Mga tampok ng hardware sa mobile development: ano ang mga ito, mga uri at kung paano gamitin

Pangunahing mga sensor ng smartphone

Ang mga tampok ng hardware ng smartphone ay may kasamang dose-dosenang mga sensor na nangongolekta ng data tungkol sa kapaligiran at posisyon ng device. Ang data na ito ay magagamit sa pamamagitan ng Sensors API (Android) at Core Motion (iOS). Ang mga sensor ay nahahati sa tatlong kategorya: mga sensor ng paggalaw (accelerometer, gyroscope), mga sensor ng posisyon (magnetometer), at mga sensor ng kapaligiran (barometer, ilaw, temperatura).

Accelerometer

Sinusukat ng accelerometer ang acceleration ng device sa tatlong axes (x, y, z) sa m/s². Ginagamit ito para sa: pag-detect ng oryentasyon ng screen (auto-rotate), pagbilang ng hakbang (pedestrian navigation), pagkilala ng kilos (shake to undo), mga laro na may kontrol sa pagkiling. Android Sensor.TYPE_ACCELEROMETER at Core Motion CMMotionManager (iOS) ay nagbibigay ng raw data hanggang 200 Hz.

Gyroscope

Sinusukat ng gyroscope ang angular velocity ng pag-ikot ng device sa tatlong axes (rad/s). Hindi tulad ng accelerometer, ang gyroscope ay hindi apektado ng gravity, na ginagawang perpekto para sa pagsubaybay ng mga pag-ikot. Mga aplikasyon: video stabilization, VR/AR application, indoor navigation, game controller. Sensor.TYPE_GYROSCOPE (Android) at CMMotionManager (iOS) ang pangunahing mga API.

Magnetometer

Sinusukat ng magnetometer ang magnetic field ng Earth sa tatlong axes (µT) at gumagana bilang isang electronic compass. Ginagamit ito sa mga application ng nabigasyon upang matukoy ang direksyon patungo sa hilaga. Ang magnetometer ay sensitibo sa interference mula sa mga metal na bagay at speaker; kinakailangan ang pagkakalibrate (ang katangiang figure-eight motion). Sensor.TYPE_MAGNETIC_FIELD — Android API.

Sinusukat ng barometer ang atmospheric pressure (hPa) at ginagamit upang matukoy ang altitude sa ibabaw ng dagat na may katumpakan hanggang 1 metro. Pinapatay ng proximity sensor ang screen kapag ang telepono ay inilapit sa tainga sa panahon ng tawag. Inaayos ng ambient light sensor ang liwanag ng screen. Lahat ng mga sensor na ito ay maaaring ma-access sa pamamagitan ng unified SensorManager (Android) o CMMotionManager (iOS) para sa karamihan ng mga sensor ng paggalaw.

Camera at mikropono

Ang camera ay isa sa mga pinaka-in-demand na bahagi ng hardware. Sa Android, ang pag-access ay sa pamamagitan ng CameraX (modernong Jetpack API) o Camera2 (low-level API). Awtomatikong pinangangasiwaan ng CameraX ang lifecycle, sumusuporta sa Preview, ImageCapture, ImageAnalysis (ML frame analysis) at VideoCapture. Sa iOS, ang camera ay magagamit sa pamamagitan ng AVFoundation: Pinamamahalaan ng AVCaptureSession ang pagkuha, ang AVCaptureDevice ay nagko-configure ng mga parameter (focus, ISO, white balance).

Ang mikropono ay ginagamit para sa pag-record ng audio, voice control, at speech recognition. Sa Android — MediaRecorder o AudioRecord; sa iOS — AVAudioRecorder. Ang pag-access sa camera at mikropono ay nangangailangan ng pahintulot ng gumagamit: Manifest.permission.CAMERA at RECORD_AUDIO (Android), NSCameraUsageDescription at NSMicrophoneUsageDescription (iOS) — mga string sa Info.plist na naglalarawan ng dahilan ng paggamit.

Sa IT Sectr, nagpatupad kami ng higit sa 20 proyekto na may custom na camera: mula sa QR code scanner hanggang sa mga application na may AR filter. Pangunahing konklusyon: sa Android, ang CameraX ay nakakatipid ng mga linggo ng pag-unlad kumpara sa Camera2, habang sa iOS, ang AVFoundation ay nagbibigay ng buong kontrol sa mga parameter ng pagkuha. Halimbawa ng pangunahing pagkuha ng imahe sa pamamagitan ng CameraX:

class CameraFragment : Fragment() {
    private lateinit var imageCapture: ImageCapture

    fun startCamera() {
        val processCameraProvider =
            ProcessCameraProvider.getInstance(requireContext())

        processCameraProvider.addListener({
            val cameraProvider = processCameraProvider.get()
            val preview = Preview.Builder()
                .build()
                .also {
                    it.setSurfaceProvider(viewFinder.surfaceProvider)
                }

            imageCapture = ImageCapture.Builder()
                .setCaptureMode(ImageCapture.CAPTURE_MODE_MINIMIZE_LATENCY)
                .build()

            val cameraSelector = CameraSelector.DEFAULT_BACK_CAMERA

            cameraProvider.bindToLifecycle(
                this, cameraSelector, preview, imageCapture
            )
        }, ContextCompat.getMainExecutor(requireContext()))
    }
}

Biometrics at NFC

Face ID, Touch ID, Fingerprint Scanner

Ang mga biometric hardware features ay nagpapahintulot sa mga user na mag-log in sa isang application gamit ang fingerprint o mukha. Ang iOS ay gumagamit ng Face ID (TrueDepth camera, 30,000 invisible dots) at Touch ID (capacitive fingerprint scanner). Ang Android ay gumagamit ng BiometricPrompt, na pinagsasama ang fingerprint scanner (capacitive o ultrasonic) at Face Unlock (camera + ML). Ang Face ID ay mas ligtas kaysa sa Touch ID: posibilidad ng pagtutugma 1:1,000,000 vs 1:50,000.

NFC at Bluetooth/BLE

Ang NFC (Near Field Communication) ay isang wireless na teknolohiya ng komunikasyon na may saklaw na hanggang 10 cm. Ginagamit ito para sa: contactless payments (Google Pay, Apple Pay), pagbabasa ng NFC tags (smart posters, business cards), pag-verify (dokumento, tiket), paglilipat ng data (Android Beam — luma na). Core NFC (iOS) at NfcAdapter (Android) ang pangunahing mga API. Sa iOS, ang NFC ay available lamang para sa pagbabasa (maliban sa mga pagbabayad ng Apple Pay).

Bluetooth/BLE (Bluetooth Low Energy) — para sa pagkonekta ng mga panlabas na device: headphone, fitness bracelet, medical sensor, smart lock. Core Bluetooth (iOS) at android.bluetooth (Android) — mga API para sa pag-scan, pagkonekta, at pagpapalitan ng data. Ang BLE ay matipid sa enerhiya: ang isang device ay maaaring tumakbo sa baterya nang maraming taon. Sa iOS, ang background BLE operation ay nangangailangan ng pag-enable ng Background Modes → Uses Bluetooth LE accessories.

Kalusugan at fitness (HealthKit, Google Fit)

Mga tampok ng hardware ng kalusugan: HealthKit (iOS) — framework ng Apple para sa pagsasama-sama ng data ng kalusugan. Ang gumagamit ay nagbibigay ng pahintulot na basahin at isulat ang mga partikular na uri ng data: hakbang, rate ng puso, pagtulog, calories, timbang, presyon ng dugo. Ang lahat ng data ay naka-imbak sa isang protektadong repository at naka-sync sa pamamagitan ng iCloud. Ang HealthKit ay nagbibigay ng pinag-isang interface para sa pagsulat ng HKQuantitySample at pagbabasa sa pamamagitan ng HKSampleQuery o HKStatisticsQuery.

Google Fit — platform ng Google para sa data ng fitness sa Android. Ang API ay nahahati sa dalawang set: Sensors API (tunay na data mula sa mga sensor ng device — hakbang, calories) at History API (pagbasa/pagsulat ng makasaysayang data). Ang Google Fit ay nagsasama rin ng data mula sa iba pang fitness app (Strava, Runkeeper) sa pamamagitan ng awtorisasyon. Sa iOS, ang Google Fit ay magagamit sa pamamagitan ng REST API.

Core Motion (iOS) — framework para sa pagtatrabaho sa mga motion sensor nang walang dedicated chip: accelerometer, gyroscope, pedometer (CMPedometer), altimeter (CMAltimeter). CMPedometer ay nagbibilang ng mga hakbang, distansyang nilakbay, bilis, at mga palapag na inakyat. Sa Android, ang mga katulad na kakayahan ay ibinibigay ng Sensor.TYPE_STEP_COUNTER at Step Detector. Ang lahat ng data ng fitness ay nangangailangan ng tahasang pahintulot ng gumagamit.

AR at ML (ARKit, ARCore, ML Kit)

Ang augmented reality (AR) at on-device machine learning ay kumakatawan sa rurok ng mga kakayahan ng hardware ng smartphone. ARKit (Apple, iOS 11+) ay gumagamit ng camera, gyroscope, accelerometer, at LiDAR (sa Pro models) para sa pagsubaybay sa nakapaligid na espasyo. Ang ARCore (Google) ay ang katumbas para sa Android na may plane tracking, image recognition, at lighting estimation. Ang parehong frameworks ay gumagamit ng Visual Inertial Odometry (VIO) — isang kumbinasyon ng camera at inertial sensors.

ML Kit (Google) — SDK para sa machine learning sa Android at iOS. May kasamang ready-made na API: text recognition (OCR), barcode scanning, face recognition, pose detection, object tracking, image text recognition, at natural language processing. Ang ML Kit ay ganap na gumagana sa device — ang data ay hindi ipinapadala sa server, na tinitiyak ang privacy at offline na functionality.

Core ML (Apple) — framework para sa pagsasama ng ML models sa iOS application. Ang mga modelo (mlmodel) ay kino-convert mula sa TensorFlow, PyTorch o Keras sa pamamagitan ng Core ML Tools. Vision — framework para sa computer vision: face detection, text, barcode, horizontal alignment. Ang pagsasama ng Vision at Core ML ay nagbibigay-daan sa pagbuo ng real-time ML pipelines: frame capture → Vision analysis → Core ML prediction → UI update — lahat sa device na may latency na mas mababa sa 50 ms.