Scratch3.0にはmicro:bitと連携する標準の拡張機能が用意されています。ただし使えるmicro:bitの機能は、傾きセンサー、ボタン、P0~P2端子のタッチ、ScratchからのLEDの点灯に限定されています。
Scratch Teamのメンバーに機能を限定している意図を訊いてみたところ、「低い床」（入門のしやすさ）の理念により、なるべくブロックの数を増やしたくない、ということでした。
なるほどとは思いますが、一方でScratchには「広い壁」（広い応用範囲）「高い天井」（高度なプログラミング）の理念もあるわけで、 micro:bitの魅力は小さくて安価なボードにかかわらず、各種センサを搭載して、デジタル・アナログの入出力もできるところにあるのですから、できればフルに機能を使いたい。
という要望に応えて頂いたのが、 横川 耕二 さん開発の「Scratch-microbit-more」です。
https://lab.yengawa.com/project/scratch-microbit-more/
一方で、ScratchからTensorFlowで画像を機械学習できるようにした、凄い拡張機能が、 石原 淳也 さん開発の「ML2Scratch」です。
https://github.com/champierre/ml2scratch
この２つは共存できなかったのですが、つい最近お二人のコラボにより「ML2Scratch」の開発環境で「Scratch-microbit-more」の拡張機能が使えるようになり、機械学習＋フィジカルコンピューティングが手軽に実現できるようになりました。
それぞれの使用方法は、上記のリンクをよくお読みください。
必要な材料は
・Webカメラ
・模型用サーボ（SG90）
・micro:bit
・電池ボックス（単４、または単３が3本入るもの）
・構造材（レゴを使いましたが、ボール紙でも何でもいいです）
・厚紙（コインを載せるテーブル用）
・セロハンテープ、両面テープ
・ワニ口クリップつきリード線
全体の構造はこんな感じ。
構造部分。
配線は、サーボの電源をmicro:bitと分けるようにします。micro:bitの電源はUSB端子からの供給で大丈夫です。電池のマイナス側、サーボのグラウンド（SG90の場合は茶色い線）を両方ともmicro:bitのGND端子に接続します。
システムが組み上がったら、ML2Scratchにコインの画像を学習させます。
ラベル１～３を使い、3種類の状態を学習させます。
ラベル１＝10円の画像
ラベル２＝100円の画像
ラベル３＝コインがない画像
まず厚紙のテーブル上に10円玉を置き、画面に表示している状態で「ラベル1を学習する」のブロックをクリックします。「ラベル1の枚数」のチェックボックスをオンにしておくと、ステージ上にクリックした回数が表示されます。コインを裏返したり、向きを変えたりしながら10回程度クリックして学習させます。
ラベル２で100円玉を、ラベル３で何も置かない状態を同様に10回程度学習させます。
完了したら「学習データをダウンロード」をクリックしてファイルに保存しておきましょう。現在のML2Scratchはプログラムを終了すると学習結果がリセットされてしまうので、次回は保存しておいた学習データをアップロードして取り込みます。
学習が済んだら、テストしてみましょう。「ラベル１を受け取ったとき」のブロックで、10円を認識したときの動作が定義できます。ラベル２，３も同様です。
この例では、何もコインがないときはmicro:bit moreでサーボ角を90度（テーブルを水平位置）にし、10円を認識したらサーボ角を45度に傾け、100円を認識したら135度に傾けるようにしています。
ML2Scratchは、プログラムをクラウドに自動保存できませんので、プログラムはファイルメニューから自分のコンピューターに保存しておく必要があります。
