Rastreamento Solar Baseado em Aprendizado de Máquina Embarcado

Abstract

O presente trabalho apresenta o desenvolvimento de um sistema de rastreamento solar em tempo real utilizando técnicas de Tiny Machine Learning (TinyML) embarcadas no microcontrolador ESP32S3. O sistema utiliza quatro sensores LDRs distribuídos em quadrantes para estimar a direção de maior luminosidade, enquanto um modelo neural leve, treinado externamente e convertido para TensorFlow Lite Micro, é embarcado no firmware para inferir os ângulos ideais de azimute e elevação do painel. Toda a lógica de controle foi implementada em C++ no ambiente PlatformIO, incluindo normalização dos dados, execução da inferência, suavização digital por filtro exponencial e acionamento de servomotores MG995. O protótipo físico, composto por estrutura impressa em 3D, servos de alto torque e encoder incremental, foi validado experimentalmente por meio de registros em vídeo, demonstrando estabilidade, suavidade e comportamento superior ao método tradicional baseado exclusivamente em diferenças de LDRs. Os resultados obtidos evidenciam a viabilidade do uso de TinyML em sistemas embarcados de baixo custo, bem como seu potencial para substituir mecanismos de controle determinístico tradicional em aplicações de rastreamento solar.