SBC(Single Board Computer、単一基板コンピュータ)は、CPU・メモリ・ストレージインターフェース・各種I/Oを1枚の基板に集積した小型コンピュータで、自律移動ロボットやドローンにおいて自己位置推定・経路計画・センサー処理を担う「頭脳」にあたる。単なる小型PCではなく、近年は推論用のGPUやNPU(Neural Processing Unit)をどう積むかという設計思想の違いが製品ごとに大きく分かれており、汎用Linux SoCのRaspberry Pi、GPU統合型AIコンピュータのNVIDIA Jetson、専用ASICアクセラレータのGoogle Coralという3つの潮流が並立している。

Raspberry Pi 5の基板Raspberry Pi 5
展示会に置かれたNVIDIA Jetson Orin NXモジュールNVIDIA Jetson Orin NX(Computex 2025展示)

画像: Raspberry Pi 5 Board(SimonWaldherr, CC BY-SA 4.0)/ Nvidia Jetson Orin NX on a motherboard Computex 2025(4300streetcar, CC BY 4.0)、いずれもWikimedia Commons。本文で比較するJetson Orin Nano Superそのものではなく、同じOrin世代・同じAmpereアーキテクチャのOrin NXモジュール。なお、Google Coral(Dev Board/USB Accelerator)についてはWikimedia Commonsに個体を撮影した写真が見当たらなかったため、本記事では製品写真を掲載していない。

原理: TOPSという指標と「メモリの壁」

SBCの性能を語るとき、CPU単体のクロック周波数だけでは意味を成さなくなっている。ニューラルネットワーク推論に特化したGPU/NPUの性能は、量子化された整数演算(多くはINT8)の毎秒実行回数で表され、TOPS(Tera Operations Per Second、1秒あたり1兆回の演算)という単位で表記される。TOPSは、並列に動作する積和演算(MAC, Multiply-Accumulate)ユニットの数 N_{MAC} と動作周波数 f から次のように概算できる。

\text{TOPS} = N_{MAC} \times f \times 2 \times 10^{-12}

積和演算は「掛け算1回+足し算1回」で2オペレーションとして数えるため、係数2が入る。たとえばNVIDIA Jetson Orin Nano Superは1024基のCUDAコアと32基のTensorコアを1.7GHz前後で駆動し、電力を上限まで引き上げた「MAXN Super」モード(25W)で67 TOPSに達する。

このTOPS値のほとんどは、32ビット浮動小数点(FP32)ではなく8ビット整数(INT8)での演算を前提にしている。学習時に使うFP32の重みを、推論前にINT8へ量子化すると、モデルサイズとメモリ帯域の必要量が理論上4分の1になり、同じ演算器でより多くの並列演算をこなせるようになる。推論精度の低下という代償を払う代わりに、限られた電力・メモリ帯域の中で最大のスループットを引き出す設計であり、Jetson・Hailo・Coralのいずれも、カタログ上のTOPS値はこのINT8量子化を前提にした数値である。

ただし、カタログ上のピークTOPSがそのまま実効性能になるとは限らない。演算ユニットがどれだけ速くても、必要なデータ(重みや中間特徴量)をメモリから運んでくる速度が追いつかなければ演算器は遊んでしまう。これを表すのがルーフラインモデルで、実効性能 P は演算性能の上限 P_{peak} と、メモリ帯域 BW ×演算強度(1バイトあたりの演算回数)AI の小さい方で頭打ちになる。

P = \min(P_{peak},\ AI \times BW)

Raspberry Pi 5が搭載するLPDDR4X-4267は32ビットバス構成で理論帯域が約17.1GB/sにとどまるのに対し、Jetson Orin Nano SuperのLPDDR5は102GB/sと約6倍の帯域を持つ。CPU用途では体感差になりにくいが、大きな重み行列を毎フレーム読み出す必要があるニューラルネットワーク推論では、この帯域差が「TOPSのカタログ値をどれだけ引き出せるか」を左右する律速要因になる。

設計思想の3類型: 汎用SoC・GPU統合型・専用ASIC

SBCと呼ばれる製品群は、AI推論をどう扱うかという設計思想で大きく3つに分かれる。

汎用SoC型(Raspberry Pi)は、CPU・GPU・各種I/Oコントローラを集積するが、ニューラルネットワーク推論専用のNPUを標準搭載しない。フルのLinuxディストリビューションが動き、ROS 2を含む既存ソフトウェア資産をほぼそのまま利用できる汎用性が最大の強みで、推論性能が必要な場面は外付けアクセラレータ(後述のHailo等)で補う設計を前提にしている。

GPU統合型AIコンピュータ(NVIDIA Jetson)は、CUDAでプログラム可能なGPUとTensorコアを、高帯域メモリと同一パッケージに統合している。量子化済みの固定グラフしか流せない専用ASICと異なり、任意のCUDAカーネル・PyTorch/TensorRTモデルをそのまま実行できる汎用性を保ちながら、桁違いの並列演算性能を持つ。自動運転・ロボティクス向けに ISO 26262 ASIL-D機能安全認証を取得したAGX Orinのように、車載グレードの信頼性を求める製品ラインも用意されている。

専用ASICアクセラレータ(Google Coral / Hailo)は、量子化されたニューラルネットワーク推論だけに特化した固定機能ASICを、USBやM.2経由でホストSBCに追加する形態を取る。汎用性を犠牲にする代わりに、TOPSあたりの消費電力(TOPS/W)で他方式を大きく上回る効率を実現できる。

この3類型は互いに排他的ではなく、実際のロボット開発では組み合わせて使われることも多い。汎用SoC型のRaspberry Pi 5にASICアクセラレータ(AI HAT+)を追加する構成は、Linux/ROS 2という開発資産の広さと、推論だけをASICに肩代わりさせる省電力性の両方を同時に得ようとする折衷案であり、後述するベンチマーク論文でもこの組み合わせが単体のGPU統合型コンピュータに迫る効率を示している。

主要製品のスペック比較

製品 種別 演算コア AI性能 メモリ 消費電力 価格
Raspberry Pi 5(16GB) 汎用SoC(NPUなし) Cortex-A76 4コア・2.4GHz ―(外付け要) LPDDR4X 16GB(約17.1GB/s) 5V/5A(最大25W)給電 305ドル(2026年4月時点)
Raspberry Pi AI HAT+(Hailo-8) 専用ASIC(RPi5拡張HAT) Hailo-8 NPU 26 TOPS(INT8) ― 約2.5W 110ドル
Google Coral USB Accelerator 専用ASIC(USB接続) Edge TPU 4 TOPS(INT8) ― 2W 約75〜99ドル
NVIDIA Jetson Orin Nano Super GPU統合型AIコンピュータ Cortex-A78AE 6コア・1.7GHz+Ampere GPU 1024コア/Tensorコア32基 67 TOPS(INT8、MAXN Superモード時) LPDDR5 8GB(102GB/s) 7〜25W(可変) 249ドル
NVIDIA Jetson AGX Orin(64GB) GPU統合型AIコンピュータ(最上位) Cortex-A78AE 12コア+Ampere GPU 2048コア/Tensorコア64基 275 TOPS(INT8) LPDDR5 64GB・256bit 15〜60W(可変) ―

Raspberry Pi 5はnewbotプロジェクトがメイン制御用コンピュータとして採用している機種で、自己位置推定・安全監督・センサー取得といったエッジ側の処理を担う。newbotのLiDAR-Inertial Odometry(FAST-LIO)はCPU上で完結するアルゴリズムであり、大規模なニューラルネットワーク推論を常時走らせる構成ではないため、専用NPUを持たない汎用SoCでも要件を満たせる。逆に言えば、カメラ映像からのリアルタイム物体検出・セグメンテーションを主軸に据えるロボットであれば、Jetsonのような統合GPUかHailo/Coral級の外付けアクセラレータが前提になりやすい。Jetson Orin Nano Superは、2024年12月のソフトウェアアップデート「Super Mode」で電力上限を引き上げることにより、旧世代の40 TOPS・499ドルから67 TOPS・249ドルへと、性能を上げながら価格を半減させた珍しい経緯を持つ製品でもある。

歴史: BBC Microへの郷愁と、ゲーミングGPUメーカーの転身

Raspberry Pi: Cambridge大学の入学者減少がきっかけ — Raspberry Pi財団創設者のEben Uptonは、1988年に10歳で中古のBBC Micro(1980年代にBBC放送協会が教育向けに展開したホームコンピュータ)を手にし、BASIC言語でのプログラミングに触れた。後にCambridge大学でコンピュータサイエンス専攻のDirector of Studies(学習主任)を務めていた2006年ごろ、プログラミング経験を十分に積まずに入学してくる志願者が急増し、コンピュータサイエンス専攻への応募者数自体も減少していることに気づく。BBC Microのような「電源を入れればすぐプログラミングできるホームコンピュータ」が家庭から姿を消したことが一因と見たUptonは、Broadcomでの本業のかたわら2006年から2011年まで、夜間・週末を使って低価格SBCの開発を進めた。2009年にRaspberry Pi財団を正式に設立し、「35ドル以下のプログラム可能なコンピュータ」を目標に据える。2011年、財団の関係者は試作機をBBCに持ち込み「BBC Micro」の名を継ぐ形での展開を模索したが法的な事情で実現せず、代わりにBBCの記者が試作機のデモ動画を公開したところ大きな反響を呼び、正式発売前から強い需要があることが証明された。

Jetson: ゲーミングGPUメーカーがロボティクスに参入した2014年 — NVIDIAは2014年3月、GTC(GPU Technology Conference)の基調講演でJensen Huang CEO自らJetson TK1を発表した。モバイル向けTegra K1チップにKeplerアーキテクチャの192コアGPUを組み込み、326GFLOPSという当時の組み込み機器としては破格の演算性能を、CUDAプログラミングモデルごと持ち込んだ製品である。発表当初からロボットのナビゲーションやドローンの障害物回避といった用途が想定されており、それまでゲーミング・データセンター向けGPUが主戦場だったNVIDIAが、組み込みロボティクス市場へ本格参入する足がかりになった。

以降Jetsonシリーズは、Pascalアーキテクチャの256コアGPUでTK1比2倍の性能を実現した2017年のTX2、TX2比で20倍以上の性能・10倍以上の電力効率を謳った2018年〜2020年のVoltaアーキテクチャ搭載Xavier世代を経て、2022年のAmpereアーキテクチャ採用Orin世代へと、ほぼ隔世代でGPUアーキテクチャを刷新し続けてきた。ゲーミングGPU市場で先行投入したアーキテクチャを、数年遅れで組み込み向けに転用するという開発サイクルが一貫しており、データセンター・PC向けGPU事業の技術的蓄積がそのまま組み込みロボティクス製品の性能向上に直結する構造がJetsonの強みになっている。

実例: 1台のホームNVRが動かす複数のCoral Edge TPU

専用ASICアクセラレータが「複数個を並べて使う」形で運用される代表例が、オープンソースの録画・物体検出ソフトウェアFrigate NVRである。Frigateは監視カメラ映像をリアルタイムに解析し、人物・車両などを検出する処理をCoral Edge TPUに担わせる設計になっており、TPU1基あたり1つの独立したプロセスを割り当て、複数カメラからの検出リクエストを共有のキューを通じて各プロセスに分配するアーキテクチャを取っている。

Coral USB Accelerator(4 TOPS)は単体で1080p映像2〜4本のリアルタイム検出をこなす目安とされ、8 TOPSを持つCoral Dual Edge TPU(M.2)を2枚組み合わせた構成では、20台以上のカメラを同時に処理しながらチップ使用率は約12%程度にとどまるという実測も報告されている。一方で、複数のUSB Acceleratorを束ねる構成ではホスト側のUSBバス帯域そのものがボトルネックになりうることも分かっており、台数を増やせば線形に性能が伸びるわけではない。1台のNVRサーバーに複数の専用ASICを追加してカメラ台数をスケールさせるという、TOPSあたりのコストと消費電力の低さを活かした典型的な運用形態である。

AIデータセンターの需要が押し上げた、ホビイストSBCの値段

2026年、Raspberry Piは自らが直接コントロールできない要因によって値上げを繰り返すことになった。原因はAIデータセンター向けの需要急増によるメモリ市場のひっ迫で、Raspberry Pi財団CEOのEben Upton自身がブログで、Raspberry Pi 4/5が使うLPDDR4 DRAMの調達コストが1年間で7倍に跳ね上がったと明かしている。2025年12月の値上げに続き、2026年前半にも複数回の追加値上げが発表され、16GBモデルは2026年4月の値上げで100ドル上乗せされて305ドルに達した。これは発売時(2024年10月、16GBモデルは120ドル)の2.5倍を超える水準である。皮肉なことに、この価格高騰と歩調を合わせる形で、財団は2026年に1GBモデルを45ドルという低価格で新規投入してもいる――AI向け高性能メモリの需要が、ホビイスト向け組み込みコンピュータという全く畑違いの市場の価格構造まで動かした一件である。

Googleに見捨てられたCoral、コミュニティが延命させたEdge TPU

Coralが搭載するEdge TPUは、Googleがデータセンター向けに開発したTPU(Tensor Processing Unit)と同じ「シストリックアレイ」方式の演算アーキテクチャを踏襲した、いわば小型版である。データセンター向けTPU v1が256×256規模の巨大なシストリックアレイで学習・推論をこなすのに対し、Edge TPUははるかに小規模なアレイ構成へ縮小し、消費電力をワット単位まで切り詰めることで、電源制約の厳しい組み込み機器での動作を実現している。Google Coralは2019年、このEdge TPU(4 TOPS、2W)を搭載したDev BoardとUSB Acceleratorを投入し、MobileNet v2を毎秒約400フレームで実行できる省電力な推論性能を武器に、Raspberry Piなど既存SBCへの後付けアクセラレータとして支持を集めた。しかしGoogleは以降、目立った新製品を投入しないまま実質的にプロダクトラインへの投資を止めており、対応ライブラリの多くは2022年ごろから更新が止まっている。PCIe接続のCoralデバイスが必要とするGASKETドライバは、最新のLinuxカーネルでは正式サポートされていない状態が続く。それでもCoralが完全に使われなくなっていないのは、Googleがドライバ・ファームウェアをオープンソースとして公開したことが大きい。前述のFrigate NVRプロジェクトのように、コミュニティ側がサポートを引き継いで動態保存している例があり、公式サポートの終了と実運用での現役続投が併存するという、ハードウェアの製品サイクルとオープンソースの寿命の食い違いを示す事例になっている。

SBCへのアクセラレータ後付けは「ジェットソン超え」を実現するか — 2026年のベンチマーク論文から

エッジSBCでの大規模言語モデル(LLM)推論を対象にした2026年4月の論文「Cloud to Edge: Benchmarking LLM Inference on Hardware-Accelerated Single-Board Computers」(Renney, Trad, Mattarock, Evetts, Wood)は、Raspberry Pi 5単体(CPUのみ)、Raspberry Pi 5+AI HAT+(Hailo-10H NPU)、Jetson Orin Nano Super(CPU/GPUそれぞれ)、M5Stack LLM Module(AX630C NPU)という4系統の構成でLLM推論の消費電力とスループットを比較した。結果は、Raspberry Pi 5にHailo NPUを追加すると、CPU単体構成に対して消費電力あたりのトークン生成効率が9.57倍〜39.97倍に改善するというもので、1メガトークンあたりのエネルギー消費は27〜77メガジュールから0.88〜5.51メガジュールまで下がっている。絶対的なスループットではJetson Orin NanoのGPU構成が毎秒9〜10トークンで最速だったが、Raspberry Pi 5+Hailo構成はJetsonのCPU単体構成と同等のスループットを、およそ半分の消費電力・より小さい筐体で達成しており、「汎用SoC+専用ASIC」という組み合わせが、単体のGPU統合型コンピュータに対して省電力性で対抗しうることを裏付けるデータになっている。

性能を左右するパラメータ

参考リンク

#Raspberry Pi #Jetson Orin #Coral #SBC #組み込み #ロボティクス