IN2M: Intelligence In Motion

14/06/2026

Will Edge AI replace microcontroller software?
While AI acts as a brilliant "brain" for complex tasks, traditional C/C++ code remains the "nervous system" essential for hardware initialization, sensor reading, and executing secure OTA updates. In our discussion, we explored how embedded engineers will increasingly integrate TinyML models rather than abandon traditional code entirely. We also ventured into a theoretical "no-code" future driven by neuromorphic chips, highlighting the profound shift from programming rigid logic to training physical neural networks, alongside the resulting challenges in system determinism and safety.
This visualization captures our deep dive into the fascinating intersection of traditional embedded engineering, IoT connectivity, and the evolving future of artificial intelligence at the edge.

13/06/2026

IN2M low-cost Hardware-in-the-Loop (HIL) framework Demo

11/06/2026

Open-source autonomous driving frameworks have revolutionized vehicle automation, each serving highly distinct operational domains and target audiences.

Autoware is the premier choice for research and localized logistics. Built on the highly modular ROS/ROS2 ecosystem, it excels in geofenced, low-to-medium speed environments like university campuses, industrial parks, and last-mile delivery shuttles. Its modularity allows researchers and startups to easily swap out specific perception or planning algorithms for testing.

Baidu Apollo, conversely, is an enterprise-grade powerhouse engineered for commercial deployment at scale. Utilizing robust multi-modal sensor fusion and substantial compute resources, Apollo is designed to navigate highly complex, unpredictable urban environments. It is the go-to framework for robotaxi fleets, smart-city public transit, and heavy freight trucking operations across various global highways.

OpenPilot takes a completely different approach, focusing on enhancing existing consumer vehicles with Level 2 driver assistance rather than full urban autonomy. Relying on an end-to-end machine learning model and vision-centric data, it provides exceptional highway lane-centering and adaptive cruise control. It serves as an accessible aftermarket upgrade for everyday commuters and an invaluable platform for real-world neural network validation programs.

Finally, Pylot is tailored almost exclusively for academic research within simulated environments. Utilizing a deterministic dataflow architecture, it allows systems researchers to benchmark the critical tradeoffs between pipeline latency and object detection accuracy, making it the definitive reference stack for virtual testing in simulators like CARLA before any physical deployment operations ever commence in the actual physical world safely today.

11/06/2026

IN2M x-by-wire platform brief introduction.

11/06/2026

The evolutionary journey of Artificial Intelligence: It follows the timeline from Alan Turing's early concepts to the rule-based systems of Symbolic AI, the pattern recognition of Data Mining, and the transition into Machine Learning and current Deep Learning technologies that becoming the essential of living. What a technology can we foresee coming next?

10/06/2026

This advanced wireless EMG system is optimized for non-disposable dry electrodes, which typically introduce high interface impedance and significant DC offsets causing amplifier saturation. To address this, the system uses an innovative Analog Front-End (AFE) with ultra-low input bias current and a low-gain strategy to prevent saturation. To compensate for the low analog gain, digitization relies on a high-resolution 24-bit ADC, which captures microvolt-level signal dynamics with approximately 60nV per bit resolution. Furthermore, an active Common-Mode Signal Driver provides real-time noise cancellation. The result is a clean, detailed wireless EMG stream (via BLE), leveraging digital precision to overcome the inherent challenges of dry electrode interfaces.

10/06/2026

หุ่นยนต์ทำงานยังไง? ฉบับเข้าใจง่าย 🤖

เวลาเห็นหุ่นยนต์หลบสิ่งกีดขวางเองได้ หลายคนถามว่า "มันคิดเองเหรอ?" คำตอบคือไม่ใช่ครับ แต่ข้างในมันมี "ระบบ" ที่ทำให้ชิ้นส่วนต่างๆ คุยกันได้อย่างเป็นระเบียบ และระบบที่วงการหุ่นยนต์ทั่วโลกใช้กันก็คือ ROS2 (Robot Operating System 2)

ROS2 คืออะไร?

ลองนึกถึงครัวร้านอาหาร มีคนหั่นผัก คนผัด คนเสิร์ฟ แต่ละคนทำงานคนละอย่าง แต่ร้านเดินได้เพราะทุกคน "ส่งต่องาน" และ "คุยกัน" ตลอดเวลา

ROS2 ก็คือระบบที่ทำให้ทุกคนในครัวคุยกันได้อย่างเป็นระเบียบนั่นแหละ ในหุ่นยนต์ก็เหมือนกัน — กล้องมองเห็น เซนเซอร์วัดระยะ มอเตอร์หมุนล้อ แล้วมีสมองตรงกลางคอยตัดสินใจ ROS2 คือตัวกลางที่ทำให้ชิ้นส่วนพวกนี้ส่งข้อมูลหากันได้ จำง่ายๆ ว่ามันคือ "ระบบประสาท" ของหุ่นยนต์

#ศัพท์ที่ควรรู้แค่สองคำ

Node — โปรแกรมเล็กๆ ที่รับผิดชอบงานเดียว เช่น node อ่านกล้อง, node สั่งล้อ (ก็คือ "พนักงานแต่ละคน" ในร้านอาหาร)

Topic — ช่องทางส่งข้อความระหว่าง node ใครอยากได้ข้อมูลก็มา "สมัครรับ" ช่องนั้น คล้ายๆ การกดติดตามช่องยูทูป มีของใหม่คนติดตามก็ได้รับเลย

#ทำไมต้องสนใจ ?

เพราะเราไม่ต้องเริ่มจากศูนย์ งานอย่างทำแผนที่ นำทาง หรือจำลองการทำงานก่อนใช้จริง มีคนเขียนเครื่องมือไว้ให้แล้ว เราแค่หยิบมาต่อให้เข้ากับงานของเรา แถมมันเป็นโอเพนซอร์ส ติดปัญหาเสิร์ชหาคำตอบมักเจอคนเคยเจอมาก่อนเสมอ และที่สำคัญในเชิงอาชีพ — บริษัทหุ่นยนต์ส่วนใหญ่ใช้ ROS2 มันเลยแทบเป็นทักษะพื้นฐานของสายนี้ ไม่ต่างจากคนทำเว็บที่ต้องรู้จัก HTML

#เริ่มยังไงให้ไม่ท้อ ?

อย่าเพิ่งรีบซื้อฮาร์ดแวร์มาประกอบตั้งแต่วันแรก! ให้ **เริ่มจากตัวจำลองในจอคอมก่อน** ตัวคลาสสิกที่สุดคือ `turtlesim` — เต่าตัวนึงในจอที่เราสั่งให้เดินหน้า ถอยหลัง เลี้ยวได้ ฟังดูเหมือนเด็กเล่น แต่เบื้องหลังคือหลักการเดียวกับสั่งหุ่นจริงเป๊ะ

เส้นทางคร่าวๆ:
1. ลง Ubuntu + ROS2 (แนะนำ **Jazzy** บน Ubuntu 24.04 — รุ่น LTS บทเรียนเยอะ หาคำตอบง่าย)
2. เล่น `turtlesim` ให้เข้าใจเรื่อง node กับ topic
3. เขียน node ง่ายๆ ของตัวเอง ให้สองโปรแกรมคุยกัน
4. ขยับไปทำแผนที่และนำทาง
5. ค่อยลงฮาร์ดแวร์จริงทีหลัง

พื้นฐานที่ควรมี: ใช้ Linux เป็นนิดหน่อย + เขียน Python ได้ เท่านี้ก็พร้อมเริ่มแล้ว ที่เหลือเรียนรู้เอาตอนทำ

เคล็ดลับเดียวที่อยากฝากไว้: อย่าอ่านอย่างเดียว ลงมือพิมพ์ตามทุกครั้ง ความรู้สายนี้มันซึมเข้าหัวตอนมือทำ ไม่ใช่ตอนตาอ่าน ลองลง Ubuntu แล้วสั่งเต่าให้เดินดูสักตัวสิครับ เผื่อจะติดใจ 😁

09/06/2026

This is a demonstration of a complete, low-cost Hardware-in-the-Loop (HIL) framework for developing Advanced Driver-Assistance Systems (ADAS) and Automated Driving (AD) Electronic Control Units (ECUs). It connects simulation environment (e.g., using CARLA or IPG Carmaker on a workstation) with a physical test bench. Affordable embedded systems like Raspberry Pi or even superior GPU based system like Jetson serve as the I/O interfaces. Simulated sensor data (Radar, LIDAR, and Camera video via a VDO converter) is sent to the ADAS ECU, and the ECU's resulting control commands (Steering, Brake, Throttle) are fed back to the vehicle dynamics model within the simulation. This scalable framework provides a cost-effective test environment for validating ADAS algorithms.

09/06/2026

09/06/2026

The IN2M Portable NLJD system is designed to selectively detect hidden semiconductor-based electronics while ignoring common metals and false junctions. It operates by transmitting a fundamental signal at 868 MHz and analyzing the non-linear returns; a stronger second harmonic (1.73 GHz) relative to the third harmonic (2.60 GHz) confirms the presence of true semiconductor junctions, whereas the reverse ratio indicates distractor materials like rust. Housed in an ergonomic, portable form factor, the system integrates an SDR module and custom digital processor with RF frontend and a directional microstrip patch array antenna to provide precise target localization in the field.