➡️ Коллеги, в этот понедельник возвращаемся с прекрасными новостями: уже в эту среду, 30.07 в 11.00, состоится вебинар на тему "Разработка систем реального времени на базе Linux”!

Ссылка для регистрации: https://rtsoft-swdc.timepad.ru/event/3481996/

🔖Открываем регистрацию на новый вебинар!

Уже в следующий четверг, 14.08 в 11.00, состоится вебинар "Инструменты разработки для IEC 61131 и IEC 61499 на базе открытых решений”.

Зарегистрироваться можно по ссылке: https://rtsoft-swdc.timepad.ru/event/3481997/

Ждем вас на нашем вебинаре! 🔥

Real-Time Driver Model

Разработка драйверов для систем с двойным ядром - головная боль. Часто приходится изобретать велосипед: собственные протоколы, костыли с памятью и IPC, нестандартные интерфейсы, которые невозможно было переиспользовать.

Проблема решилась с появлением Real-Time Driver Model:

Это слой абстракции для разработки драйверов устройств и приложений в системах реального времени под Linux, часто используемый вместе с фреймворком реального времени Xenomai. Она предоставляет собой унифицированные API и профили устройств для стандартизации драйверов и поддержки функциональности RTOS

☑️Есть единый фреймворк для взаимодействия драйвера с ядром и с пользовательским пространством
☑️Появились крупные проекты на RTDM: например, Comedi для разработки драйверов и систем сбора данных
☑️ RTDM обладает детерминированным поведением
☑️ RTDM позволяет приложениям и драйверам реального времени работать с обычными (не real-time) приложениями и сервисами Linux

‼️ Уважаемые коллеги!

С 1 сентября 2025 года изменилась стоимость обучения на наших тренингах (за 1 обучающегося):

☑️Основы разработки встраиваемых систем на базе Embedded Linux (Базовый уровень) — 60 000 руб.
☑️Разработка драйверов для Linux (Базовый уровень) — 125 000 руб.
☑️Углубленный тренинг по загрузчику (Продвинутый уровень) — 50 000 руб.
☑️Тренинг по 4diac — 60 000 руб.
☑️Тренинг по CI/CD — 50 000 руб.

Подать заявку на обучение можно через наш сайт: https://linuxcourses.rtsoft.ru/ или же по почте rt.practic@dev.rtsoft.ru

Топ-5 распространенных ошибок при разработке встраиваемых приложений

Разбираем самые критичные из них для области встраиваемого ПО

➡️Пренебрежение оптимизацией кода
Одной из основных проблем встроенных систем часто является ограниченность ресурсов вычислителя (память, вычислительная мощность, ограничения по времени на скорость реакции на внешние события). Важно:
- Использовать эффективные алгоритмы, которые минимизируют время вычислений.
- Избегать чрезмерного использования динамического выделения памяти.
- Эффективно использовать структуры данных для экономии памяти.

➡️Плохое управление памятью
Один из наиболее критических аспектов, приводящих к поломкам систем. Нужно:
- Использовать статическое распределение памяти, где возможно
- Проверять память и регулярно выявлять утечки
- Быть осторожнее с указателями и нулевыми ссылками

➡️Игнорирование проблем параллелизма
Может привести к взаимоблокировкам, условиям гонки (race condition) и непредсказуемому поведению системы.

➡️ Неэффективное использование возможностей Embedded C++
Например, неправильное применения исключений и полиморфизма в ограниченной среде может привести к раздутию двоичных файлов и снижению производительности.

➡️Недооценка ограничений Real-time систем
Встраиваемые системы часто должны соответствовать определённым ограничениям реального времени. Игнорирование этих ограничений может привести к срыву сроков и нестабильному поведению.

🔖Открываем регистрацию на новый вебинар!

Уже в следующую пятницу, 19.09 в 11.00, состоится вебинар “Будущее переносимого ПО”.

Зарегистрироваться можно по ссылке: https://rtsoft-swdc.timepad.ru/event/3548277/

Ждем вас на нашем вебинаре! 🔥

Книги для старта в Embedded Linux

🔖Собрали для вас небольшую подборку - сохраняйте, чтобы не потерять!

☑️ Rudolf Streif - Embedded Linux Systems with the Yocto Project
Отличная книга для понимания, как использовать Yocto Project для сборки кастомных Linux-дистрибутивов под embedded-устройства

☑️"Embedded Linux Development Using Yocto Project"
Практическое руководство, которое показывает, как собирать и настраивать собственные Linux-based продукты с помощью Yocto

☑️Christopher Hallinan - Embedded Linux Primer
Подойдёт тем, кто только начинает.

☑️Karim Yaghmour - Building Embedded Linux Systems
Подробное руководство по созданию полноценной встраиваемой Linux-системы с нуля. Автор разбирает архитектуру, загрузочные механизмы, настройку ядра, файловые системы и интеграцию пользовательского ПО.

☑️Chris Simmonds - Mastering Embedded Linux Programming
Современный взгляд на разработку под embedded Linux: сборка, отладка, работа с драйверами, оптимизация.

☑️Derek Molloy - Exploring BeagleBone (и Exploring Raspberry Pi)
Практика на популярных платформах.

Edge AI в embedded Linux: Jetson / ONNX / TPU - совместимость и контейнеризация

⭕️ Jetson + ONNX Runtime. ONNX Runtime официально доступен для платформ Jetson. Есть предсобранные Docker-образы, пакеты, которые позволяют запускать модели ONNX с ускорением через GPU+cuDNN/TensorRT. Возможны проблемы, если образ/контейнер собирался для другой версии JetPack.

⭕️ Jetson + TPU (Coral Edge TPU). Теоретически возможно подключать Edge TPU к системе Jetson (USB или PCIe/M.2) и использовать его через TensorFlow Lite / Edge TPU runtime / PyCoral. Software runtime, драйверы Google доступны на Linux / Ubuntu / ARM64. Но на практике часто сталкиваются с несовместимостями

⭕️ ONNX + TPU. ONNX не “из коробки” таргетит Edge TPU. Требуется либо конверсия модели в TFLite + квантование + компиляция через edgetpu_compiler. Некоторые проекты (например, YOLO / Ultralytics) добавляют экспорт в TFLite + поддержка EdgeTPU. Есть ограничения по операциям (Edge TPU не поддерживает произвольные операции ONNX)

При этом NVIDIA Container Runtime дает прямой доступ к GPU внутри Docker-контейнеров, а Google Coral требует явного проброса устройств и модулей ядра в контейнер.

Топ 3 Edge AI проекта в 2025 году

В 2025 году Edge AI - одно из самых быстрорастущих направлений в мире технологий.

➡️ Cистема Edge AI, использующая камеры и датчики, установленные на перекрёстках, для анализа транспортного потока, движения пешеходов и типов транспортных средств в режиме реального времени. Она будет динамически корректировать время работы светофоров, идентифицировать и приоритизировать автомобили экстренных служб, выявлять происшествия и, возможно, перенаправлять транспортный поток в зависимости от текущей ситуации.

➡️ Автономные роботы-доставщики. Они представляют собой компактные транспортные средства с электроприводом, предназначенные для перемещения по тротуарам, пешеходным зонам. Их основная функция - транспортировка товаров из местного распределительного центра непосредственно к двери клиента.

➡️ Решения для предиктивного обслуживания, с интеграцией датчиков и платформ Интернета вещей (IoT). Датчики отслеживают вибрации, колебания температуры, качество масла и т.д. Эти данные обрабатываются и анализируются непосредственно на периферийных устройствах, которые используют предварительно обученные модели машинного обучения для выявления незначительных отклонений, обнаружения отклонений от нормальных рабочих условий и прогнозирования потенциальных отказов оборудования с высокой точностью.

Проблемы и ограничения внедрения Edge AI

➡️Согласно отчету Wevolver, с 2025 года компании начинают массово внедрять Edge AI в производство, логистику, здравоохранение и сельское хозяйство. Бизнес рассматривает технологию как необходимый компонент для повышения операционной эффективности.

Однако, этот процесс сопряжен и с определенными сложностями:

⭕️ железо на устройствах далеко не всегда тянет тяжелые модели, поэтому приходится искать баланс между сложностью и объемом обрабатываемых данных

⭕️ текущая экосистема аппаратного и программного обеспечения остаётся фрагментированной, стандартизировать процессы сложно

⭕️полная автономность Edge-решений редко достижима

⭕️необходимо минимизировать простои, обеспечивать совместимость с разнообразным оборудованием

В итоге, успешное внедрение Edge AI требует продуманного подхода: комбинации локальной обработки и облачной аналитики, а также гибкой инфраструктуры.

Выбор плат Computer Vision на Edge

В мире Edge AI важно не только выбрать подходящую плату, но и учитывать целый ряд факторов: от продуктовых и инженерных до научных критериев.

⭕️Цена платы на производстве: от $5 за платы на базе SG2002 до $1000 за Jetson Orin.
⭕️Цена разработки ML на плате: на Jetson минимальна, на микрочипах - максимальна.
⭕️Необходимость собственного производства: некоторые платы доступны только как чипы.
⭕️Энергопотребление: важно для устройств с ограниченным питанием
⭕️Производительность процессора: важно для обработки изображений, видео и 3D.
⭕️Поддержка со стороны производителя: наличие документации и обновлений.