สวัสดีครับ วันนี้ผมจะรีวิว LattePanda IOTA ซึ่งเป็นคอมพิวเตอร์บอร์ดเดี่ยว (Single-Board Computer: SBC) ที่ทาง DFRobot ส่งมาให้รีวิว โดยบอร์ดนี้เป็น SBC ขนาดกะทัดรัดเท่าฝ่ามือ หน่วยประมวลผลหลักคือ Intel Processor N150 แบบ quad-core (ใช้สถาปัตยกรรม Twin Lake) บอร์ดนี้มาพร้อมหน่วยความจำหลักชนิด LPDDR5 ขนาด 8 GB และมีหน่วยความจำสำรอง eMMC ขนาด 64 GB ติดตั้งบนบอร์ด นอกจากนี้บนบอร์ดยังมีไมโครคอนโทรเลอร์ Raspberry Pi RP2040 สำหรับจัดการงาน I/O เพื่อเพิ่มความยืดหยุ่นในการใช้งานด้าน embedded และงานอัตโนมัติครับ
เปิดกล่อง LattePanda IOTA
ทาง DFRobot ส่งพัสดุชุดนี้มาจากประเทศจีนและมาถึงผมอย่างปลอดภัยด้วยกล่องกระดาษลูกฟูกมาตรฐาน ภายในมีกล่องใส่อุปกรณ์แยกกันชุดละกล่อง มีโฟมกันกระแทกที่ค่อนข้างจะหลวมแต่ก็ยังป้องกันการกระแทกได้ โดยอุปกรณ์ทั้งหมดอยู่ในสภาพดี ในการรีวิวนี้ผมได้รับอุปกรณ์ทั้งหมด 7 รายการจาก DFRobot ตามรายการต่อไปนี้ครับ
- LattePanda IOTA (RAM 8GB, eMMC flash 64GB)
- Smart UPS Expansion Board: มอดูลจ่ายพลังงานแบบ plug-and-play สำหรับ LattePanda IOTA รองรับการใช้งานได้นานสูงสุดประมาณแปดชั่วโมงโดยใช้งานร่วมกับแบตเตอรี่ 18650 จำนวนสามก้อน
- 51W PoE Expansion Board: มอดูลพลังงานและเครือข่ายประสิทธิภาพสูง ออกแบบมาเฉพาะสำหรับ LattePanda IOTA เพื่อให้สามารถจ่ายพลังงานได้สูงสุดถึง 51W และเชื่อมต่อ Gigabit Ethernet ผ่านสาย LAN เพียงเส้นเดียว
- LattePanda IOTA M.2 4G LTE Expansion Board: อะแดปเตอร์ที่ออกแบบมาเพื่อเพิ่มความสามารถในการเชื่อมต่อเครือข่ายมือถือ 4G LTE ให้กับ LattePanda IOTA ได้อย่างไร้รอยต่อ รองรับการติดตั้งแบบ plug-and-play ร่วมกับโมดูล M.2 B-key (ไม่ได้แถมมาให้)
- LattePanda IOTA M.2 M-Key Expansion Board: อะแดปเตอร์ที่ช่วยให้สามารถเชื่อมต่อ SSD แบบ M.2 NVMe หรือการ์ดเร่งความเร็ว AI (ขนาด 2230 และ 2280)
- M.2 (A+E Key) AX210 WiFi 6E Network Card for LattePanda IOTA / Sigma / Alpha / Delta: การ์ดเครือข่ายที่รองรับการทำงานแบบสามย่านความถี่ (2.4 GHz, 5 GHz และ 6 GHz) เพื่อขยายความสามารถ Wi-Fi ให้ครอบคลุมย่าน 6 GHz
- LattePanda IOTA Active Cooler: ชุดระบายความร้อนที่ออกแบบมาเฉพาะสำหรับ LattePanda IOTA พร้อมพัดลมที่ปรับความเร็วได้
ส่วนภาพด้านล่างเป็นรูปถ่ายของอุปกรณ์ที่ได้รับ
- LattePanda IOTA M.2 4G LTE Expansion Board
- M.2 (A+E Key) AX210 WiFi 6E Network Card for LattePanda IOTA / Sigma / Alpha / Delta
- LattePanda IOTA M.2 M-Key Expansion Board
- LattePanda IOTA
- LattePanda IOTA Active Cooler (ติดตั้งไว้ด้านล่าง)
- Smart UPS Expansion Board
- 51W PoE Expansion Board
เตรียมตัวใช้งาน
อ้างอิงตามเอกสารอย่างเป็นทางการของผู้ผลิต บอร์ดนี้รองรับระบบปฏิบัติการหลายประเภท ประกอบด้วย Ubuntu 22.04 LTS (HWE Kernel), Ubuntu 24.04 LTS, Windows 10 และ Windows 11 โดยขั้นตอนการติดตั้งของ Windows 10 และ Windows 11 นั้นเหมือนกันทุกประการ และผู้พัฒนา LattePanda IOTA ได้จัดเตรียมไฟล์อิมเมจของ Windows ที่มีการติดตั้งไดรเวอร์ที่จำเป็นทั้งหมดมาให้แล้ว ซึ่งสามารถดาวน์โหลดได้ผ่านลิงก์ Dropbox และ Google Drive สำหรับกรณีของ Ubuntu นั้น ผู้ผลิตแนะนำให้ใช้เวอร์ชัน 64 บิต ซึ่งสามารถดาวน์โหลดได้โดยตรงจากเว็บไซต์ทางการของ Ubuntu ครับ
ในกรณีของผม ผมไม่มั่นใจว่าบอร์ดที่ได้รับนี้มีระบบปฏิบัติการเวอร์ชันใดติดตั้งมาให้จากโรงงาน เนื่องจากพัสดุที่ได้รับไม่มีการระบุข้อมูลเกี่ยวกับระบบปฏิบัติการไว้บนฉลาก ผมจึงสันนิษฐานว่าบอร์ดน่าจะมาพร้อม Windows แบบ unactivated หลังจากตรวจสอบบอร์ดเบื้องต้นผมก็เริ่มประกอบบอร์ดตามคู่มือ Getting Started ซึ่งทำตามได้ง่ายมาก ขั้นแรกผมติดตั้งมอดูลพัดลมระบายความร้อน, แบตเตอรี่ RTC ชนิด CR2032, และโมดูล Wi-Fi แบบ M.2 ตามลำดับ
รูปด้านล่างแสดงการเชื่อมต่อและพอร์ตต่าง ๆ ของบอร์ด LattePanda IOTA
จากนั้นผมใส่แบตเตอรี่ 18650 ขนาด 3.7V จำนวนสามก้อนลงใน LattePanda UPS Expansion Board และเชื่อมต่ออะแดปเตอร์ AC ขนาด 12V 60W ผ่านขั้วต่อขนาด 5.5 × 2.5mm หลังจากนั้นผมต่อเมาส์และคีย์บอร์ดไร้สายผ่าน USB dongle และต่อจอภาพ BenQ EL2870U ของผมผ่านพอร์ต HDMI แล้วกดปุ่มบูตบนบอร์ด ใช้เวลาไม่กี่นาทีหน้าต่างต้อนรับและ desktop ของ Windows 11 ก็ปรากฏขึ้น อุปกรณ์ต่อพ่วงทั้งหมดทำงานได้ทันที และหลังจากที่ผมกรอกรหัสผ่าน Wi-Fi การเชื่อมต่ออินเทอร์เน็ตก็สำเร็จเรียบร้อย
ตรวจสอบฮาร์ดแวร์ด้วย Windows Settings และ HWiNFO64
หลังจากนั้น ผมตรวจสอบสเปกของอุปกรณ์โดยใช้เมนู Activation ใน Windows Settings และโปรแกรม HWiNFO64 โดยเบื้องต้นระบบรายงานว่า LattePanda IOTA กำลังรัน Windows 11 Pro เวอร์ชันที่ยังไม่ได้เปิดใช้งาน รุ่น 24H2 (26100.4351) ซึ่งถือว่าเป็นเรื่องปกติเนื่องจากทางผู้ผลิตมีตัวเลือกให้สั่งซื้อบอร์ดแบบที่มาพร้อม Windows เวอร์ชันเปิดใช้งานแล้ว หรือแบบยังไม่เปิดใช้งาน ขึ้นอยู่กับที่ลูกค้าเลือกตอนสั่งซื้อครับ
HWiNFO64 8.32-5840 ยืนยันว่า LattePanda IOTA ใช้หน่วยประมวลผล Intel Processor N150 แบบ quad-core Alder Lake-N (Twin Lake) พร้อมหน่วยแสดงผลกราฟิกส์ Intel UHD Graphics (GT1) และมาพร้อมหน่วยความจำหลักขนาด 8GB ทำงานที่ความถี่ 2294.9 MHz
Task Manager รายงานว่าหน่วยความจำหลักของระบบเป็น LPDDR5 ขนาด 8 GB ทำงานที่ 4600 MT/s และมีการสงวนพื้นที่สำหรับฮารด์แวร์ (hardware reserved) ประมาณ 225 MB และสำหรับการตรวจสอบกับระบบปฏิบัติที่เพิ่งตั้งตั้งเสร็จใหม่นี้ผมพบว่าระบบใช้หน่วยความจำไปประมาณ 3.3 GB จากทั้งหมด 8 GB ในขณะว่างงาน (idle)
สำหรับอุปกรณ์จัดเก็บข้อมูลบนบอร์ดถูกระบุว่าเป็น eMMC ของ Samsung รุ่น CUTB42 ซึ่งถูกฟอร์แมตมาเป็นพาร์ทิชันเดียว มีความจุที่รายงานด้วย Task Manager อยู่ที่ 58.2 GB
Device Manager ยืนยันว่าฮาร์ดแวร์ทั้งหมดถูกตรวจพบและไม่มีไดร์เวอร์ใดหายไป
ส่วนของการเชื่อมต่อเครือข่ายนั้นประกอบด้วย Intel Wi-Fi 6E AX210, Realtek PCIe GbE และ Bluetooth ที่มาจากมอดูลของ Intel โดยเวอร์ชันของเฟิร์มแวร์ของอุปกรณ์ Bluetooth รายงานว่าเป็น LMP 12.14171 ซึ่งสอดคล้องกับ Bluetooth 5.3 ครับ
สองภาพด้านล่างนี้แสดงรายละเอียดเพิ่มเติมเกี่ยวกับมอดูล Intel AX210 WiFi 6E และ Bluetooth 5.3 ที่รายงานโดย HWiNFO64
บอร์ดเสริม UPS ก็ถูกตรวจพบอย่างถูกต้องและปรากฏใน Device Manager โดยไม่มีปัญหาเช่นกัน
ผมได้ทำการตรวจสอบขั้นสุดท้ายด้วย Intel Processor Diagnostic Tool 4.1.9 (IPDT) โดยโปรแกรมนี้ตรวจพบหน่วยประมวลผล Intel N150 ได้ถูกต้อง การทดสอบส่วนใหญ่ผ่านทั้งหมด รวมถึงการตรวจสอบ Genuine Intel, การทดสอบ Cache, Floating Point และ Math ซึ่งยืนยันว่า CPU ทำงานได้ตามปกติภายใต้ภาระงานทั่วไป อย่างไรก็ตามการทดสอบ Brand String ไม่ผ่าน ทำให้สถานะการทดสอบสุดท้ายแสดงว่า FAIL แม้ว่าการตรวจสอบอื่น ๆ จะผ่านทั้งหมด ปัญหานี้น่าจะเกี่ยวข้องกับการระบุตัวตนของไมโครโค้ดมากกว่าจะเป็นความผิดปกติของฮาร์ดแวร์จริง ๆ ครับ
ทดสอบประสิทธิภาพ LattePanda IOTA
Internal storage
ถัดมา ผมได้ทดสอบอุปกรณ์จัดเก็บข้อมูลภายในด้วยโปรแกรม CrystalDiskMark 9.0.1 โดยใช้ค่าเริ่มต้นของโปรแกรมทั้งหมด ผลการทดสอบแสดงให้เห็นว่า eMMC ขนาด 64 GB ที่ติดตั้งมาบนบอร์ดนั้นสามารถทำความเร็วของการอ่านและเขียนแบบลำดับ (sequential) ได้ประมาณ 312 MB/s และ 221 MB/s ตามลำดับ ส่วนประสิทธิภาพแบบจัดการไฟล์แบบสุ่มขนาด 4K อยู่ที่ประมาณ 49 MB/s และ 39 MB/s สำหรับการอ่านและเขียนตามลำดับ ผลลัพธ์การทดสอบนี้แสดงให้เห็นถึงประสิทธิภาพที่ดีและมีความเสถียรสำหรับอุปกรณ์จัดเก็บข้อมูลประเภท eMMC โดยทั่วไปครับ
Geekbench 6.5
เนื่องจากทางเว็บไซต์ของ LattePanda ระบุว่า SBC รุ่นนี้สามารถทำคะแนนได้ 1,193 คะแนน (แบบ single-core) และ 2,820 คะแนน (แบบ multi-core) จากการทดสอบด้วย Geekbench 6 ดังนั้นผมจึงตรวจสอบผลลัพธ์ดังกล่าวด้วยตัวเอง โดยผมได้ติดตั้ง Geekbench 6.5.0 สำหรับ Windows และทำการทดสอบทั้ง CPU และ GPU บน LattePanda IOTA ของผม
ในการทดสอบ CPU ผมพบว่าบอร์ดทำคะแนนแบบ single-core ได้ 1,163 คะแนน และแบบ multi-core ได้ 2,632 คะแนน ซึ่งทั้งสองค่านี้ต่ำกว่าผลลัพธ์ที่ทางผู้ผลิตประกาศไว้เล็กน้อย แต่อย่างไรก็ตามความแตกต่างนี้อาจเกิดจากเวอร์ชันของเฟิร์มแวร์ โปรแกรมหรือโพรเซสต่าง ๆ ที่รันอยู่เบื้องหลังของระบบ รวมถึงความแตกต่างของสภาพแวดล้อมในการทดสอบ เช่น อุณหภูมิห้อง ครับ
นอกจากนั้นผมยังได้รันการทดสอบ OpenCL GPU ด้วย ซึ่ง Integrated Intel Graphics ทำคะแนนได้ 4,085 คะแนน โดยระดับประสิทธิภาพนี้ถือว่าเป็นค่าปกติสำหรับ GPU ในกลุ่มนี้
แม้ว่าคะแนนทดสอบของผมจะต่ำกว่าค่าที่ผู้ผลิตรายงานไว้เล็กน้อย แต่ประสิทธิภาพโดยรวมยังดี ให้ความรู้สึกลื่นไหลและเสถียร สำหรับข้อมูลเพิ่มเติมจากผลลัพธ์ของ Geekbench ที่แสดงไว้ด้านล่างนี้เป็นคะแนนแบบ single-core ครอบคลุมการทดสอบหลายแบบ โดยมีผลลัพธ์ที่ดีกับการประมวลผลข้อความ (1460), การนำทาง (1429) และการเรนเดอร์เอกสาร PDF (1283)
สำหรับการทำงานแบบ multi-core นั้นให้ผลลัพธ์ที่ดี แสดงให้เห็นถึงประสิทธิภาพที่เพิ่มขึ้นอย่างชัดเจนในงานต่าง ๆ เช่น การบีบอัดไฟล์ (3525), การเรนเดอร์ PDF (3228) และการนำทาง (3540)
Cinebench R23 และ 2024
สำหรับการทดสอบถัดไป ผมได้ประเมินประสิทธิภาพของ CPU เพิ่มเติมในงานเรนเดอร์ภาพ 3 มิติ โดยใช้โปรแกรม Cinebench R23 ที่ผมติดตั้งผ่าน Microsoft Store ผลที่ได้คือคะแนนของการทดสอบแบบ multi-core อยู่ที่ 2,294 คะแนน และคะแนนของการทดสอบแบบ single-core อยู่ที่ 930 คะแนน อัตราส่วน multi-core ต่อ single-core (MP Ratio) ที่ 2.47× แสดงให้เห็นว่า CPU สามารถทำงานได้ดีขึ้นเมื่อใช้ทั้งสี่แกน
นอกจากนั้นผมยังได้ติดตั้ง Cinebench 2024.1.0 ด้วยตนเองเพื่อเปรียบเทียบผลลัพธ์เพิ่มเติม โดยในเวอร์ชันนี้ CPU ทำคะแนนการทดสอบแบบ single-core ได้ 57 คะแนน แต่การทดสอบแบบ multi-core นั้นล้มเหลวพร้อมข้อความผิดพลาดว่า: Failed to allocate necessary GPU recyclable memory ซึ่งปัญหานี้น่าจะเกิดจากข้อจำกัดของ Integrated GPU ดังที่แสดงในรูปด้านล่างครับ
ทดสอบการเรนเดอร์ WebGL 3D ด้วย Aquarium demo
ผมได้ทำการทดสอบประสิทธิภาพการเรนเดอร์ WebGL 3D โดยใช้ WebGL Aquarium demo ที่ความละเอียด 1024×1024 โดยระบบสามารถเรนเดอร์ได้อย่างลื่นไหลตั้งแต่จำนวนโมเดลปลา 1 ถึง 1,000 ตัว ที่ประมาณ 50 fps และค่อย ๆ ลดลงเหลือประมาณ 22 fps เมื่อเพิ่มจำนวนโมเดลปลาเป็น 10,000 ตัว โดยมีการใช้งาน GPU อยู่ในช่วง 50–80% และใช้หน่วยความจำประมาณ 1.1 GB จาก shared memory ทั้งหมด 3.9 GB
เมื่อเพิ่มจำนวนปลาเป็น 30,000 ตัว ระบบก็ยังคงแสดงผลได้แต่อัตราการแสดงผลลดลงมากจนเกือบถึง 0 fps แสดงให้เห็นถึงขีดจำกัดสูงสุดของระบบสำหรับการเรนเดอร์ WebGL แบบเวลาจริง (realtime)
โดยรวมแล้ว ผลลัพธ์ส่วนนี้แสดงให้เห็นว่า Intergrated GPU บนบอร์ดนั้นสามารถจัดการงานกราฟิกส์ 3D บนเว็บเบราว์เซอร์ระดับปานกลางได้อย่างค่อนข้างดี
ทดสอบประสิทธิภาพเว็บเบราว์เซอร์ด้วย Speedometer 3.1
สำหรับผลการทดสอบ Speedometer 3.1 บนเว็บเบราว์เซอร์ Firefox นั้น ได้คะแนน 9.46 ± 0.31 โดยมีค่า geometric mean test เท่ากับ 105.87 ms ซึ่งแม้ว่าประสิทธิภาพระดับนี้จะเพียงพอสำหรับการใช้งานเว็บทั่วไปและการใช้งานคอนเทนต์เบา ๆ แต่ผลลัพธ์นี้ก็บ่งชี้ว่าการใช้งานเว็บแอปพลิเคชันที่ใช้ JavaScript หนัก ๆ เช่น dashboard แบบไดนามิก หรือเฟรมเวิร์กแบบ single-page อย่าง React และ Angular นั้นอาจจะพบอาการหน่วงหรือตอบสนองช้าลงได้
ทดสอบการเล่นวิดีโอ YouTube
ผมได้ทดสอบการเล่นวิดีโอบน YouTube ที่หลายระดับความละเอียด ตั้งแต่ 144p ถึง 2160p ด้วยการแสดงข้อมูล “Stats for Nerds” ประกอบการทดสอบ โดยบอร์ด LattePanda IOTA ให้ประสิทธิภาพดีและแสดงผลราบรื่นที่วิดีโอความละเอียดต่ำ โดยการทดสอบวิดีโอขนาด 144p, 240p และ 360p มีอัตราดรอป (droprate) ที่ 0% และมีการใช้ CPU ต่ำกว่า 20% ในขณะที่การเล่นวิดีโอขนาด 480p นั้นก็ยังคงเสถียรดี มีค่าอัตราดรอปน้อยกว่า 1% และบิตเรตเฉลี่ยประมาณ 2–3 Mbps ต่อมาเมื่อเพิ่มขนาดของวิดีโอเป็น 720p (HD) ก็ยังคงสามารถเล่นวิดีโอได้อย่างลื่นไหล มีเฟรมดรอปบ้างเล็กน้อยประมาณ 1–2% ส่วนการเล่นวิดีโอที่ขนาด 1080p (Full HD) พบค่าอัตราดรอปเพิ่มขึ้นไปอยู่ในช่วง 5–8%
สำหรับทดสอบที่ 1440p (2K) เริ่มเห็นอาการกระตุกเพิ่มขึ้นชัดเจน โดยมีค่าอัตราดรอปในช่วง 20–30% ขณะที่การใช้ GPU เพิ่มขึ้นจนถึงประมาณ 80% และเมื่อทดสอบที่ความละเอียดสูงสุด 2160p (4K) การเล่นวิดีโอนั้นมีการหน่วงอย่างมาก ไม่สามารถเล่นวิดีโอต่อเนื่องได้นาน สามารถแสดงผลต่อเนื่องได้เพียง 3–4 วินาทีก่อนจะหยุดพัก 4–5 วินาที พฤติกรรมนี้สัมพันธ์กับค่าอัตราดรอปที่มากกว่า 60% และมีการใช้ GPU memory สูง ประมาณ 1.3 GB จาก shared memory ทั้งหมด 3.9 GB
 |
 |
 |
 |
 |
 |
 |
 |
โดยระหว่างการเล่นวิดีโอนั้น CPU มีการทำงานใกล้ระดับความถี่สูงสุดที่ 2.9–3.1 GHz ในทุกความละเอียด ซึ่งบ่งชี้ว่าการถอดรหัสวิดีโอส่วนใหญ่พึ่งพาการประมวลผลจาก CPU แทนการใช้ฮาร์ดแวร์เร่งความเร็วเพื่อการถอดรหัสวิดีโอ แม้หน่วยประมวลผลจะรักษาความถี่ไว้ได้เสถียร แต่การถูกใช้งานอย่างต่อเนื่องที่ 100% แสดงให้เห็นถึงข้อจำกัดด้านการแบ่งเบาภาระงานแสดงผลวิดีโอ โดยเฉพาะที่ความละเอียดสูงซึ่งต้องการการบัฟเฟอร์และเรนเดอร์มากขึ้น
การทำงานของ GPU ยังคงอยู่ในระดับปานกลางที่วิดีโอความละเอียดต่ำ โดยมีการใช้งานอยู่ในช่วง 30–45% และใช้หน่วยความจำร่วมประมาณ 1.0 GB ที่ความละเอียด 144p ถึง 480p สำหรับการแสดงผลที่ 720p นั้นมีการใช้งาน GPU เพิ่มขึ้นเป็น 50–60% และที่การเล่นวิดีโอขนาด 1080p พบว่ามีการใช้งานเพิ่มขึ้นเป็น 80–90% โดยมีการใช้หน่วยความจำเพิ่มขึ้นเป็นประมาณ 1.3 GB โดยมีจุดที่น่าสังเกตคือข้อมูลในส่วนของ Video Decode และ Video Processing ที่มีการทำงานเพียงเล็กน้อยตลอดการทดสอบ ซึ่งน่าจะสอดคล้องว่าการถอดรหัสวิดีโอส่วนใหญ่ถูกประมวลผลโดย CPU มากกว่า GPU
โดยรวมแล้วบอร์ดนี้สามารถเล่นวิดีโอได้อย่างมีประสิทธิภาพถึงระดับ 1080p แต่จะเริ่มมีอาการหน่วงและมีค่าเฟรมดรอปเพิ่มอย่างเห็นได้ชัดเมื่อเกิน 1440p ซึ่งอาจเกิดจาก thermal throttling คล้ายกันกับที่พบในบอร์ด Zimaboard 2 ที่ใช้ N150 เหมือนกัน ทั้งนี้หน่วยประมวลผล Intel Alder Lake-N/Twin Lake นั้นสามารถเล่นวิดีโอ YouTube ความละเอียด 4K ได้อย่างสบาย ดังที่แสดงในรีวิวของเราเกี่ยวกับ GEEKOM Mini Air12 Lite ที่ใช้ Intel N100 รวมถึงมินิพีซีรุ่นอื่น ๆ ดังนั้นจึงถือว่าแปลกที่อาการนี้ยังเกิดขึ้นแม้ติดตั้งชุดระบายความร้อนแบบ Active Cooler แล้วก็ตาม
การเขียนโปรแกรม Raspberry Pi RP2040 ด้วย MicroPython
ถัดมา ผมตรวจสอบไมโครคอนโทรลเลอร์ Raspberry Pi RP2040 ที่ติดตั้งมาให้บนบอร์ด โดยจะอ้างอิงตามตามคู่มือการเขียนโปรแกรมของผู้ผลิต ซึ่ง RP2040 นี้จะสื่อสารกับ CPU หลักผ่าน USB 2.0
บนบอร์ดหลักจะมีปุ่มสองปุ่มสำหรับควบคุม MCU ได้แก่ ปุ่มรีเซ็ต (RST) และปุ่มเลือกโหมดบูต (BOOTSEL) ทั้งสองปุ่มนี้สามารถใช้เพื่ออัปโหลดเฟิร์มแวร์ใหม่ได้ โดยใช้การกดปุ่ม RST ค้างไว้ จากนั้นกดและปล่อยปุ่ม BOOTSEL และปล่อยปุ่ม RST ซึ่งการกดตามลำดับนี้จะทำให้ระบบปฏิบัติการของบอร์ดหลักตรวจพบ MCU เป็นอุปกรณ์ USB Mass Storage Device ที่จะใช้ชื่อเริ่มต้นว่า RPI-RP2 หลังจากนั้นก็สามารถนำไฟล์เฟิร์มแวร์ (.uf2) อัปโหลดไปยัง MCU ได้ด้วยการลากและวางลงในไดรฟ์ใหม่นี้ และ MCU จะรีบูตโดยอัตโนมัติ โดยสามารถดาวน์โหลดเฟิร์มแวร์ MicroPython เวอร์ชันล่าสุดได้จากเว็บไซต์ MicroPython อย่างเป็นทางการ และเนื่องจากเฟิร์มแวร์นี้เป็นเฟิร์มแวร์ของ Raspberry Pi Pico ดังนั้นการเขียนโปรแกรม MicroPython จึงทำงานได้เหมือนกัน เพียงแต่ฮาร์ดแวร์ถูกบูรณาการเข้าเป็นส่วนหนึ่งของบอร์ดหลักเท่านั้น
สำหรับรีวิวนี้ ผมไม่ได้อัปเดตเฟิร์มแวร์ แต่จะใช้เฟิร์มแวร์ MicroPython ของ Raspberry Pi Pico ที่ถูกแฟลชมาให้จากโรงงาน โดยผมได้ติดตั้งโปรแกรม Thonny IDE สำหรับการเขียนโปรแกรม และตั้งค่าตัวแปลภาษา (Interpreter) เป็น MicroPython (Raspberry Pi Pico) ตามที่ผู้ผลิตแนะนำ ตามด้วยการเลือกพอร์ตสื่อสารให้ถูกต้อง
เสร็จแล้วผมใช้โค้ดตัวอย่างการกระพริบ LED จากหน้าเอกสาร MicroPython ของ LattePanda IOTA เพื่อทดสอบการควบคุมการทำงานของ LED บนบอร์ด โดยถ้าสคริปต์ถูกตั้งชื่อเป็น main.py แล้วก็จะทำให้ MCU รันโค๊ดแบบอัตโนมัติเมื่อเปิดหรือรีเซ็ต MCU ซึ่งการทดลองนี้ผมพบว่าสคริปต์ตัวอย่างทำงานได้สำเร็จ ไม่เกิดปัญหาใด ๆ
ถัดมา ผมสร้างสคริปต์ Python อย่างง่ายเพื่อดึงข้อมูลระบบของ RP2040 มาแสดงผล ซึ่งก็ทำงานได้ตามที่คาดหมาย
โค้ดตัวอย่างการกระพริบ LED ที่กล่าวมาด้านบนนี้ทดสอบการควบคุม LED ที่เชื่อมต่อกับขา GPIO 25 ของ RP2040 ดังนั้นเพื่อทดสอบ GPIO อื่น ๆ ผมจึงได้เลือกขา GPIO 26 ซึ่งเชื่อมต่อกับฟังก์ชัน ADC ของ MCU มาทดสอบการทำงาน โดยผมเชื่อมต่อขา GPIO 26 กับบอร์ดขยายสัญญาณชีวภาพ (Bio-signal amplifier) ที่ผมออกแบบเอง และใช้สคริปต์ Python แบบง่ายเพื่อสุ่มตัวอย่างสัญญาณที่ความถี่ประมาณ 50 Hz
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 |
from machine import Pin from machine import ADC import utime fs = 50 # Hz t_interval_ms = 1000.0/fs # milliseconds PIN_ADC = 26 # ADC0 on RP PIN_LED = 25 # LattePanda IOTA onboard blue LED led = Pin(PIN_LED, Pin.OUT) adc = ADC(PIN_ADC) led_state = False t_now = utime.ticks_ms() t_prev = t_now t_delta = t_now - t_prev # Simple loop while True: # check elapsed time t_now = utime.ticks_ms() t_delta = t_now - t_prev if(t_delta >= t_interval_ms): # Simply read one ADC value val = (adc.read_u16() * (3.3/65535.0)) # Update tick counter and LED status t_prev = t_now led_state = not led_state if(led_state == True): led.on() else: led.off() print(f"{t_delta}, {val}") |
ค่าตัวแรกที่แสดงใน Shell ในภาพด้านล่างนี้คือเวลาที่ผ่านไประหว่างการอ่านค่าจาก ADC แต่ละครั้ง ซึ่งระบบแสดงค่าอยู่ที่ 20 มิลลิวินาทีตลอดเวลา สอดคล้องกับอัตราการสุ่มตัวอย่าง 50 Hz ได้อย่างถูกต้อง
ต่อมาผมติดอิเล็กโทรดไว้ที่หน้าอกซ้ายและขวา และแสดงผลข้อมูลที่สุ่มตัวอย่างได้โดยใช้เครื่องมือ Serial Plotter ของโปรแกรม Arduino IDE ซึ่งระบบก็ทุกอย่างทำงานได้ตามที่คาดหวัง ค่าที่อ่านจาก ADC แสดงรูปคลื่น ECG ได้ถูกต้อง
ระบบระบายความร้อนแบบแอคทีฟของ LattePanda IOTA
การทดสอบทั้งหมดที่กล่าวมาด้านบนนั้นดำเนินการโดยติดตั้งชุดระบายความร้อนแบบแอคทีฟไว้แล้ว มาดูรายละเอียดเพิ่มเติมกันครับ
โดยเบื้องต้นพัดลมระบายความร้อนชุดนี้จะมีเสียงให้ได้ยินระหว่างที่ทำงาน แต่เสียงที่ว่านี้ก็ไม่ได้ดังชัดเจนจนรบกวนการทำงานหรือสร้างความรำคาญครับ ดังนั้นเพื่อวิเคราะห์เรื่องนี้ ผมจึงใช้โปรแกรม Physics Toolbox Pro บนสมาร์ทโฟน Vivo Y27 5G ตรวจสอบ และนำผลลัพธ์มาแสดงไว้ด้านล่างครับ
ผมพบว่าความถี่หลักของเสียงรบกวนอยู่ในช่วง 3,600–4,100 Hz ขึ้นอยู่กับความเร็วของพัดลม ภาพด้านซ้ายและภาพตรงกลางเป็นค่าที่วัดได้ที่ตำแหน่งเหนือพัดลม 10 ซม. และ 25 ซม. ตามลำดับ ส่วนภาพขวาเป็นสเปกโทรแกรม (spectrogram) ที่แสดงจุดพีคบริเวณความถี่ประมาณ 3.6 kHz และการเปลี่ยนแปลงของความถี่เล็กน้อยที่เห็นในสเปกโทรแกรมนั้นสัมพันธ์กับรอบการหมุนของพัดลมเช่นเดียวกัน
ตรวจสอบ Smart UPS Expansion Board สำหรับ LattePanda IOTA
เอกสารอย่างเป็นทางการระบุว่า UPS expansion board จะสามารถให้ระยะเวลาการทำงานได้สูงสุดประมาณ 2 ชั่วโมงเมื่ออยู่ภายใต้ภาระการทำงานแบบโหลดเต็ม และได้ประมาณ 8 ชั่วโมงเมื่ออยู่ในสถานะว่างงาน ดังนั้นเพื่อยืนยันข้อมูลนี้ ผมจึงได้ทดสอบการใช้พลังงานโดยใช้แบตเตอรี่ 18650 จำนวนสามก้อนที่ชาร์จไว้ที่ระดับ 80% ตามค่าเริ่มต้นที่กำหนดไว้ด้วย DIP switch ของบอร์ดเสริมนี้ จากนั้นกำหนดระบบปฏิบัติการ Windows ให้เป็นโหมด High Performance และทำการทดสอบทั้งหมดสองครั้ง
ในการทดสอบแรก ผมปิดแอปพลิเคชันทั้งหมด และถอดอะแดปเตอร์ AC ออกเพื่อบันทึกการคายประจุของแบตเตอรี่ในโหมด standby เสร็จแล้วผมชาร์จแบตเตอรี่กลับไปที่ระดับ 80% ก่อนจะทำการเล่นวิดีโอ YouTube ที่ความละเอียด 4K แบบเต็มหน้าจอจนกว่าแบตเตอรี่จะลดลงถึง 30% ซึ่งผลลัพธ์ที่แสดงในรูปด้านล่างนี้ชี้ให้เห็นว่าการใช้พลังงานระหว่างการเล่น 4K สูงกว่าโหมด standby อย่างชัดเจน
นอกจากนี้ยังควรสังเกตว่า หลังจากการทดสอบแรกนั้นระบบแสดงระดับแบตเตอรี่ว่าชาร์จกลับมาที่ประมาณ 80% ได้ภายในประมาณ 20 นาที แต่อย่างไรก็ตามไฟ LED แสดงสถานะไม่ได้เปลี่ยนเป็นสีเขียวเพื่อบอกว่าแบตเตอรี่เต็มแม้จะผ่านไปอีก 20 นาที ซึ่งประเด็นนี้อาจจะบ่งชี้ว่าระดับการชาร์จจริงอาจยังไม่ถึงสภาวะเดียวกับที่เกิดในทดสอบแรก และอาจเป็นสาเหตุที่ทำให้ผลลัพธ์ของการทดสอบครั้งที่สองคลาดเคลื่อนไปเล็กน้อยครับ
ทดสอบ 51W PoE Expansion Board
การติดตั้ง 51 W PoE Expansion Board สำหรับ LattePanda IOTA นั้นก็ทำได้ง่ายเหมือนกับมอดูลอื่น ผมเชื่อมต่อสายจ่ายไฟแบบ 4 ขา และสาย FPC แบบ 16 ขาเข้ากับตัวเชื่อมต่อที่เกี่ยวข้อง โดยจะต้องตรวจสอบให้ด้านหน้าสัมผัสสีทองของสาย FPC หันลงด้านล่างครับ จากนั้นผมเชื่อมต่อบอร์ดขยายเข้ากับ Zyxel PoE12-30W PoE Injector ของผมด้วยสาย LAN เสร็จแล้วผมจึงเปิดแหล่งจ่ายไฟหลัก พบว่าไฟ LED สีแดงบนบอร์ดขยายนี้ติดขึ้น ซึ่งแสดงว่าการจ่ายไฟทำงานปกติ ถัดมาผมจึงได้เปิดบอร์ดหลัก และบอร์ดขยายก็ทำงานได้ตามปกติ สามารถจ่ายไฟและให้การเชื่อมต่อ Ethernet ได้สำเร็จและเสถียรดี
ทดสอบ M.2 4G M-Key Expansion Board
สำหรับ M.2 4G M-Key Expansion Board นี้ เราจำเป็นต้องมีมอดูล 4G LTE แบบ M.2 B-Key แต่อย่างไรก็ตาม ระหว่างช่วงรีวิวนี้ผมไม่สามารถหามอดูลดังกล่าวมาได้ จึงทดสอบได้เพียงการติดตั้งทางกายภาพของบอร์ดเท่านั้น
บอร์ดขยายนี้สามารถที่จะติดตั้งซ้อนบนมอดูล Wi-Fi ก็ได้หรือจะใช้งานแบบแยกเดี่ยวก็ได้ ในการรีวิวนี้ผมได้ติดตั้งแบบซ้อนลงบนมอดูล Wi-Fi โดยผมวางตัวเว้นระยะ M2 แบบหกเหลี่ยมที่ให้มาไว้ระหว่างบอร์ดทั้งสอง นอกจากนั้นบอร์ดเสริมนี้ยังมาพร้อมกับคอนเนกเตอร์ตัวผู้ 1×04 ซึ่งจะต้องนำไปเชื่อมต่อกับขา 5V, D-, D+, และ GND ของชุด GPIO ของ RP2040 ตามที่แสดงในรูปด้านล่าง
ทดสอบการเพิ่ม NVMe SSD ผ่าน M.2 M-Key Expansion Board
การทดสอบถัดไปคือ M.2 M-Key Expansion Board ซึ่งผมได้ทำตามขั้นตอนการติดตั้งจากเว็บไซต์ทางการของผลิตภัณฑ์ เสร็จแล้วติดตั้ง WD Blue SN5000 NVMe SSD ขนาด 500 GB ลงไป
และหลังจากใส่ SSD ลงในบอร์ดขยายและบูตเครื่องแล้ว ระบบปฏิบัติก็การตรวจพบ SSD ขนาด 500 GB WD Blue SN5000 ได้อย่างถูกต้อง จากนั้นผมฟอร์แมตไดรฟ์และกำหนดให้เป็นไดรฟ์ D: เพื่อทำการทดสอบต่อ
ผมได้ทดสอบประสิทธิภาพด้วยโปแกรม CrystalDiskMark 9.0.1 โดยใช้ขนาดไฟล์สำหรับการทดสอบสองแบบคือ 1 GB และ 512 MB ในการทดสอบขนาด 1 GB พบว่าไดรฟ์ทำความเร็วสำหรับการอ่านและเขียนแบบลำดับ (sequential) ได้ 894.7 MB/s และ 835.6 MB/s ตามลำดับ และในการทดสอบขนาด 512 MB นั้นพบว่าประสิทธิภาพการทำงานแบบลำดับยังคงใกล้เคียงกันคือ 887.4 MB/s (อ่าน) และ 839.5 MB/s (เขียน) ในกรณีของการเข้าถึงแบบสุ่ม 4K นั้นไดรฟ์ทำความเร็วได้สูงสุดถึง 509.8 MB/s (อ่าน) และ 462.3 MB/s (เขียน) ในการทดสอบขนาด 1 GB และให้ผลลัพธ์ใกล้เคียงกันในรอบ 512 MB ครับ โดยความสม่ำเสมอของผลลัพธ์ในทั้งสองขนาดการทดสอบบ่งชี้ว่าบอร์ดขยาย M.2 สามารถสื่อสารกับระบบได้อย่างเสถียร และความเร็วที่รายงานก็สอดคล้องกับประสิทธิภาพของอินเทอร์เฟซ PCIe Gen3 x1
ตรวจสอบอุณหภูมิและการกระจายความร้อน
การทดสอบสุดท้ายของผมคือการวัดอุณหภูมิและการกระจายความร้อนของเมนบอร์ด LattePanda IOTA และ UPS Expansion Board โดยใช้กล้องตรวจจับความร้อน FLIR E4 โดยผมบูตระบบและปล่อยให้บอร์ดทำงานในสถานะว่างงานไปประมาณ 10 นาทีก่อนถ่ายภาพความร้อนภาพแรก จากนั้นผมเล่นวิดีโอ YouTube ความละเอียด 4K แบบเต็มหน้าจอประมาณ 15 นาที และถ่ายภาพที่สอง ภาพด้านล่างแสดงรูปแบบความร้อนในทั้งสองสภาวะครับ
ในสถานะว่างงานนั้นบริเวณที่ร้อนที่สุดของเมนบอร์ดมีอุณหภูมิอยู่ที่ประมาณ 42 °C ขณะที่อุณหภูมิโดยรวมของบอร์ดอยู่ระหว่าง 38 °C ถึง 40 °C สำหรับส่วนของบอร์ด UPS นั้นพบว่าอุณหภูมิต่ำกว่าเล็กน้อยโดยเฉลี่ยต่ำกว่าประมาณ 3–5 °C โดยจุดที่ร้อนที่สุดมีค่าอุณหภูมิใกล้เคียงกับบอร์ดหลัก
ระหว่างการเล่นวิดีโอ 4K นั้นอุณหภูมิของบอร์ดหลักเพิ่มขึ้นเป็นประมาณ 50 °C แสดงให้เห็นถึงการเพิ่มขึ้นในระดับปานกลางเมื่ออยู่ภายใต้ภาระงานโหลดเต็มที่ ซึ่งผมเชื่อว่าค่ายังคงอยู่ในขอบเขตที่ปลอดภัยสำหรับการใช้งานต่อเนื่อง
สรุป
โดยรวมแล้ว ผมพบว่า LattePanda IOTA ให้ประสิทธิภาพที่ดี ทำงานได้ตามความต้องการของผม กระบวนการติดตั้งฮาร์ดแวร์ทำได้ง่าย และระบบปฏิบัติการ Windows 11 Pro ที่ติดตั้งมาจากโรงงานก็พร้อมใช้งานทันทีเมื่อเปิดเครื่อง บอร์ดขยายทุกบอร์ดทำงานได้ตามคาด ซึ่งยกเว้น M.2 4G LTE Expansion Board ที่ผมสามารถทดสอบได้เพียงการติดตั้งทางกายภาพเนื่องจากข้อจำกัดด้านเวลา และตลอดการรีวิวไม่พบปัญหาใหญ่ใด ๆ
ผมพบเพียงปัญหาเล็กน้อยบางอย่างซึ่งอาจเป็นเฉพาะกับประสบการณ์ของผมครับ ยกตัวอย่างเช่น บอร์ดขยายบางบอร์ดนั้นออกแบบมาให้สามารถติดตั้งซ้อนกันได้โดยใช้เสาหกเหลี่ยม M3 ที่ให้มา แต่คู่มือผู้ใช้นั้นไม่ได้ระบุความยาวที่ถูกต้องของเสาเว้นระยะสำหรับบอร์ดแต่ละตัวอย่างชัดเจน ดังนั้นเมื่อผมเผลอรวมเสาพวกนี้เข้าด้วยกันจึงเกิดความสับสนเล็กน้อยว่าจะต้องใช้ตัวไหนจึงจะตรงกับที่ผู้ผลิตตั้งใจออกแบบไว้ อีกประเด็นหนึ่งคือคือสกรู M2/M3 ที่ให้มานั้นมีรูปทรงหัวแตกต่างเล็กน้อยจากหัวสกรูแบบแบนที่แสดงในคู่มือ
สำหรับผู้ที่สนใจ LattePanda IOTA มีวางจำหน่ายในร้านค้าอย่างเป็นทางการในราคา $166.80 (~5,400฿) สำหรับรุ่น 8 GB RAM, 64 GB eMMC flash, ฮีทซิงก์แบบไม่ใช้พัดลม, Intel AX210 Wi-Fi 6E และ Windows 11 Pro แบบยังไม่เปิดใช้งาน และผู้ใช้ยังสามารถปรับแต่งชุดอุปกรณ์ของตนเองได้โดยตรงผ่านร้านค้าอีกด้วย
I am an assistant professor in surveying engineering and geographic information systems at Rambhai Barni Rajabhat University. My primary research areas include digital image/audio processing, digital photogrammetry, AI, IoT, and UAV. I am open to other subjects as well.