为什么会有这个对比 最近在研究ESP32S3的基础系统和应用分离的开发架构,比较常见的应用层主要有这几种"形态": 形态 本质 典型用途 原生动态模块(elf) 编译成目标芯片机器码 性能热区、协议栈、编解码 WebAssembly 应用(wasm) 编译成字节码,由运行时解释执行 沙箱隔离、第三方维护、生态复用 Lua 脚本(lua) 直接解释源码 热更新、胶水逻辑、低频控制 Micropython 脚本(py) 直接解释源码 与lua一致 它们共用一个应用包 / 部署 / 加载框架,但运行性能差多少,很少有人用同一把尺子量过。本文就用一个最经典的基准(计算 1000 位圆周率)在同一个设备上给四种形态做了一次公平对决。 测试怎么做到公平 同一台设备:ESP32-S3 R8(Xtensa内核,主频 240 MHz,8MB PSRAM, 16MB Flash) 同一种运行环境:应用都加载到PSRAM执行 同一个算法:四个实现是同一份 Rabinowitz-Wagon spigot 算法的直译 同一位数:都算 1000 位,输出结果逐位一致(小数位完全相同) 同一计时口径:只统计纯计算耗时,不含加载、初始化、日志输出 除了micropython直接在官方固件上运行,其他四种测试脚本各自封装成应用包,由设备启动计划自动拉起,开机即跑、跑完即退,互不干扰。 使用的算法:Rabinowitz-Wagon spigot “spigot”(水龙头)算法是一类逐位生成 π 的算法,像水龙头一样每拧一下流出一位数字。Rabinowitz-Wagon 是其中最经典的一种:用一组长整数数组做"长除法流水线",每轮归约出一位。 伪代码(以 1 为下标): 输入 n(要生成的位数) len = floor(10 * n / 3) a[1..len] 全部初始化为 2 nines = 0, predigit = 0 对 j = 1....
动态扩展运行时架构研究:elf_loader 基座架构与 ESP-Brookesia 对比
项 内容 文档版本 v1.0 日期 2026-09-19 研究范围 ESP32-S3 平台上的动态扩展/多语言运行时机制 结论来源 源码逐文件阅读 + 构建产物实测(.so 段表/符号表解析、固件 map 归因) 依据说明(重要) 文中所有事实性结论均标注出处 文件路径:行号。 无法从现有源码/产物直接确认的,标注 【推断】。 尚未核对、需要后续确认的,标注 【待核实】。 路径基准:除特别说明外,路径相对于 bs_hmi_base_s3/,即 [project_root]/。 Brookesia 源码全部位于 so_build/ref/。 本文档不含推测性评价;涉及"建议"的部分集中在第 4 章,且均给出依据。 目录 0. 结论速览 1. elf_loader 基座架构 1.1 全貌 1.2 基座固件 1.3 ELF 动态加载层 1.4 符号与宿主能力导出 1.5 Lua 运行时层 1.6 共享内存数据通道 1.7 包分发与加密 1.8 关键指标实测 1.9 特征总结 2. ESP-Brookesia 架构 2.1 组件全景 2.2 运行时层 2.3 四个后端 2.4 服务层 2....
ESP32-P4 边缘视觉与 HMI:从摄像头、显示到本地 AI 网关
引言:边缘智能体正在从“能跑模型”变成“能做闭环” 过去几年,端侧 AI 的讨论大多停留在模型能不能塞进设备:摄像头能不能跑目标检测,MCU 能不能跑唤醒词,工业网关能不能离线识别异常。到了 2025 和 2026 年,问题已经变了。现在更值得关心的是:设备能否在本地理解环境、调用工具、管理状态,并在网络不稳定甚至完全离线时完成一个业务闭环。 这也是边缘硬件和 AI Agent 结合后最有价值的地方。真正落地时,模型只是其中一层,摄像头、麦克风、传感器、NPU、DSP、缓存、队列、OTA、日志和安全策略都会影响最终效果。如果只把注意力放在参数量和 TOPS 上,很容易做出一个演示很好看、现场不稳定的系统。 本文关注的主题是 用 ESP32-P4 负责摄像头、显示、触摸和本地控制,再通过 ESP32-C6 等协处理器补齐无线连接。 它不是简单地把云端大模型搬到开发板上,而是围绕功耗、内存、实时性、隐私、硬件加速和工程可维护性重新设计一套端侧智能系统。 端侧智能体参考架构 输入设备Camera / MicSensor / Bus 预处理ISP / DSP滤波 / 特征 模型推理NPU / GPUINT8 / Cache Agent 决策状态 / 工具策略 / 记忆 设备执行GPIO / UARTMQTT / CAN 云端同步日志 / OTA模型更新 从传感输入到动作反馈,端侧 Agent 需要处理的不只是模型推理。 一、先把系统边界画清楚 边缘 Agent 与普通边缘推理最大的区别,是它要处理“感知—判断—动作—反馈”这条链路。一个只会输出分类结果的模型,通常只需要输入张量和输出张量;一个能工作的端侧智能体,还需要记住最近发生了什么、知道哪些工具可以调用、判断什么时候应该上报云端,以及在失败时如何降级。 实际项目中,最容易出问题的往往不是模型本身,而是层与层之间的数据移动、线程调度和异常恢复。摄像头帧缓冲占了多少内存,音频采集是否会被日志阻塞,NPU 算子有没有回退 CPU,工具调用有没有超时,这些细节都会决定系统能不能长期运行。 二、硬件平台:先看数据路径,再看 TOPS 很多选型文档会把 TOPS 放在第一位,这当然重要,但如果只看 TOPS,很容易踩坑。端侧系统的瓶颈经常出现在摄像头到内存、内存到 NPU、NPU 到 CPU、CPU 到显示或总线这些路径上。尤其是视觉和多模态任务,数据搬运的代价可能比模型计算还高。...
嵌入式开发:Executorch On-Device Ai Embedded Deployment 2025
引言 本文基于 2026 年最新行业资料整理,涵盖 ExecuTorch on-device AI embedded deployment 2025 的核心概念、开发流程和实战技巧。 ExecuTorch on-device AI embedded deployment 2025 概述 嵌入式系统开发需要掌握硬件、软件和系统集成的综合技能。 开发流程 需求分析 → 确定功能、性能指标 硬件选型 → MCU、传感器、通信模块 原理图设计 → 电路设计、仿真验证 软件架构 → 分层设计、模块化 编码实现 → C/C++、RTOS、驱动 调试测试 → 单元测试、系统集成 生产部署 → 批量生产、OTA 升级 常用工具 IDE:Keil、IAR、STM32CubeIDE、VS Code 调试器:J-Link、ST-Link、DAP-Link 示波器:Siglent、Rigol、Keysight 逻辑分析仪:Saleae、Kingst 学习路线 C 语言基础 → 指针、结构体、内存管理 单片机原理 → GPIO、中断、定时器 外设驱动 → UART、SPI、I2C、ADC RTOS → 任务、信号量、消息队列 项目实战 → 综合应用 参考资料 ExecuTorch 1.0: General Availability Sta… - PyTorch Conference 2025 ExecuTorch – A Unified PyTorch Solution to Run AI Models On-Device ExecuTorch 本文基于网络公开资料整理,结合嵌入式开发实践经验编写。
嵌入式开发:Esp32-P4 Edge Ai Hmi Vision Esp32-C6 2026
引言 本文基于 2026 年最新行业资料整理,涵盖 ESP32-P4 edge AI HMI vision ESP32-C6 2026 的核心概念、开发流程和实战技巧。 ESP32-P4 edge AI HMI vision ESP32-C6 2026 概述 嵌入式系统开发需要掌握硬件、软件和系统集成的综合技能。 开发流程 需求分析 → 确定功能、性能指标 硬件选型 → MCU、传感器、通信模块 原理图设计 → 电路设计、仿真验证 软件架构 → 分层设计、模块化 编码实现 → C/C++、RTOS、驱动 调试测试 → 单元测试、系统集成 生产部署 → 批量生产、OTA 升级 常用工具 IDE:Keil、IAR、STM32CubeIDE、VS Code 调试器:J-Link、ST-Link、DAP-Link 示波器:Siglent、Rigol、Keysight 逻辑分析仪:Saleae、Kingst 学习路线 C 语言基础 → 指针、结构体、内存管理 单片机原理 → GPIO、中断、定时器 外设驱动 → UART、SPI、I2C、ADC RTOS → 任务、信号量、消息队列 项目实战 → 综合应用 参考资料 Espressif Booth Tour at Embedded World 2026 ESP32-P4 HMI, ESP32-C6 Low Power, ESP32-E22 Wi-Fi 6E Tablet-like, ESP32-P4-based 7, 8, and 10....
嵌入式开发:Jetson Thor Physical Ai Robotics Edge Agents 2025
引言 本文基于 2026 年最新行业资料整理,涵盖 Jetson Thor physical AI robotics edge agents 2025 的核心概念、开发流程和实战技巧。 Jetson Thor physical AI robotics edge agents 2025 概述 嵌入式系统开发需要掌握硬件、软件和系统集成的综合技能。 开发流程 需求分析 → 确定功能、性能指标 硬件选型 → MCU、传感器、通信模块 原理图设计 → 电路设计、仿真验证 软件架构 → 分层设计、模块化 编码实现 → C/C++、RTOS、驱动 调试测试 → 单元测试、系统集成 生产部署 → 批量生产、OTA 升级 常用工具 IDE:Keil、IAR、STM32CubeIDE、VS Code 调试器:J-Link、ST-Link、DAP-Link 示波器:Siglent、Rigol、Keysight 逻辑分析仪:Saleae、Kingst 学习路线 C 语言基础 → 指针、结构体、内存管理 单片机原理 → GPIO、中断、定时器 外设驱动 → UART、SPI、I2C、ADC RTOS → 任务、信号量、消息队列 项目实战 → 综合应用 参考资料 Jetson AGX Thor: NVIDIA $3,499 AI Supercomputer for Humanoid Robots & Edge AI NVIDIA Jetson Thor Module: A Next-Gen AI Powerhouse for Robotics [2025] Advantech Unveils Edge AI Solutions Accelerated by NVIDIA Jetson Thor for Robotics, Medical AI, and Data Intelligence | RoboticsTomorrow 本文基于网络公开资料整理,结合嵌入式开发实践经验编写。
嵌入式开发:Arm Ethos-U85 Corstone-320 Microcontroller Edge Ai 2025
引言 本文基于 2026 年最新行业资料整理,涵盖 Arm Ethos-U85 Corstone-320 microcontroller edge AI 2025 的核心概念、开发流程和实战技巧。 Arm Ethos-U85 Corstone-320 microcontroller edge AI 2025 概述 嵌入式系统开发需要掌握硬件、软件和系统集成的综合技能。 开发流程 需求分析 → 确定功能、性能指标 硬件选型 → MCU、传感器、通信模块 原理图设计 → 电路设计、仿真验证 软件架构 → 分层设计、模块化 编码实现 → C/C++、RTOS、驱动 调试测试 → 单元测试、系统集成 生产部署 → 批量生产、OTA 升级 常用工具 IDE:Keil、IAR、STM32CubeIDE、VS Code 调试器:J-Link、ST-Link、DAP-Link 示波器:Siglent、Rigol、Keysight 逻辑分析仪:Saleae、Kingst 学习路线 C 语言基础 → 指针、结构体、内存管理 单片机原理 → GPIO、中断、定时器 外设驱动 → UART、SPI、I2C、ADC RTOS → 任务、信号量、消息队列 项目实战 → 综合应用 参考资料 Arm Targets the AIoT with High-Performance Ethos-U85 NPU and Corstone-320 Platform - Hackster....
嵌入式开发:Litert Tensorflow Lite Successor On-Device Ai 2025
引言 本文基于 2026 年最新行业资料整理,涵盖 LiteRT TensorFlow Lite successor on-device AI 2025 的核心概念、开发流程和实战技巧。 LiteRT TensorFlow Lite successor on-device AI 2025 概述 嵌入式系统开发需要掌握硬件、软件和系统集成的综合技能。 开发流程 需求分析 → 确定功能、性能指标 硬件选型 → MCU、传感器、通信模块 原理图设计 → 电路设计、仿真验证 软件架构 → 分层设计、模块化 编码实现 → C/C++、RTOS、驱动 调试测试 → 单元测试、系统集成 生产部署 → 批量生产、OTA 升级 常用工具 IDE:Keil、IAR、STM32CubeIDE、VS Code 调试器:J-Link、ST-Link、DAP-Link 示波器:Siglent、Rigol、Keysight 逻辑分析仪:Saleae、Kingst 学习路线 C 语言基础 → 指针、结构体、内存管理 单片机原理 → GPIO、中断、定时器 外设驱动 → UART、SPI、I2C、ADC RTOS → 任务、信号量、消息队列 项目实战 → 综合应用 参考资料 TensorFlow 2.21 & LiteRT: Next-Gen On-Device AI Framework 🚀 | by Aniket Sanyal | Data And Beyond | Medium LiteRT download | SourceForge....
嵌入式开发:Qualcomm Ai Hub On-Device Model Deployment Edge Ai 2025
引言 本文基于 2026 年最新行业资料整理,涵盖 Qualcomm AI Hub on-device model deployment edge AI 2025 的核心概念、开发流程和实战技巧。 Qualcomm AI Hub on-device model deployment edge AI 2025 概述 嵌入式系统开发需要掌握硬件、软件和系统集成的综合技能。 开发流程 需求分析 → 确定功能、性能指标 硬件选型 → MCU、传感器、通信模块 原理图设计 → 电路设计、仿真验证 软件架构 → 分层设计、模块化 编码实现 → C/C++、RTOS、驱动 调试测试 → 单元测试、系统集成 生产部署 → 批量生产、OTA 升级 常用工具 IDE:Keil、IAR、STM32CubeIDE、VS Code 调试器:J-Link、ST-Link、DAP-Link 示波器:Siglent、Rigol、Keysight 逻辑分析仪:Saleae、Kingst 学习路线 C 语言基础 → 指针、结构体、内存管理 单片机原理 → GPIO、中断、定时器 外设驱动 → UART、SPI、I2C、ADC RTOS → 任务、信号量、消息队列 项目实战 → 综合应用 参考资料 Deploy AI Models on Snapdragon X Elite with Qualcomm AI Hub Qualcomm AI Hub explained: Workbench, Models and Apps Edge AI Deep Dive Day™ - 2026 Embedded Vision Summit 本文基于网络公开资料整理,结合嵌入式开发实践经验编写。
嵌入式开发:Edge Ai Secure Ota Model Prompt Tool Update Embedded 2026
引言 本文基于 2026 年最新行业资料整理,涵盖 edge AI secure OTA model prompt tool update embedded 2026 的核心概念、开发流程和实战技巧。 edge AI secure OTA model prompt tool update embedded 2026 概述 嵌入式系统开发需要掌握硬件、软件和系统集成的综合技能。 开发流程 需求分析 → 确定功能、性能指标 硬件选型 → MCU、传感器、通信模块 原理图设计 → 电路设计、仿真验证 软件架构 → 分层设计、模块化 编码实现 → C/C++、RTOS、驱动 调试测试 → 单元测试、系统集成 生产部署 → 批量生产、OTA 升级 常用工具 IDE:Keil、IAR、STM32CubeIDE、VS Code 调试器:J-Link、ST-Link、DAP-Link 示波器:Siglent、Rigol、Keysight 逻辑分析仪:Saleae、Kingst 学习路线 C 语言基础 → 指针、结构体、内存管理 单片机原理 → GPIO、中断、定时器 外设驱动 → UART、SPI、I2C、ADC RTOS → 任务、信号量、消息队列 项目实战 → 综合应用 参考资料 How to Securely Update Software OTA on Embedded Edge Devices and Edge AI Systems Future of Release Management (Firmware/Software Delivery) in the … Secure ML Model Deployment | Secure AI Update Solution 本文基于网络公开资料整理,结合嵌入式开发实践经验编写。