Edullisena yhden kortin tietokoneena vuonna 2012 markkinoille tuotu Raspberry Pi on saavuttanut suosiota sulautetuissa järjestelmissä. Uusin malli Raspberry Pi 4 B on ratkaisu haasteisiin, joita suunnittelujen tarpeet lisääntyvän suorituskyvyn, käytön helppouden, kehittyvien tukitoimintojen ja kilpailukykyisen brändintunnettuuden osalta edellyttävät.

Syynä siihen, että Raspberry Pin suosio on kasvanut niin yksittäisten käyttäjien kuin suunnittelutalojenkin osalta sulautettujen järjestelmien suunnittelussa, on ollut sovellusohjelmoinnin helppo käyttöönotto jo suunnittelun käynnistysvaiheessa.

Sen sijaan, että suunnittelija valitsisi lähestymistavakseen ristikäännintyökalut niihin liittyvine asetustarpeineen, hänen tarvitsee valitessaan Raspberry Pin ainoastaan liittää se ethernetiin tai wifi-verkkoon sekä yhdistää sitten USB-näppäimistö ja HMDI-näyttö itse korttiin. Käynnistämällä Linuxin esimerkiksi SD-kortilla toimitettavalta flash-muistilta suunnittelija saa yksinkertaisella päätteeltä antamallaan komennolla helposti käyttöönsä kaikki avoimen koodin työkalut kuten Eclipsen. Näillä työkaluilla voidaan helposti kirjoittaa, kääntää ja korjata sovelluksia Linux-ympäristössä.

Lisää suorituskykyä sulautettuihin

Jokainen Raspberry Pi -sukupolvi on parantanut sulautettujen laitteiden teho-ominaisuuksia ja suorituskykyä. Tämä on aikaan saatu käyttämällä kortilla mobiililaitteisiin kehitettyjä moniytimisiä SoC-järjestelmäsiruja yhdistettynä tavaramerkeiksi muodostuneisiin helppokäyttöisyyteen ja kustannustehokkuuteen. Raspberry Pi 4 B perustuu yhteen tehokkaimmista Arm-suorittimista, jossa on neljä ydintä toteutettuna tiheällä 28 nanometrin puolijohdeprosessilla ja jossa kutakin 64-bittistä suoritinydintä ajetaan enimmillään 1,5 gigahertsin kellotaajuudella. Ytimen kehittyneen superskalaarisen teknologian sekä neljän ytimen ja kellotaajuuden tarjoaman suorituskyvyn ansiosta kortti on kolme kertaa nopeampi kuin edeltäjänsä Raspberry Pi 3 B+.

HAT-liitännällä monipuoliset oheislaitteet

SoC-järjestelmäsirujen tiheän integrointiasteen ja sitä tukevien laitteiden ansiosta Raspberry Pi 4:n oheislaitevalikoima on suuri. Kortilla on kaksi mikro-HMDI-liitintä, joista kumpikin tukee enimmillään 4K-resoluution näyttöä, kaksi USB 3.0 -porttia ja gigabitin ethernet-liitäntä sekä wifi-liitäntä, joka tukee reaalimaailman datanopeuksia yli sataan megabittiin asti sekunnissa. Lisäksi Raspberry Pi 4:ssa on aiempien versioiden tavoin sama 40-nastainen GPIO-liitin, joka tunnetaan yleisesti HAT-liitäntänä, ja sen lisäksi monikanava-UART-, I2C- ja SPI-oheislaitteita, joiden avulla suunnittelija voi lisätä asiakaskohtaisia toimintoja kortille.

Sopii vaativiin sovelluksiin

Suorituskykyisenä ja edullisena alustana, joka on varustettu suurella määrällä I/O-portteja, Raspberry Pi 4 soveltuu erilaisiin laskentatehoa vaativiin sulautettuihin sovelluksiin, kuten tekoälyyn, koneoppimiseen, monianturointiin sekä kuvan- ja äänenkäsittelyyn joko yksittäisiin sovelluksiin tai niiden yhdistelmiin sovellettuna.

Teollisuuden ohjausjärjestelmissä koneoppimista voidaan hyödyntää suunnittelemalla ennakoivien kunnossapito- ja huoltotoimintojen toteuttamista. Esimerkiksi Raspberry Pi 4:ään perustuvalla tekoälysovelluksella voidaan havainnoida mahdollisia ongelmatilanteita ja välittää tieto aikaisessa vaiheessa huoltohenkilöstölle mahdollisista vikatilanteista. Tietoa kerätään valvottaviin laitteistoihin liitetyistä antureista, joilta saatavaa tietoa analysoidaan reaaliaikaisesti. Sen sijaan, että odotettaisiin laitteistojen vikaantumista ja seisahtumisen riskiä tuotannon ollessa parhaimmassa käynnissä, voidaan järjestelmän tilaa seuraamalla ennakolta aikatauluttaa tarvittavat kunnossapito- ja huoltotoimet sellaiseen aikaan, jolloin laitteita ei tarvita tuotantokäytössä.

Vaikka käsite tilanneseuranta ei aivan uusi tutkimuskohde olekaan, perinteiset lähestymistavat ovat perustuneet kehittämään algoritmimalleja, joiden avulla pyritään määrittämään tilanteita, jolloin anturilukemien perusteella voidaan päätellä merkkejä laitteiden kulumisista ja konerikon mahdollisuuksista. Tällaisten mallien rakentaminen on kuitenkin osoittautunut hankalaksi ja niiden ongelmana on, että ne ilmaisevat joitakin vikoja hyvin, mutta jotkut viat taas voivat jäädä havaitsematta elleivät ne osoita ilmeisen selviä merkkejä vikaantumisista. Tekoälypohjaisen käsittelyn etuna on, että siinä löydetään suurista määristä datatiedostoja kuvioita, jotka eivät sovellu osaksi determinististä analyysia. Tällaiset mallit pohjautuvat anturifuusioon (sensor fusion), jossa erilaiset anturitulot yhdistyvät. Menetelmää voidaan käyttää lukemien ilmaisun lisäksi myös monissa muissa sovelluksissa, kuten kiihtyvyyden tai värinän ilmaisussa. Koneoppimisen avulla mukaan voidaan ottaa myös kuvadata parantamaan robottien ja tarkastusjärjestelmien sijoittamista.

Esimerkiksi teollisuuden konenäkösovelluksissa tuotantolinjan lopussa suoritettavassa laadunvarmistuksessa voidaan hyödyntää monien anturien tuotantolinjalta asennuksen aikana keräämää dataa vertaamalla sitä valmiista tuotteesta kuvattuun kuvadataan, minkä tuloksena tuote joko hyväksytään tai hylätään. Tällä tavoin mallin avulla arvioidaan tekijöitä, joilla voi olla myötävaikutusta tuotteen myöhempään vikaantumisalttiuteen. Voi esimerkiksi olla niin, että pinnan viimeistelyssä syntynyt pieni virhe itsessään ei sinänsä osoittaudu ongelmaksi, mutta jos tuotannon aikaisemmassa valmistusvaiheessa lämpötila on ollut lähellä sallittua ylärajaa, tuo pikku virhe voikin osoittautua olevan merkki ongelmatilanteesta, joka vaatii lisätestauksia ennen kuin tuote voidaan pakata myyntipakkaukseen.

Raspberry Pi 4:n tyyppinen alusta tarjoaa suoritustehoa, jota tarvitaan paljon dataa käsittelevissä dataintensiivisissä sovelluksissa. Suuren kellotaajuuden ja neliytimisen prosessorin lisäksi tarvittavan suorituskyvyn takeena ovat Arm A72 -arkkitehtuuriin integroidut yhden käskyn, monen datan SIMD-kiihdyttimet.

Avoimen koodin ekosysteemi

Koska Raspberry Pi toimii standardeilla Linux-tuotteilla, suunnittelijoilla on käytettävissään samat tuotekehitysalustat, joita käytetään palvelinpohjaisten sovellusten suunnittelussa. Käytettävissä ovat monet laajasti käytössä olevat koneoppimisen perustyökalut, kuten Googlen Tensorflow, Berkeley AI Research Caffen Caffe ja monet muut vastaavat. Yolon tarjontaan kuuluu reaaliaikainen kuvassa olevan kohteen havainnointia tukeva työkalu, joka on käytössä monissa automaattiajoa kehittävissä tutkimushankkeissa. DeepSpeech on Mozillan puhetta tekstiksi tulkitseva työkalu, joka perustuu useissa audiosovelluksissa käytettyyn palautuvan RNN-hermoverkon arkkitehtuuriin. Nämä ja monet muut mallit ovat vapaasti saatavissa esimerkiksi Githubin avoimina lähdekooditallenteina.

Mobilenetistä on tullut suosittu valinta Linux-pohjaisia sulautettuja järjestelmiä suunnittelevien keskuudessa, koska se tarjoaa suorituskyvyn osalta kilpailukykyisen vaihtoehdon mobiilialustoilla. Päivitys Raspberry Pi 4:een lähes nelinkertaistaa tekoälysovelluksien päättelynopeudet verrattuna aikaisemman sukupolven laitteisiin ja on kilpailukykyinen erityisesti sulautettavien suunnitteluun tarkoitettujen DDN-alustojen, kuten nVidian Jetson Nanon, kanssa.

Vaikka Raspberry Pi 4 antaakin lisää potkua esimerkiksi DNN-sovelluksiin, tärkeä vaihe tehokkaiden koneoppivien sovellusten suunnittelussa on esiprosessointi. Kuvadatan käsittelyssä prosessin läpimenoa tehostaa sisäisen grafiikkasuoritinyksikön (GPU) muodostama kuva-anturien liukuhihna. Kehystyökalut kuten OpenCV käsittävät moduuleja, joita hyödyntämällä liukuhihnalla suoritetaan yhteiset pikselinkäsittelyn tehtävät, kuten kuvan kierto ja valaistuksen sovitus. Molempien avulla parannetaan merkittävästi Mobilenetin tarkkuutta ja muita tunnistus- ja havaintomalleja sekä kompensoidaan kameran sijainnista ja valaistusoloista johtuvia häiriöitä. Laitteistoa tukevat protokollat, kuten H.265, mahdollistavat kuvan kompressoinnin ja audiodatan striimauksen muille verkossa oleville laitteille, jotka tarjoavat lisää tunnistukseen ja käsittelyyn liittyviä palveluita tai kuluttajasovelluksiin liittyviä tukipalveluita.

Sovellusten liitettävyys paranee

Raspberry Pi 4 on varustettu toiminnoilla, joilla voidaan kehittää liitettäviä laitteita kuten älypeilejä tai ilmoitustauluja kotikäyttöön. Tämä mahdollistaa sen, että älykaiuttimesta voidaan tehdä käyttökelpoinen laiteversio, joka reagoi äänen lisäksi kameran välittämään elävään kuvaan. Samalla kun ihminen katsoo peiliin asetellakseen hiuksiaan tai vaatteitaan, peilin takana Raspberry Pin koneoppiva malli vertaa katsojan kasvoja tietokannan kasvovalikoimaan. Kun malli tunnistaa kasvot, se etsii tietokannastaan kasvoihin liittyvää informaatiota ja antaa esimerkiksi Google Assist -moduulin käyttämän tekstiä puheeksi muuntavan ohjelmiston avulla päivitettyä tietoa säästä, uutisista, tulevan viikon aikatauluista tai milloin seuraavan julkisen kulkuneuvon odotetaan saapuvan lähipysäkille. Samaan aikaan peilissä voidaan näyttää tärkeitä päivittäisiä tietoja tai juna- ja bussiaikatauluja. Verkkolaitteeksi liitettynä peili voi toimia myös yhdyskäytävänä, joka välittää tietoa peiliin katsojan tablettiin tai puhelimeen Bluetooth- tai wifi-yhteyden kautta.

Raspberry Pi:tä ei kuitenkaan tarvitse asentaa peilin taakse, vaan se voidaan yhtä hyvin sijoittaa kotipalvelimeen, joka valvoo turvahälytyksiä ja energiamittareita. Samalla palvelin antaa kuvan ja äänen tunnistukseen liittyvät palvelut peileihin, joissa on sisäänrakennetut kamerat ja kaiuttimet, käyttämällä H.265-kompressiota reaaliaikaisen datan koodaamisessa.

Vastaavan tyyppisen kokoonpanot ovat täysin käyttökelpoisia myös teollisuusympäristössä. Esimerkiksi tuotantoa valvova järjestelmä voidaan toteuttaa yhdyskäytävämoduulilla, joka tarjoaa laskentapalveluja eri puolille tuotantosalia asennetuille kameroille. Kamerat kutsuvat yhdyskäytävää tai teollisuuspalvelimia suorittamaan kuvantunnistusta ja analysointitehtäviä, kun valvottavat kohteet ovat kameran edessä. Vaihtoehtoisesti laskentatoiminnot voidaan sijoittaa työstövälineissä tai valvontajärjestelmissä oleviin konenäkömoduuleihin, jolloin saadaan nopeutettua läpimenoa etenkin massatuotannossa. HAT-laajennusporttien kautta Raspberry Pi tukee teollisuusverkkoja ja kenttäväyliä, kuten CAN-, Modbus-, Profibus- ja EtherCAT-väyliä, jolloin moduulien integroiminen olemassa oleviin verkkoihin on helppoa.

Siiloutuvia sovelluksia sulautettuihin järjestelmiin

Lisäetuna Linux-yhteensopivia kortteja käytettäessä on mahdollisuus sijoittaa ohjelmisto siiloihin käyttäen Docker- ja vastaavia kehystyökaluja. Tämän tyyliset siilot helpottavat sovelluskehitystä, koska tällöin saadaan yhtenäinen kuva käyttöjärjestelmästä riippumatta erilaisista laitteistototeutuksista. Siilojen avulla voidaan parantaa turvallisuusominaisuuksia, koska on mahdollista eristää eri sovelluksia omiin siiloihinsa. Tämä helpottaa eri toimittajien ohjelmistomoduulien integroimista samaan järjestelmään, koska voidaan taata, että ne eivät pääse vaikuttamaan toistensa toimintaan. Olemassa olevien Pi-moduulien asiakaskohtaiset versiot, kuten Avnet SmartEdge IoT Gateway, lisäävät TPM 2.0:aan pohjautuvia turvaelementtejä järjestelmään, jolloin luvattomia hyökkäyksiä torjutaan entistä tehokkaammin. Esimerkiksi tukemalla julkisen avaimen salausta TPM 2.0 -moduuli takaa sen, että ainoastaan hyväksytyt käyttöjärjestelmät käynnistyvät.

Pitkäaikainen tuki ja vahva brändi

Vaikka Raspberry Pi oli alunperin kehitetty opetustarkoituksiin, sen laaja yleistyminen teollisuussovelluksissa johtuu ennen kaikkea tunnustusta saaneesta toimitusvarmuudesta, mikä tällä alalla on tärkeää. Jokainen Raspberry Pi -sukupolvi on takuun mukaan tuotannossa vähintään viisi vuotta.

Teollisuussovellusten sulautettavissa järjestelmissä Raspberry Pin bisnesmallina on yhdistää edullinen hinta, hyvä suorituskyky ja laaja yhteensopivuus pöytä- ja palvelinkoneiden kehitysympäristöissä. Lisäksi Raspberry Pi on brändinä saavuttanut mainetta innovatiivisena, luotettavana ja elektroniikan kasvatustehtävää edistävänä tahona.