Оптимізація AR-контенту для мобільних: LOD, шейдери, тестування

AR-застосунок працює на A17 Pro без нарікань, а на Snapdragon 720G гріється й падає до 20 FPS уже через дві хвилини. Це не баг пристрою — це наслідок того, що ARKit і ARCore мають різні можливості, а 3D-контент, створений без обмежень цільового заліза, ніколи не працюватиме однаково на всьому парку пристроїв. Ми щодня стикаємося з такими задачами й розробили підхід, який гарантує стабільну роботу AR навіть на пристроях з обмеженими ресурсами. Понад 7 років досвіду в AR-розробці та 30+ успішних проєктів дозволяють скоротити витрати на доробки до 40% за рахунок правильної класифікації пристроїв на старті.

Як ми визначаємо цільові пристрої?

Продуктивність AR безпосередньо залежить від класу пристрою. Ми ділимо всі смартфони на три tier і для кожного підбираємо оптимальні налаштування.

На iOS tier визначається через MTLCreateSystemDefaultDevice().supportsFamily(_:), на Android — через Build.VERSION.SDK_INT, ActivityManager.getMemoryClass() і Session.isDepthModeSupported(). Такий підхід гарантує, що кожен користувач отримає прийнятний досвід без перегріву та лагів. Device Tiers скорочує час тестування в 3 рази порівняно з ручним налаштуванням під кожен пристрій.

Як проходить оптимізація AR-контенту під ключ?

1. Аудит поточних 3D-моделей і шейдерів: перевірка полігонального бюджету, формату текстур, використання PBR.
2. Налаштування LOD та адаптивних текстур: автоматичне перемикання на спрощені моделі при віддаленні від камери, оптимізація текстур під ASTC.
3. Реалізація Device Tiers з динамічним перемиканням: кодова логіка для визначення класу пристрою та завантаження відповідного контенту.
4. Тестування на 5+ реальних пристроях різного класу: перевірка FPS, теплового троттлінгу, стабільності сесії.
5. Документація та навчання команди: опис архітектури, інструкції з додавання нових моделей.
6. Підтримка після впровадження: допомога в інтеграції та доробки під нові пристрої.

Обмеження платформ: ARCore vs ARKit

ARCore мінімально вимагає OpenGL ES 3.0 або Vulkan. Depth API (отримання карти глибини з сенсора) доступний лише на пристроях зі списку Wikipedia: ARCore — це приблизно 30% активних Android-пристроїв. Instant Placement, Scene Semantics — ще менший відсоток.

ARKit на iOS однорідніший, але й тут є поділ: LiDAR доступний з iPhone 12 Pro. Scene Reconstruction (меш реального світу) вимагає LiDAR. Без нього — лише площинна детекція.

Помилка, яку роблять часто: застосунок розробляється на Pro-пристрої з LiDAR, а потім з'ясовується, що 70% цільової аудиторії — користувачі без LiDAR, і весь досвід потрібно переробляти. Ми з самого початку орієнтуємося на мінімальні вимоги замовника і тестуємо на пристроях, які реально використовують ваші клієнти.

Оптимізація 3D-моделей для AR

Полігональний бюджет для AR на мобільних — жорсткіший, ніж для ігор, тому що AR-рендеринг додається поверх camera feed, який сам вимагає GPU-ресурсів.

Практичні орієнтири:

• Об'єкт на передньому плані, детальний: до 10 000 полігонів
• Об'єкт середнього плану, допоміжний: 1 000–3 000
• Дрібні декоративні елементи: 100–500

LOD (Level of Detail) в AR — обов'язковий. SceneKit і RealityKit на iOS підтримують LOD через LODComponent. В Unity з AR Foundation — стандартний LOD Group. Перемикання на спрощену модель при віддаленні об'єкта від камери знижує навантаження без видимих втрат. Порівняння: динамічний LOD зменшує навантаження на GPU в 2–3 рази порівняно з єдиним високополігональним асетом.

Текстури: ASTC для iOS та Android. Для AR-об'єктів нормальних розмірів 512×512 достатньо — користувач дивиться на реальний світ, деталі текстури не так помітні. 2048×2048 для AR-об'єкта розміром з чашку — надмірно.

Адаптивна якість за можливостями пристрою

Стратегія Device Tiers: визначаємо клас пристрою при запуску та налаштовуємо якість контенту.

// iOS: визначаємо tier за GPU family
let device = MTLCreateSystemDefaultDevice()
if device?.supportsFamily(.apple7) == true {
    // A15+: максимальна якість, LiDAR-функції
    loadHighQualityAssets()
} else if device?.supportsFamily(.apple6) == true {
    // A14: середня якість
    loadMediumQualityAssets()
} else {
    // A12-A13: базова, без важких ефектів
    loadBaseQualityAssets()
}

На Android: Build.VERSION.SDK_INT + ActivityManager.getMemoryClass() + перевірка підтримки ARCore Depth API через Session.isDepthModeSupported().

Шейдери та постефекти

Кастомні PBR-шейдери в AR важчі за стандартні, тому що AR-об'єкти повинні візуально вписуватися в сцену: ambient occlusion, тіні на реальні поверхні, рефлексії від оточення.

На low-end пристроях вимикаємо:

• Real-time тіні (замінюємо на fake shadow — спрайт під об'єктом)
• Bloom та інші постефекти
• Environment reflections (замінюємо на статичний cubemap)

В RealityKit ці параметри керуються через RenderOptions і Environment. В Unity AR Foundation — через Universal Render Pipeline з адаптивними Renderer Features.

Як оптимізувати шейдери для різних пристроїв?

Шейдери — основний споживач GPU. Використовуйте Shader Graph з варіантними гілками під різні GPU family. Наприклад, для low-end вимикайте мати, складні нормальні карти та прозорість.

Чому важливо тестувати на mid-range?

Mid-range пристрої становлять >50% ринку. Тестування лише на флагмані дає хибне відчуття стабільності. На mid-range перевіряємо тепловий троттлінг: 5 хвилин активного AR → вимірюємо FPS через fps метрику або CADisplayLink callback. Якщо через 3 хвилини FPS знижується — перегрів, потрібно знижувати якість динамічно при ProcessInfo.thermalState >= .serious.

Мінімальний набір для тестування:

• Флагман поточного року (iPhone 15, Pixel 8)
• Mid-range 2–3 річної давності (iPhone 12, Samsung Galaxy A54)
• Low-end без LiDAR/Depth API (iPhone SE 3rd gen, Xiaomi Redmi Note 11)

Зв'яжіться з нами для аудиту вашого AR-проєкту — ми запропонуємо оптимальний план робіт і терміни. Замовте аудит AR-проєкту вже сьогодні. Отримайте консультацію: опишіть завдання, і ми оцінимо обсяг оптимізації вже в перший день.

Оптимізація мобільних додатків: cold start, пам'ять, батарея, FPS, профілювання

Ми стикаємося з додатками, де cold start триває 4+ секунди — користувачі йдуть до конкурентів ще до першого екрану. Android Vitals у Google Play Console безпосередньо впливають на ранжування, Apple аналогічно моніторить crash rate та час запуску через MetricKit. Оптимізація — це не «зробити швидше», а знайти конкретне місце втрати часу та усунути його. Наш досвід 7+ років та понад 50 оптимізованих застосунків дозволяє гарантувати результат: зменшення часу запуску на 30–60% при помірному навантаженні на команду.

Чому cold start критичний для бізнесу?

Cold start — запуск додатку, коли процес не існує в пам'яті. На Android це час від натискання на іконку до Activity.onWindowFocusChanged(hasFocus = true). На iOS — від tap до viewDidAppear першого екрану. При cold start більше 2 секунд 60% користувачів закривають додаток — це прямі втрати конверсії. Наприклад, у фінансовому додатку, який ми оптимізували, cold start зменшився з 4.3 с до 1.2 с, що дало +15% до добової активності.

Як виміряти час холодного старту?

Інструмент для діагностики: Android Studio Profiler → App Startup. Показує граф ініціалізації з часом кожного компонента. Альтернатива — Tracing.beginSection("MyInitTag") в коді + systrace.

Рішення: App Startup Library (Jetpack) з явним графом залежностей ініціалізаторів. Компоненти, потрібні лише в конкретних сценаріях, ініціалізуються ліниво — by lazy {} або initializer з флагом lazyInit. Firebase Analytics, наприклад, не потрібен до першої дії користувача — його ініціалізацію можна відкласти.

ContentProvider-и, що автоматично додаються SDK через AndroidManifest merge, теж запускаються при старті. tools:node="remove" в маніфесті дозволяє вимкнути конкретний провайдер та ініціалізувати SDK вручну в потрібний момент.

Ще одна грабля: Room.databaseBuilder().build() на main thread. Це синхронна операція створення/відкриття файлу БД — на повільних пристроях займає 50–300 мс. Переносимо в coroutine з Dispatchers.IO, в ViewModel через viewModelScope.launch.

На iOS cold start ділиться на pre-main (до виклику main()) та post-main. Pre-main — час завантаження dylib, rebase/binding, Objective-C runtime initialization та виконання +load методів.

Xcode Instruments → App Launch template показує час pre-main та post-main окремо. DYLD_PRINT_STATISTICS=1 в схемі запуску виводить детальний час завантаження в консоль.

Що вбиває pre-main:

• Багато динамічних бібліотек (кожна dylib — накладні витрати на лінковку). CocoaPods додає окрему dylib на кожен pod. Рішення: Swift Package Manager зі статичною лінковкою (type: .static) або use_frameworks! :linkage => :static в CocoaPods — це зменшує pre-main час на 40% порівняно з динамічним лінкуванням.
• +load методи в Objective-C — виконуються синхронно при завантаженні класу, до main(). Сторонні SDK можуть зловживати цим. +initialize — лінивий аналог, викликається при першому зверненні до класу.

Post-main — application(_:didFinishLaunchingWithOptions:). Та ж історія що на Android: синхронна ініціалізація всього. lazy var для сервісів, які не потрібні негайно. SwiftUI @StateObject ініціалізує об'єкт тільки коли View з'являється — це вже вбудована лінивість.

Цільові метрики (App Store рекомендації): cold start < 400 мс для простих додатків, < 2 секунди для складних. Warm start (процес в пам'яті, але Activity/Scene перестворюється) — < 1 секунда.

Пам'ять: витоки, OOM, excessive pressure

Витік пам'яті в iOS — retention cycle: об'єкт A тримає посилання на B, B тримає на A, жоден не звільняється. Класика: Timer з self в замиканні без [weak self]. Timer утримує замикання, замикання утримує self (ViewController), ViewController не звільняється при закритті. Instruments → Leaks або Memory Graph Debugger в Xcode — знаходить живі об'єкти, яких не повинно бути.

Що робити при витоках пам'яті?

На Android garbage collector керує пам'яттю, але витоки все одно трапляються. Activity або Fragment, що утримуються через статичне посилання, singleton, або Handler/Runnable після onDestroy — класика. LeakCanary — обов'язковий інструмент в debug-збірці. Додається однією залежністю debugImplementation "com.squareup.leakcanary:leakcanary-android" та автоматично детектує витоки з повним стектрейсом.

OutOfMemoryError найчастіше виникає через завантаження зображень. Bitmap в пам'яті займає ширина × висота × 4 байти. Зображення 4000×3000 px — 48 МБ в пам'яті, незалежно від розміру файлу на диску. Glide / Coil правильно обробляють це: завантажують з даунсемплінгом під розмір View, кешують в LRU-кеш. Завантажувати в ImageView через BitmapFactory.decodeFile — шлях до OOM на пристроях з 2 ГБ RAM. Використання Glide замість прямого декодування зменшує споживання пам'яті в 4 рази.

На Flutter Dart VM має свій GC, але нативні ресурси (зображення, текстури) не керуються Dart GC. Image.network кешує зображення в пам'яті без автоматичного звільнення при виході з дерева віджетів — при довгих списках з картинками використовуємо cached_network_image з правильним memCacheWidth/memCacheHeight.

FPS та UI Performance

60 FPS — 16.67 мс на кадр. 120 FPS (ProMotion) — 8.33 мс. Все що займає більше на main thread — джанк.

Типові причини просадок FPS:

На iOS: синхронне декодування зображень в cellForRowAt. Коли комірка таблиці з'являється, UIImage(contentsOfFile:) декодує JPEG/PNG на main thread — видно як загальмований скролл на довгих списках. Рішення: UIImage.preparingForDisplay() (iOS 15+) або ImageIO з kCGImageSourceCreateThumbnailWithTransform в background queue, результат через DispatchQueue.main.async.

На Android: RecyclerView.Adapter.onBindViewHolder з синхронними операціями. Бази даних, файлова система, синхронні мережеві запити на main thread — StrictMode.ThreadPolicy з detectAll().penaltyLog() в debug-збірці покаже всі порушення.

На Flutter: build() метод викликається часто, він має бути дешевим. setState() на верхньому віджеті перезбирає все дерево. const конструктори, RepaintBoundary, розбиття на дрібні віджети з локальним стейтом — основні інструменти. Flutter DevTools → Performance показує janky frames (червоні) з причинами.

Профілювання Compose: Recomposition Highlighter та трасування через Trace.beginSection в @Composable. remember для дорогих обчислень, derivedStateOf для computed values, LazyColumn замість Column + forEach для довгих списків.

Батарея: Wake locks, WorkManager, мережеві запити

Додаток у топі по витраті батареї — користувач бачить це в налаштуваннях і видаляє. Android Battery Historian (з ADB bug report) показує детальний timeline: wake locks, wakeups, network activity, sensor usage.

Основні споживачі енергії:

• Постійний GPS (розбираємо в maps-geo)
• Polling мережі кожні N секунд за代push
• Утримання wake lock довше необхідного
• Excessive AlarmManager wakeups

WorkManager з Constraints — правильний спосіб планувати фонові задачі: setRequiredNetworkType, setRequiresBatteryNotLow, setRequiresCharging. ОС батчить задачі та виконує в зручний час.

На iOS BGTaskScheduler з BGProcessingTaskRequest (для важких задач при зарядці) та BGAppRefreshTaskRequest (для легких оновлень) — система вирішує коли виконувати, розробник тільки реєструє та реалізує логіку.

Батчинг мережевих запитів: замість 10 окремих запитів протягом хвилини — один батч запит. Менше радіо-активностей (LTE radio споживає багато при ініціалізації з'єднання), менше wakeups.

Інструменти профілювання

MetricKit на iOS — особливо цінний: реальні дані з пристроїв користувачів, а не симулятора. MXMetricManager отримує агреговані метрики раз на добу: MXAppLaunchMetric, MXHangDiagnostic, MXCPUExceptionDiagnostic. Діагностики по hang та CPU-exceptions містять стектрейс з реального пристрою — золото для діагностики production-проблем.

Типові проблеми та рішення

Процес оптимізації

Починаємо з вимірювання, не з припущень. Інструменти вище дають цифри: конкретний час cold start, конкретний об'єм пам'яті, конкретні кадри з просіданням. Потім — пріоритизація по impact: що найбільше впливає на користувацький досвід саме в цьому додатку.

Аудит продуктивності існуючого додатку: 3–5 робочих днів. Реалізація оптимізацій — від тижня до двох місяців залежно від запущеності проблем та архітектури коду.

Що входить в роботу

• Детальний аудит продуктивності з профілюванням на реальних пристроях
• Звіт з виявленими проблемами та рекомендаціями (PDF/Notion)
• Код-рев'ю вузьких місць з пропозиціями змін
• Реалізація оптимізацій (cold start, пам'ять, UI, батарея)
• Повторне тестування для підтвердження покращень
• Документація змін та рекомендації щодо подальшої підтримки

Ми оптимізували 50+ мобільних застосунків, серед яких фінансові та соціальні мережі з аудиторією понад 10 млн користувачів. Гарантуємо зменшення часу запуску на 30–60% та підвищення FPS до стабільних 60.

Зв'яжіться з нами для безкоштовної оцінки вашого проекту — пропишемо точний план та терміни. Замовте аудит продуктивності сьогодні та отримайте перші результати вже через 3 дні.