Почему мощный процессор не делает дрон автономным

Когда компания внедряет дроны с обработкой данных нейросетью прямо на борту, например для поиска дефектов на ЛЭП и трубопроводах, оценки состояния посевов или учета техники на строительной площадке, бортовой компьютер для дрона чаще всего выбирают по показателю TOPS. Это пиковая производительность нейроускорителя в триллионах операций в секунду по данным производителя. Логика понятная: чем выше TOPS, тем быстрее система справится с задачей.

Мы проверили это на семи бортовых вычислителях, от NVIDIA Jetson и Orange Pi до готового блока управления на архитектуре RISC-V, и пришли к выводу, что одного показателя TOPS для выбора недостаточно. На реальную работу дрона влияют скорость конкретной модели, путь изображения от камеры до оператора, наличие аппаратного видеокодера, потребление всей платы и зрелость программного стека. Ниже приводим результаты первого этапа исследования с цифрами и примерами.

Шесть цифр из исследования

Если читать некогда, вот что стоит запомнить. Паспортные TOPS говорят о классе платы, но не о том, сколько кадров в секунду увидит оператор. Одна и та же плата выдает 82,5 FPS в тесте нейросети и около 30 FPS, когда в работу включаются камера, кодек и радиоканал. Обе цифры честные. Плата без аппаратного видеокодера может упереться в процессор, даже если нейросеть у нее быстрая. Вычислитель на 25 Вт забирает у небольшого дрона 3,3 минуты из 20. А спотыкаются проекты чаще всего о память, нагрев и версии драйверов.

Что не так с TOPS

TOPS (tera operations per second) показывает пиковую производительность нейроускорителя. Цифра верная, но похожа на максимальную скорость в паспорте автомобиля: по городу вы все равно поедете медленнее. На борту дрона мешает вот что:

• дрон обрабатывает кадры по одному (batch = 1), а большие ускорители рассчитаны на пакеты, поэтому часть их мощности простаивает;
• некоторые операции нейросети ускоритель не умеет, и их выполняет обычный процессор;
• кадр нужно уменьшить, переложить в памяти, перевести в другой формат, а после нейросети отфильтровать результаты;
• производители считают TOPS по-разному, например для разреженных (sparse) и плотных (dense) вычислений, и сравнивать такие цифры напрямую нельзя

Возьмем две платы из исследования. Для Jetson Orin Nano Super NVIDIA заявляет до 67 TOPS, для Orange Pi 5 Plus на чипе RK3588 указано до 6 TOPS. На бумаге разница больше чем в десять раз. При этом у Orin Nano нет аппаратного видеокодера NVENC, а у RK3588 нейроускоритель и кодек находятся в одном чипе. Если дрону нужно и обрабатывать картинку нейросетью, и передавать ее оператору, второе свойство бывает важнее первого.

Куда уходят миллисекунды

Проще всего это увидеть на примере одного кадра. Камера снимает изображение, процессор сигнала (ISP) его обрабатывает, кадр уменьшают до размера, с которым работает нейросеть, нейросеть отрабатывает, результаты фильтруют, видео сжимают кодеком H.264 или H.265 и отправляют по радиоканалу. Каждый шаг добавляет задержку и занимает процессор и память.

В официальном наборе тестов RKNN Model Zoo чип RK3588 обрабатывает 82,5 кадра в секунду на нейросети YOLOv5n. Цифра настоящая, но в нее не входят захват кадра, подготовка, кодирование и сеть. Если считать весь путь от камеры до радиоканала, на той же плате может получиться около 30 кадров в секунду.

Отдельно скажем про очереди. При 30 кадрах в секунду один кадр длится 33,3 мс. Если где-то в системе кадр дважды ждет своей очереди, задержка вырастет сильнее, чем если ускорить саму нейросеть с 10 до 6 мс. Задержку изображения у оператора мы советуем мерить «от стекла до стекла». В кадр камеры ставят мигающий светодиод или таймкод и одновременно снимают скоростной камерой и его, и экран оператора.

Какие платы мы сравнивали

В выборку попали очень разные устройства: промышленная система на несколько камер, одноплатные компьютеры и совсем маленький модуль. Выбирать победителя мы не собирались. Хотели понять, где какой подход уместен.

Еще мы отдельно посмотрели на компактные companion-платы вроде Orange Pi Zero 3 и Repka Pi 3. Сравнивать их с Jetson по скорости нейросетей бессмысленно, у них другая работа: телеметрия, журналы, сетевой мост, контроль за остальными системами. Часто удобнее поставить на дрон маленький компьютер для связи и отдельный для нейросетей, чем грузить все на одну плату.

Видеокодер и память

Для нас самым интересным оказалось то, что выбор платы часто решает видео. Если камера отдает несжатую картинку, перед отправкой оператору ее нужно сжать. В Jetson Orin Nano Super аппаратного кодера нет, это в январе 2026 года подтвердил инженер NVIDIA на форуме разработчиков. Сжимать приходится процессору, и при 1080p и 60 кадрах в секунду или нескольких камерах он становится узким местом, даже если нейросеть справляется быстро.

Обойти это можно тремя способами. Взять камеру, которая сама отдает сжатое видео. Поставить отдельный аппаратный кодер. Или выбрать плату, где кодер встроен в чип, как у RK3588. Любой вариант меняет компоновку всей полезной нагрузки, так что отсутствие кодера лучше учесть с самого начала.

Вторая частая проблема связана с памятью. В LuckFox RV1103 есть почти все: нейроускоритель, процессор изображения и аппаратный видеокодер. Но памяти у него всего 64 МБ. На форуме производителя пользователь запустил YOLOv5, нейросети понадобилось около 14,75 МБ, а свободно было около 3,7 МБ. Позже инженер LuckFox ответил, что после оптимизаций модель работает в реальном времени, но вместе с аппаратным кодированием видео ей памяти не хватает. Так что ускоритель и кодер в одном чипе еще не гарантируют, что они будут работать одновременно.

Сколько минут полета стоит вычислитель

Компьютер на борту питается от той же батареи, что и моторы. Мы посчитали, насколько он сокращает полет небольшого дрона. Для примера взяли батарею 3S 5600 мА·ч. С учетом глубины разряда 80% и КПД преобразователя 85% из нее можно получить 42,27 Вт·ч, а без вычислителя дрон летает 20 минут.

Возьмем инспекцию трубопровода или ЛЭП. С вычислителем на 25 Вт дрон за один вылет пролетит около 5 км трассы вместо 6. На 100 км это 20 вылетов вместо 17, то есть больше замен батарей, больше часов работы оператора и выездов на объект.

И это оптимистичный расчет, потому что масса компьютера в нем не учтена. Тяжелый промышленный блок сокращает полет и своим потреблением, и весом корпуса, радиатора и преобразователя питания. В упрощенной модели висения нужная дрону мощность растет как масса в степени 3/2.

Поэтому сравнивать стоит потребление всей платы. В спецификации указано потребление чипа, а на борту к нему добавляются память, контроллер питания, накопитель, Wi-Fi, камера, вентилятор и преобразователь напряжения. Удобнее всего считать энергию на один кадр. Плата на 30 Вт, которая обрабатывает 60 кадров в секунду, тратит 0,5 Дж на кадр.

Что видно на практике

Кроме спецификаций и публичных тестов мы собрали истории разработчиков с форумов и сами померили Блок управления БК2. Статистики по рынку из этого не получится, зато хорошо видно, на чем обычно спотыкаются проекты.

Когда все работает вместе

Пользователь Orange Pi 5 запустил сразу две нейросети YOLOv5n и получил около 20 кадров в секунду. Правда, на маленьком входе 256 × 256, и заняли они около 800 МБ памяти. У другого пользователя на той же плате одновременное декодирование видео 1280 × 720 и работа нейросети дали ошибки декодера и сильно искаженные кадры, хотя по отдельности все работало. Наш вывод: проверять ускоритель отдельно мало. Нужны долгие тесты хотя бы в трех режимах: только нейросеть, только видео и все вместе с сетью и журналированием.

Блок управления БК2 на стенде

БК2 сделал сторонний разработчик на чипе SpacemiT K1. В нем 8 ядер RISC-V, нейроускоритель на 2 TOPS по заявлению производителя и 8 ГБ памяти. Полетный контроллер и радиоприемник уже стоят в блоке, а Linux-часть общается с полетным контроллером по отдельному каналу. Так и должно быть, потому что управление дроном не должно зависеть от Linux-компьютера.

Каждое дополнительно занятое ядро греет блок примерно на 10 °C, так что нейросети без вентилятора выведут его за порог. Мощности и памяти хватает с запасом, ограничивают нагрев и софт. Для связи и телеметрии блок можно ставить уже сейчас. Для нейросетей понадобятся обдув и перенос программного стека производителя.

Как выбрать вычислитель под задачу

Выводы мы свели в таблицу. Найдите в ней главное ограничение вашего проекта, рядом будет плата, с которой стоит начать, и то, что нужно проверить в первую очередь.

Для первого прототипа мы бы взяли Orin Nano Super, если камера уже отдает сжатое видео или вас устраивает внешний кодер. Если видео обязательно сжимать на самом вычислителе, а каждый грамм на счету, стоит тестировать Orange Pi 5 Plus. Окончательно выбирать нужно на той нейросети, которая будет работать в проекте. Стандартные тестовые модели дают только ориентир.

Если компьютер зависнет

Бортовой Linux-компьютер не должен в одиночку отвечать за устойчивость дрона. Если зависнет драйвер, нейроускоритель или программа, полетный контроллер обязан сохранить управление. Перед запуском в работу мы советуем проверить как минимум:

• аппаратный сторожевой таймер (watchdog), причем на настоящем зависании;
• файловую систему только для чтения или схему обновлений A/B;
• отдельный преобразователь питания с запасом по току и журнал просадок напряжения;
• автоматический перезапуск камеры, декодера, нейросети и кодера;
• ограничение длины очередей, при котором выбрасываются самые старые кадры;
• поведение системы, когда пропала камера, пропала сеть, не загрузилась модель или внезапно отключилось питание;
• постоянный обмен сигналами (heartbeat) между бортовым компьютером и полетным контроллером

Чего мы не утверждаем

Данные в исследовании мы разделили на пять типов: спецификации производителей, публичные тесты, сигналы с форумов, расчеты и собственные измерения. Смешивать их нельзя, поэтому по итогам первого этапа мы не беремся утверждать:

• что RK3588 быстрее Jetson Orin Nano или наоборот, ведь одинакового теста для всех плат пока нет;
• что скорость нейросети из теста совпадет со скоростью на всем пути от камеры до радиоканала;
• что аппаратный кодер заработает в любой сборке Linux;
• что плата ненадежна, если на форуме нашелся один неудачный случай (такие истории нужны, чтобы придумать тесты);
• что измерения БК2 под базовой нагрузкой можно перенести на работу с нейросетями

Ответы на эти вопросы даст второй этап.

Что будет на втором этапе

Мы соберем стенд и проверим выводы в одинаковых условиях. Камера одна и та же, нейросети и разрешения одинаковые, кадры обрабатываются по одному, версии ПО зафиксированы, потребление всей платы меряем одним способом. Сначала на стенд встанут три платы с разным подходом: Jetson Orin Nano Super, Orange Pi 5 Plus и LuckFox RV1103. Потом добавим Jetson AGX Xavier, Блок управления БК2, Lichee Pi 4A и RTSS-Z201.

Каждую плату прогоним в четырех режимах:

1. Только нейросеть. Смотрим скорость, задержку, память, температуру и потребление
2. Камера и нейросеть. Добавляем захват и подготовку изображения
3. Камера, нейросеть и кодирование, то есть весь путь до передачи
4. Работа без остановки 30–60 минут. Ищем перегрев, рост задержки, пропуски кадров и сбои

Еще измерим задержку «от стекла до стекла» и проверим, как система поднимается после отказа камеры, нейросети, кодера или сети. В итоге получится карта сценариев: какая плата подходит для тяжелых нейросетей, какая для камеры с аппаратным видео, а какая для компактного узла, системы на несколько камер или долгих полетов.

Как мы используем результаты

Наша бортовая операционная система AI Captain работает на бортовом компьютере дрона. Основная плата у нас Orange Pi 5, для задач с нейросетями и видео подходит NVIDIA Jetson. Между полетным контроллером и модулем связи стоит отдельный микроконтроллер ESP32, поэтому оператор может забрать управление в любой момент. Принцип тот же, что и в исследовании: управление не должно зависеть от бортового компьютера.

На результаты исследования мы опираемся, когда помогаем заказчику собрать дрон под его задачу. Подбираем камеры, вычислитель и схему передачи данных так, чтобы на выходе была карта, дефектная ведомость или отчет и чтобы лишние ватты не съедали время полета.

Что в итоге

Мощный процессор еще не делает дрон автономным. Работа дрона зависит от всей системы сразу: модели, камеры, памяти, видео, софта, сети, питания и охлаждения. Когда мы сравниваем бортовые компьютеры, мы задаем пять вопросов. Как быстро работает нужная модель? Сколько энергии уходит на кадр? Какая задержка у видео? Сколько плата весит и сколько места занимает? Легко ли повторить сборку софта? На первом этапе мы разобрали проблему и сформулировали гипотезы, на втором проверим их на стенде.

— Что такое TOPS и почему по нему нельзя выбирать бортовой компьютер?

TOPS показывает пиковую производительность нейроускорителя по данным производителя. В эту цифру не входят захват и подготовка изображения, операции, которые ускоритель передает процессору, постобработка, сжатие видео и передача данных. По TOPS удобно понять класс платы, а для выбора нужны скорость конкретной модели, задержка и энергия на кадр.

— Какой бортовой компьютер выбрать для дрона с нейросетью?

Смотря что для проекта важнее всего. Для тяжелой модели на одной-двух камерах и минимального риска при интеграции мы бы начали с Jetson Orin Nano Super. Если видео нужно сжимать на самой плате и важна масса, посмотрите на Orange Pi 5 Plus с чипом RK3588. Для самых маленьких дронов с одной легкой моделью подойдет LuckFox RV1103.

— Насколько бортовой компьютер сокращает время полета?

Мы считали на примере небольшого дрона, который без вычислителя летает 20 минут. С компьютером на 12 Вт получается 18,3 минуты, на 25 Вт 16,7 минуты, на 75 Вт 12,6 минуты. Масса компьютера сокращает время еще сильнее, в расчет она не вошла.

— Зачем нужно аппаратное кодирование видео?

Перед отправкой оператору изображение нужно сжать. Если в плате нет аппаратного кодера, сжимает процессор. При высоком разрешении или нескольких камерах он перестает успевать, даже если нейросеть работает быстро.

— Чем Jetson Orin Nano Super отличается от Orange Pi 5 Plus?

У Jetson более отлаженный софт: стандартный путь ONNX → TensorRT и удобные инструменты для профилирования. В Orange Pi 5 Plus нейроускоритель и аппаратное видео собраны в одном чипе RK3588, но модели придется конвертировать в формат RKNN, а результат сильнее зависит от версий драйверов. Одинакового теста для обеих плат пока нет, его мы проведем на втором этапе.

— Где скачать полное исследование?

PDF с полной версией первого этапа можно скачать по ссылке. Результаты испытаний опубликуем отдельно.