RTOS และระบบฝังตัวสู่ AI

ทำไมต้องรู้

ตัวควบคุมการบินต้องทำหลายงานพร้อมกัน อ่าน IMU พันครั้งต่อวินาที คำนวณท่าทาง รับ GPS บันทึก log และคุยกับสถานีภาคพื้น ถ้างานบันทึก log ทำนานเกินจนงานอ่าน IMU พลาดเวลา การควบคุมจะแย่ลงทันที RTOS (real-time operating system) จัดลำดับงานให้งานสำคัญได้ทำตรงเวลาเสมอ ส่วนหัวข้อสุดท้ายของบทพาไปถึงการนำ AI ขนาดเล็กขึ้น MCU

Task, priority และ preemption

• Task คืองานที่ทำซ้ำเป็นรอบ แต่ละงานมีคาบ $T$ และเวลาประมวลผล $C$
• Priority ความสำคัญของงาน
• Preemption งานที่สำคัญกว่าขัดงานที่กำลังทำได้ทันที

Rate-monotonic scheduling ให้ priority สูงกับงานที่คาบสั้น Liu และ Layland (1973) พิสูจน์ว่าถ้าการใช้ CPU รวม $U$ ไม่เกิน $n(2^{1/n}-1)$ สำหรับ $n$ งาน ทุกงานจะทันเวลาแน่นอน ค่านี้ลดลงเข้าหาประมาณ 69% เมื่อมีงานมาก เงื่อนไขนี้เป็น เงื่อนไขเพียงพอ ถ้าเกินขอบเขตก็ยังอาจทันได้ ต้องตรวจละเอียดขึ้น

def check(tasks, horizon=10_000):
    n = len(tasks)
    u = sum(c / t for _, t, c in tasks)
    bound = n * (2 ** (1 / n) - 1)
    order = sorted(tasks, key=lambda x: x[1])            # คาบสั้นได้ priority สูง
    remaining = {name: 0 for name, _, _ in order}
    missed = {name: 0 for name, _, _ in order}
    for t in range(horizon):
        for name, period, cost in order:
            if t % period == 0:
                if remaining[name] > 0:
                    missed[name] += 1                    # งานรอบก่อนยังไม่เสร็จ = พลาดเวลา
                remaining[name] = cost
        for name, _, _ in order:
            if remaining[name] > 0:
                remaining[name] -= 1
                break
    return u, bound, missed


base = [("IMU", 10, 2), ("attitude", 25, 5), ("logging", 200, 40), ("GPS", 1000, 50)]
for label, tasks in (("base", base), ("+ AI 6 ms/20 ms", base + [("AI", 2000, 600)]),
                     ("+ AI 8 ms/20 ms", base + [("AI", 2000, 800)])):
    u, bound, missed = check(tasks)
    print(f"{label:<16} U = {u:.2f}, bound = {bound:.3f}, missed deadlines = {sum(missed.values())}")

base             U = 0.65, bound = 0.757, missed deadlines = 0
+ AI 6 ms/20 ms  U = 0.95, bound = 0.743, missed deadlines = 0
+ AI 8 ms/20 ms  U = 1.05, bound = 0.743, missed deadlines = 4

RTOS ใน flight stack

• PX4 ใช้ NuttX เป็น RTOS หลักบนบอร์ดควบคุมการบิน NuttX เป็นโครงการของ Apache ใช้สัญญาอนุญาต Apache 2.0
• ArduPilot บนบอร์ด STM32 ใช้ ChibiOS ผ่านชั้น AP_HAL_ChibiOS ChibiOS/RT ใช้สัญญาอนุญาต GPL3 หรือแบบเชิงพาณิชย์ ส่วน ChibiOS/HAL ใช้ Apache 2.0
• FreeRTOS นิยมในบอร์ด MCU ทั่วไป รวมทั้ง ESP32 ตัว kernel ใช้สัญญาอนุญาต MIT

นอกจากจัดตารางงานแล้ว ระบบฝังตัวที่ปลอดภัยต้องมี watchdog ซึ่งรีเซ็ตระบบเองถ้าโปรแกรมค้างจนไม่มาแจ้งตามเวลา

จาก MCU สู่ AI

TinyML คือการรันโมเดล machine learning ขนาดเล็กบน MCU เช่น จำแนกเสียงผิดปกติของมอเตอร์หรือตรวจรูปแบบการสั่น Google เรียกเครื่องมือนี้ว่า LiteRT for Microcontrollers (เดิมชื่อ TensorFlow Lite for Microcontrollers) ทำงานได้โดยไม่ต้องมีระบบปฏิบัติการ และตัว runtime หลักใช้หน่วยความจำเพียงราว 16 KB บน Cortex-M3 งานที่ใหญ่กว่า เช่น ตรวจจับวัตถุในภาพ ต้องใช้คอมพิวเตอร์บนลำอย่างที่เรียนใน UAT 322 ส่วนเนื้อหาเจาะลึกเรื่อง Embedded AI และ ROS ในคลังความรู้ต่อยอดจากบทนี้

ปฏิบัติการประจำโมดูล

ข้อผิดพลาดที่พบบ่อย

สรุป

• RTOS จัดลำดับ task ด้วย priority และ preemption ให้งานสำคัญทันเวลา
• Rate-monotonic ให้งานคาบสั้นได้ priority สูง ขอบเขต $n(2^{1/n}-1)$ เป็นเงื่อนไขเพียงพอ
• PX4 ใช้ NuttX, ArduPilot ใช้ ChibiOS และ FreeRTOS นิยมใน MCU ทั่วไป
• TinyML รันโมเดลขนาดเล็กบน MCU ส่วนงาน AI ใหญ่ต้องใช้คอมพิวเตอร์บนลำ

แบบฝึกตรวจความเข้าใจ

1. งานคาบ 10 ms ใช้เวลา 2 ms และงานคาบ 20 ms ใช้เวลา 5 ms การใช้ CPU รวมเท่าใด
2. ขอบเขต rate-monotonic สำหรับ 2 งานเท่าใด
3. ชุดงานในข้อ 1 ทันเวลาแน่นอนหรือไม่
4. PX4 ใช้ RTOS ใดบนบอร์ดควบคุมการบิน
5. watchdog มีไว้ทำอะไร