0） と AI（機械学習） を学べる開発環境を作成しました。このプロジェクトはTRONプログラミングコンテスト2025の開発環境・ツール部門への応募作品です。

TRONプログラミングコンテストは、TRON関連技術を活用した作品を募集するコンテストで、今回は「学習環境」をテーマに、個人で購入可能な安価な機材を使って誰でも気軽にリアルタイムOSとAIを体験できる環境を目指しました。

なぜmicro:bitなのか？

本プロジェクトでmicro:bitを選んだ理由は以下の3点です。

1. 入手しやすく、コストが手頃

micro:bit本体は2,000円程度、ライントレースロボットベースも約10,000円と、個人でも購入しやすい価格帯です。専門的な開発ボードと比較して、学習用途としてハードルが低いのが魅力です。

2. 充実したハードウェア機能

micro:bit v2.21（nRF52833搭載）は、教育用ボードでありながら本格的な機能を備えています：

ARM Cortex-M4プロセッサ（64MHz） - リアルタイムOSを動かすのに十分な性能
3軸加速度センサー（LSM303AGR） - AI推論のデータソースとして活用
5x5 LEDマトリックス - 状態表示に便利
2つのボタン + タッチロゴ - ユーザーインタラクション
温度センサー、スピーカー - その他の応用にも対応

3. 教育分野での実績

micro:bitは世界中の教育現場で使われており、ドキュメントやコミュニティが充実しています。学習環境を作るには最適なプラットフォームです。

プロジェクトの概要

このプロジェクトでは、micro:bitにμT-Kernel 3.0（TRONプロジェクトが開発するリアルタイムOS）を移植し、ライントレースロボットの制御を通じて以下の3つの主要機能を実装しました。

主要機能1: ライントレース

フォトリフレクター（ラインセンサー）で黒いラインを検出し、ロボットがライン上を走行します。ロボット制御の基本要素をバランスよく体験できます：

入力: 3つのフォトリフレクター（P0/P1/P2）で黒ラインを検出
演算: ラインとロボットのズレから進行方向を決定
制御: PWMでDCモーターを制御

micro:bitのハードウェア活用

ADC（A/D変換）: フォトリフレクターのアナログ値（0〜1023）を読み取り
PWM: nRF52833のPWMペリフェラルでモーター速度を精密制御
GPIO: ライントレースロボットとのインターフェース

>trrun     # ライントレース開始
>trstop    # ライントレース停止

主要機能2: 強化学習

ロボットが試行錯誤を繰り返してライントレースを学習します。機械学習の入門として最適なQ学習を実装しました。

アルゴリズム: Q学習（ε-greedy法）
状態: 4状態（センサーの組み合わせ）
行動: 3行動（左・直進・右）
試行回数: 1000回

学習の流れ

ロボットがラインを外れたら人間がライン上に戻す
micro:bitのBボタンを押して学習再開
1000回の試行で学習完了
学習した方策（Qテーブル）でライントレース実行

>rl        # 強化学習を開始（1000試行）
>rlact     # 学習した方策でライントレース
>rloutqtbl # Qテーブルの値を表示

学習過程が目に見える形で体験できるのがポイントです。

主要機能3: ロボットの姿勢推論（エッジAI）

micro:bitの加速度センサーを使って、ロボットの転倒状態を推論します。ニューラルネットワークによる5クラス分類を実装しました。

推論する5つの状態

転倒なし
右に転倒
左に転倒
前に転倒
後ろに転倒

AIワークフロー（エッジAI体験）

データ収集: micro:bitのコマンドで加速度データを取得
```
>readaccglp  # 加速度データを連続取得（10秒間）
```
データ整形: Pythonスクリプトでcsv整形
学習: Sony Neural Network Console（NNC）でニューラルネットワークを学習
モデル出力: NNCでマイコン用のCコードを生成
組み込み: 生成されたCコードをμT-Kernelプロジェクトに統合
推論実行: micro:bit上でリアルタイム推論

>posture_infer  # 姿勢推論を実行
[posture] id=0 (normal(label_id_0))  p=0.99  ax=-0.040g ay=-1.036g az=-0.024g

micro:bitのAI活用

加速度センサー（LSM303AGR）: I2C通信で3軸加速度を取得
エッジAI推論: Sony nnabla-c-runtime（v1.38.0）をmicro:bit上で動作
リアルタイム性: μT-Kernelのタスク管理で推論処理を実行

機械学習の一連の流れ（データ収集→学習→推論）を、すべてmicro:bitを使って体験できます。

μT-Kernel on micro:bit のアーキテクチャ

リアルタイムOS（μT-Kernel 3.0）の役割

μT-Kernelは以下のタスク管理を実現しています：

ntshell_task: コマンドラインインターフェース（NT-Shell）
log_task: データロギング
rl_learning_task: 強化学習の訓練ループ
rl_action_task: 学習した方策の実行
posture_inference_task: ニューラルネットワーク推論
trace_task: ライントレース制御（周期ハンドラ）

これらのタスクが協調動作することで、複雑な制御とAI処理を同時に実現しています。

micro:bitハードウェアの活用例

ハードウェア	用途	μT-Kernelでの実装
ADC	フォトリフレクター読み取り	デバイスドライバ（device/adc/）
PWM	モーター制御	app_sample/pwm.c/h
I2C	加速度センサー通信	device/i2c/, app_sample/acceleration_sensor.c
UART	シリアル通信（コンソール）	device/ser/, NT-Shell統合
GPIO	ボタン、LED	app_sample/button.c, led.c
タイマー	周期タスク	μT-Kernelの周期ハンドラ

実際に動かしてみる

必要な機材

micro:bit v2.21: 約2,000円
ライントレースロボット: micro:bit用ロボットベース（ラインセンサー）組立済（9,900円）
USBケーブル（マイクロB-A）: 2m以上推奨
単3電池: 3個
ライントレースコース: A3用紙に印刷

開発環境

GNU Arm Embedded Toolchain: ARMマイコン用コンパイラ
pyOCD: micro:bitへの書き込みツール
Neural Network Console: ニューラルネットワークの学習・評価（Windows）

詳しい環境構築手順は操作マニュアルを参照してください。

動作確認

micro:bitとライントレースロボットを接続
シリアルターミナル（115200bps）で接続
コマンドを実行

>help              # 全コマンド一覧
>getls             # ラインセンサー値取得
>drivemotor 30 30 500  # モーター駆動テスト
>readaccg          # 加速度センサー値取得
>trrun             # ライントレース開始

すべてのコマンドが用意されているので、段階的に機能を確認できます。

学習環境としてのポイント

1. 段階的な学習が可能

各機能を独立して学習できるコマンド群を用意しています：

センサー読み取り（getls, readaccg）
モーター制御（drivemotor）
ボタン入力（getbtn）
ライントレース（trrun）
強化学習（rl, rlact）
AI推論（posture_infer）

2. 実際に目で見て体験できる

強化学習の試行錯誤やライントレースの動き、転倒状態の推論など、すべて物理的な動きとして確認できます。

3. オープンソース

すべてのソースコードをGitHubで公開しています。コードを読んで学習したり、改造したりできます。

4. 充実したコマンドラインツール

NT-Shellによるコマンドライン操作で、デバッグ機能も充実：

メモリダンプ（mr）
Qテーブル設定（rlsetqtbl）
デバイスID取得（getdevid）
LED制御（ledset）
スピーカー（speaker）

まとめ

micro:bitとライントレースロボットを使って、リアルタイムOSとAIを気軽に学べる環境を実現しました。

micro:bitの魅力を再発見

教育用ボードとして知られるmicro:bitですが、本格的なリアルタイムOS（μT-Kernel）を動かし、AI推論まで実行できるポテンシャルを持っています。ARM Cortex-M4、豊富なペリフェラル、そして手頃な価格という組み合わせは、学習環境として理想的です。

組み込みシステムとAIの融合

今回のプロジェクトでは、以下を1つの環境で体験できます。

リアルタイムOSによるマルチタスク制御
センサー・アクチュエータ制御
強化学習によるロボット学習
エッジAIによる推論処理

これらはIoTやロボティクスの分野で必要とされる技術です。

次のステップ

このプロジェクトをベースに、さらに発展させることができます。

別の機械学習アルゴリズムの実装
カメラセンサーの追加
無線通信（BLE）の活用
より複雑なコース走行
他のセンサー（温度、照度など）の統合

micro:bitとμT-Kernelの組み合わせで、組み込みシステムとAIの世界を楽しく学んでいただければ幸いです。

リンク

ソースコード: https://github.com/grace2riku/mtkernel_3_microbit
操作マニュアル: operation_manual.md
μT-Kernel情報: TRON Project micro:bit連載
ライントレースロボット: micro:bit用ロボットベース

この記事が、micro:bitでのリアルタイムOSやAI開発に興味を持つきっかけになれば嬉しいです！