Тестирование на ARM-процессорах¶

Сравнение производительности TensorAeroSpace на ARM и x64 архитектурах.

Поддержка ARM

TensorAeroSpace полностью совместим с ARM64-архитектурой и может использоваться на встраиваемых системах, таких как NVIDIA Jetson, для развёртывания систем управления в реальном времени.

Сравнение архитектур ARM и x64¶

Выбор между ARM и x64 зависит от целей использования: ARM оптимален для встраиваемых систем с ограничением по энергопотреблению, x64 — для высокопроизводительных вычислений.

Характеристика	ARM (RISC)	x64 (CISC)
Набор инструкций	Сокращённый (RISC)	Комплексный (CISC)
Энергопотребление	Низкое (10–20 Вт)	Высокое (45–65 Вт)
Производительность CPU	Оптимизирована для параллелизма	Высокая однопоточная производительность
Совместимость ПО	Требует нативной сборки	Широкая экосистема x86/x64
Типовое применение	Edge-устройства, дроны, спутники	Рабочие станции, серверы

Тестовые конфигурации¶

ARM: NVIDIA Jetson Xavier NX 16GB¶

Встраиваемая платформа для AI-вычислений на периферии.

Параметр	Значение
CPU	6-ядерный NVIDIA Carmel ARM®v8.2 64-bit
Частота CPU	До 1.9 ГГц
GPU	384-ядерный NVIDIA Volta™ с 48 Tensor Cores
Производительность AI	До 21 TOPS (INT8)
Память	16 ГБ LPDDR4x (59.7 ГБ/с)
Хранилище	16 ГБ eMMC 5.1
TDP	10–20 Вт
Размеры	69.6 × 45 мм (модуль)

Применение в аэрокосмических системах

Jetson Xavier NX идеально подходит для:

Бортовых систем управления БПЛА
Наземных станций управления дронами
Обработки данных на спутниках
Edge-инференса для систем автопилота

x64: GIGABYTE A7 (AMD Ryzen™ 5000 Series)¶

Высокопроизводительный ноутбук для разработки и обучения моделей.

Параметр	Значение
CPU	AMD Ryzen™ 9 5900HX / Ryzen™ 7 5800H
Ядра/Потоки	8 ядер / 16 потоков
Частота CPU	3.3–4.6 ГГц (boost)
GPU	NVIDIA GeForce RTX 3060/3070
Память	До 64 ГБ DDR4-3200
Хранилище	NVMe SSD (до 2 ТБ)
TDP CPU	45 Вт
Дисплей	17.3" FHD 144Hz

Результаты тестирования¶

MPC-контроллер на LinearLongitudinalF16-v0¶

Тест: 599 шагов симуляции LinearLongitudinalF16-v0 с MPC-агентом (example_mpc.ipynb).

Метрика	Jetson Xavier NX 16GB	PC (x64 + CUDA)
Время эпизода	7 мин 57 сек	22 сек
Скорость (it/s)	1.25	26.25
Время на шаг	~800 мс	~37 мс
Разница в скорости	1x (baseline)	21.7x быстрее

Результаты на Jetson Xavier NX¶

Jupyter Notebook на Jetson Xavier NX: 598/599 шагов за 7:57 (1.25 it/s)

Результаты на PC (x64 + NVIDIA GPU)¶

VS Code + Docker (nvidia/cuda:12.1.0-cudnn8) на PC: 598/599 шагов за 22 сек (26.25 it/s)

Важно

MPC-контроллер выполняет оптимизацию на каждом шаге (optimization_steps=100), что является вычислительно интенсивной операцией. Для ARM-платформ рекомендуется:

Уменьшить optimization_steps для real-time применений
Использовать предобученные RL-агенты (SAC, PPO) для инференса
Применять квантование моделей

Анализ энергоэффективности¶

Метрика	Jetson Xavier NX	PC (Ryzen + RTX)
TDP системы	~15 Вт	~150 Вт
Время эпизода	477 сек	22 сек
Энергия на эпизод	~2.0 Вт·ч	~0.9 Вт·ч
Производительность на ватт	0.08 шаг/(Вт·с)	1.75 шаг/(Вт·с)

Рекомендация

Для обучения и MPC: x64-системы с дискретными GPU (в 21x быстрее)
Для инференса с RL-агентами: ARM-платформы (меньше энергопотребление, достаточная скорость)
Для edge-устройств: Jetson Xavier NX с предобученными моделями

Установка на ARM¶

Ограниченная поддержка ARM

Тестирование проводилось только на NVIDIA Jetson Xavier NX 16GB. Мы не гарантируем работоспособность на других ARM-процессорах и платформах.

Если вы столкнулись с проблемами при запуске на ARM:

Проверьте совместимость версии PyTorch с вашей платформой
Создайте Issue в нашем GitHub-репозитории с описанием платформы и ошибки
Приложите логи и информацию о версиях (python --version, pip list)

NVIDIA Jetson (JetPack)¶

Jetson Xavier NX / AGX XavierRaspberry Pi 4/5

# Установка базовых зависимостей
sudo apt update && sudo apt install -y python3-pip python3-venv

# Создание виртуального окружения
python3 -m venv ~/.venv/tas
source ~/.venv/tas/bin/activate

# Установка PyTorch для Jetson
pip install --upgrade pip setuptools wheel
pip install numpy

# PyTorch wheel для JetPack 5.x (ARM64)
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

# Установка TensorAeroSpace
pip install tensoraerospace

# Python и venv
sudo apt update && sudo apt install -y python3-pip python3-venv

python3 -m venv ~/.venv/tas
source ~/.venv/tas/bin/activate

pip install --upgrade pip setuptools wheel
pip install tensoraerospace

Проверка GPU на Jetson¶

import torch

print(f"CUDA доступна: {torch.cuda.is_available()}")
print(f"Устройство: {torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'CPU'}")

# Пример с TensorAeroSpace
import gymnasium as gym

env = gym.make('LinearLongitudinalF16-v0')
print(f"Окружение загружено: {env.spec.id}")

Оптимизация для ARM¶

Quantization (квантование)¶

Для ускорения инференса на ARM рекомендуется использовать INT8-квантование:

import torch

# Загрузка обученной модели
model = torch.load("policy.pth")
model.eval()

# Динамическое квантование для CPU
quantized_model = torch.quantization.quantize_dynamic(
    model,
    {torch.nn.Linear},
    dtype=torch.qint8
)

# Сохранение оптимизированной модели
torch.save(quantized_model.state_dict(), "policy_quantized.pth")

TensorRT (для Jetson)¶

import torch
import torch_tensorrt

model = torch.load("policy.pth").cuda().eval()

# Компиляция с TensorRT
trt_model = torch_tensorrt.compile(
    model,
    inputs=[torch_tensorrt.Input(shape=[1, 2], dtype=torch.float32)],
    enabled_precisions={torch.float16},  # FP16 для Volta
)

# Инференс
with torch.no_grad():
    output = trt_model(torch.randn(1, 2).cuda())

Совместимость

TensorRT требует JetPack SDK. Убедитесь, что версия JetPack совместима с вашей моделью Jetson.

Сравнительная таблица платформ¶

Платформа	Архитектура	TDP	AI TOPS	Цена (USD)	Применение
Jetson Nano	ARM Cortex-A57	5–10 Вт	0.5	~150	Прототипирование
Jetson Xavier NX	ARM Carmel	10–20 Вт	21	~400	Edge AI, БПЛА
Jetson AGX Orin	ARM Cortex-A78AE	15–60 Вт	275	~1000	Автономные системы
Raspberry Pi 5	ARM Cortex-A76	5–12 Вт	—	~80	Хобби, обучение
AMD Ryzen 7 5800H	x86-64 Zen 3	45 Вт	—	~350	Разработка, обучение

Следующие шаги¶

Метрики бенчмарка Оптимизация гиперпараметров Примеры агентов