NVIDIA Jetson
引言
Nvidia Jetson是英伟达（Nvidia）推出的面向边缘AI计算的嵌入式硬件平台。与传统的嵌入式处理器不同，Jetson系列集成了Nvidia GPU，能够在低功耗条件下运行深度学习推理、计算机视觉和传感器融合等计算密集型任务。Jetson平台在自主机器人、无人机、自动驾驶和智能摄像头等领域得到广泛应用。
Jetson是英伟达推出的面向嵌入式计算的硬件平台。
1. Jetson型号
Jetson 系列按 GPU 架构可分为：
- 早期平台：Jetson TK1（Kepler）、TX1 / Nano（Maxwell）、TX2 / TX2i / TX2 NX（Pascal）。
- Xavier 系列：Jetson AGX Xavier、Xavier NX，采用 Volta GPU。
- Orin 系列：Jetson AGX Orin、Orin NX、Orin Nano，采用 Ampere GPU；另有新公布的 Orin Nano 2。
- Thor 系列：Jetson T5000、T4000，以及新公布的 T3000、T2000，采用 Blackwell GPU；Jetson AGX Thor 是搭载 T5000 的开发套件名称。
2. Jetson各型号对比
全系列 AI 算力对比
以下按代际列出 Jetson 各型号及内存、工业版本，包含历史产品和已公布的新型号。数据核对日期：2026-09-19。以量产模块为主；同算力开发套件合并说明，单独列出 Nano 2GB 和 Orin Nano Super 开发套件。
比较前先看精度和统计口径
TOPS 表示每秒万亿次运算，TFLOPS 表示每秒万亿次浮点运算，1 TFLOPS = 1000 GFLOPS。FP32、FP16、FP4 和 INT8 是不同精度，不能直接按数值排名或换算成实际推理速度。稀疏（Sparse）峰值需要模型满足相应稀疏条件；稠密（Dense）模型不能直接达到该指标。带深度学习加速器（DLA）的型号，其整机 AI 峰值可能合计 GPU 与 DLA，并不代表单个网络只在 GPU 上的性能。
| 系列 | 型号 / 内存版本 | 官方最高 AI 算力 | 精度 / 口径 | 说明 / 来源 |
|---|---|---|---|---|
| TK1 | Jetson TK1 开发套件（2GB） | 326 GFLOPS | FP32，GPU | 早期 Kepler 平台，TK1 发布资料 |
| TX1 | Jetson TX1（4GB） | 1 TFLOPS | FP16，GPU | TX1 规格 |
| Nano | Jetson Nano（4GB，含开发套件） | 472 GFLOPS | FP16，GPU | 模块对比 |
| Nano | Jetson Nano 2GB 开发套件 | 472 GFLOPS | FP16，GPU | Nano 2GB 发布资料 |
| TX2 | Jetson TX2（8GB） | 1.33 TFLOPS | FP16，GPU | 模块对比 |
| TX2 | Jetson TX2 4GB | 1.33 TFLOPS | FP16，GPU | 同上 |
| TX2 | Jetson TX2i（8GB） | 1.26 TFLOPS | FP16，GPU | 工业版，同上 |
| TX2 | Jetson TX2 NX（4GB） | 1.33 TFLOPS | FP16，GPU | 同上 |
| Xavier | Jetson AGX Xavier 8GB | 约 19.3 TOPS | INT8，稠密，GPU + DLA | 由官方 GPU 11.1 + DLA 8.2 合计，历史规格 |
| Xavier | Jetson AGX Xavier 16GB | 32 TOPS | INT8，稠密，GPU + DLA | 历史规格 |
| Xavier | Jetson AGX Xavier 32GB | 32 TOPS | INT8，稠密，GPU + DLA | Xavier 规格 |
| Xavier | Jetson AGX Xavier 64GB | 32 TOPS | INT8，稠密，GPU + DLA | 同上 |
| Xavier | Jetson AGX Xavier Industrial（32GB） | 30 TOPS | INT8，稠密，GPU + DLA | 工业版，同上 |
| Xavier | Jetson Xavier NX 8GB | 21 TOPS | INT8，稠密，GPU + DLA | 同上 |
| Xavier | Jetson Xavier NX 16GB | 21 TOPS | INT8，稠密，GPU + DLA | 同上 |
| Orin | Jetson Orin Nano 4GB | 34 TOPS | INT8，稀疏，GPU | Super 模式，Orin 规格 |
| Orin | Jetson Orin Nano 8GB | 67 TOPS | INT8，稀疏，GPU | Super 模式，同上 |
| Orin | Jetson Orin Nano Super 开发套件（8GB） | 67 TOPS | INT8，稀疏，GPU | 同上 |
| Orin | Jetson Orin NX 8GB | 117 TOPS | INT8，稀疏，GPU + DLA | Super 模式，同上 |
| Orin | Jetson Orin NX 16GB | 157 TOPS | INT8，稀疏，GPU + DLA | Super 模式，同上 |
| Orin | Jetson AGX Orin 32GB | 241 TOPS | INT8，稀疏，GPU + DLA | 官方规格主表；口径差异见下文 |
| Orin | Jetson AGX Orin 64GB | 275 TOPS | INT8，稀疏，GPU + DLA | Orin 规格 |
| Orin | Jetson AGX Orin 开发套件（32GB / 64GB） | 275 TOPS | INT8，稀疏，GPU + DLA | 两版算力相同，开发套件 FAQ |
| Orin | Jetson AGX Orin Industrial（64GB） | 248 TOPS | INT8，稀疏，GPU + DLA | 工业版，同上 |
| Orin | Jetson Orin Nano 2（8GB） | 78 TOPS | 公告未明确精度 / 稀疏口径 | 已公布，Nano 2 公告 |
| Thor | Jetson T2000（16GB） | 400 TFLOPS | FP4；公告未明确稀疏口径 | 已公布，T2000 / T3000 公告 |
| Thor | Jetson T3000（32GB） | 865 TFLOPS | FP4；公告未明确稀疏口径 | 已公布，同上 |
| Thor | Jetson T4000（64GB） | 1200 TFLOPS | FP4，稀疏，GPU | Thor 规格 |
| Thor | Jetson T5000（128GB，含 AGX Thor 开发套件） | 2070 TFLOPS | FP4，稀疏，GPU | 同上 |
读表说明：
- 表中为理论峰值，实际延迟、帧率和生成速度还受模型、量化精度、内存带宽、批量大小、软件版本、功耗模式与散热影响。对比实际部署时应使用相同模型和输入条件实测。
- Orin Nano / NX 的 Super 峰值需要支持的 JetPack、功耗配置及载板供电与散热。历史资料中的 Nano 4GB / 8GB（20 / 40 TOPS）和 NX 8GB / 16GB（70 / 100 TOPS）不能与 Super 模式混用；Super 开发套件也不是独立的新 GPU 架构。参见 JetPack 6.2 Super 模式说明。
- NVIDIA 的 Orin 规格主表将 AGX Orin 32GB 标为 241 TOPS，同页下方的 Compute Comparison 仍标 200 TOPS。此处采用主表，并保留这一来源差异；部署时需核对具体模块数据表和软件功耗配置。
- 开发套件的内存和算力不一定与同容量量产模块相同，尤其是早期 AGX Orin 32GB 开发套件；请按具体套件规格核对，不能仅凭“32GB”套用量产模块行。
NVIDIA Jetson Thor
Thor 面向具身智能、视觉语言动作模型（VLA）和多模态生成式 AI。T5000 / T4000 使用 Blackwell GPU 与第五代 Tensor Core，支持多实例 GPU（Multi-Instance GPU，MIG），可为并行工作负载划分 GPU 资源。Thor 官方产品页给出的主要硬件规格如下：
| 硬件特性 | Jetson T5000 | Jetson T4000 |
|---|---|---|
| CPU | 14 核 Arm Neoverse-V3AE | 12 核 Arm Neoverse-V3AE |
| GPU | 2560 核 Blackwell | 1536 核 Blackwell |
| 内存 | 128 GB LPDDR5X | 64 GB LPDDR5X |
| 内存带宽 | 273 GB/s | 273 GB/s |
| 模块功耗范围 | 40～130 W | 40～70 W |
Jetson AGX Thor 开发套件搭载 T5000，并提供参考载板、散热方案和 1 TB NVMe 存储。机器人集成时需要根据峰值功耗设计供电与散热，并为模型权重、运行时缓存和传感器处理预留内存。2070 FP4 TFLOPS 与 AGX Orin 的 275 INT8 TOPS 精度不同，两数相除不能作为同一模型的加速比。
T3000 / T2000 为新公布的较低算力档位；NVIDIA 提供通过 AGX Thor 开发套件模拟这些模块的开发路径，详细交付状态和规格应以对应公告及后续模块资料为准。
Jetson Orin 系列
Orin 采用 Ampere GPU 和 Arm Cortex-A78AE CPU。Orin Nano 4GB 配备 512 个 CUDA 核心，8GB 配备 1024 个；AGX Orin 32GB 配备 1792 个 CUDA 核心和 8 核 CPU，64GB 配备 2048 个 CUDA 核心和 12 核 CPU。Orin NX 和 AGX Orin 带有 DLA，Orin Nano 不带 DLA；Xavier 系列也已有 DLA，因此它并非 Orin 新增的功能。详见 Orin 官方规格。
3. JetPack SDK
JetPack是Nvidia为Jetson平台提供的官方软件开发套件（Software Development Kit），包含了开发Jetson应用所需的全部软件组件：
- L4T（Linux for Tegra）：基于Ubuntu的操作系统，针对Jetson硬件优化。
- CUDA：Nvidia的并行计算平台和编程模型，允许开发者利用GPU进行通用计算。
- cuDNN：CUDA深度神经网络库，提供了高度优化的深度学习基础运算（卷积、池化、归一化等）。
- TensorRT：高性能深度学习推理优化器和运行时库。
- VisionWorks / VPI：计算机视觉基础库。
- Multimedia API：视频编解码和图像处理接口。
- 开发工具：包括CUDA编译器（nvcc）、调试器（cuda-gdb）和性能分析器（Nsight Systems）。
JetPack 版本说明
| JetPack 版本 | 支持平台 | Ubuntu 版本 | CUDA 版本 | 状态 |
|---|---|---|---|---|
| JetPack 4.x | Nano, TX1/TX2, Xavier | Ubuntu 18.04 | CUDA 10.2 | 旧平台版本 |
| JetPack 5.x | Xavier, Orin | Ubuntu 20.04 | CUDA 11.4 | Xavier / Orin 软件分支 |
| JetPack 6.x | Orin | Ubuntu 22.04 | CUDA 12.x | 6.2 引入 Nano / NX Super 模式 |
| JetPack 7.x | Thor；Orin 支持取决于具体版本 | Ubuntu 24.04 | CUDA 13.x | Thor 软件分支，后续版本扩展 Orin 支持 |
Thor 请使用对应模块支持的 JetPack 7.x 镜像；各小版本支持的平台与组件版本需核对 JetPack 下载与发行说明。原有 Orin / Xavier / Nano 的刷机镜像与安装命令不能直接套用到 Thor。
刷机方法
- SDK Manager（推荐）：在 x86 Ubuntu 主机上安装 NVIDIA SDK Manager，通过 USB 线将 Jetson 进入恢复模式后一键刷机，同时安装所有 SDK 组件
- Balena Etcher：适用于带载板的开发套件（如 Jetson Nano 开发板），将 JetPack 镜像烧录到 MicroSD 卡或 NVMe SSD
关键组件详解
TensorRT（优化推理引擎）：将训练好的神经网络模型转换为高度优化的推理引擎。主要优化手段包括层融合（Layer Fusion）、权重量化（INT8/FP16）和内核自动调优（Kernel Auto-Tuning），在 Jetson 上可获得比原生 PyTorch 高出 2～10 倍的推理速度。
VPI（Vision Programming Interface）：NVIDIA 的硬件加速计算机视觉库，为图像滤波、特征检测、光流等算法提供统一接口，底层可调度 GPU、NVENC、VIC 等多种加速硬件。
DeepStream（视频分析 SDK）：基于 GStreamer 构建的端到端视频分析框架，支持多路视频流并行处理与 TensorRT 推理加速，适用于智能摄像头和多摄像头机器人感知系统。
4. CUDA与TensorRT
CUDA
CUDA（Compute Unified Device Architecture）是Nvidia的并行计算平台。在Jetson上，CUDA允许开发者编写在GPU上运行的核函数（Kernel），实现大规模并行计算。对于机器人应用中的图像处理、点云处理和矩阵运算等任务，CUDA可以提供数倍到数十倍的性能提升。
TensorRT
TensorRT是Nvidia的深度学习推理优化引擎。它的核心功能包括：
- 模型优化：对训练好的深度学习模型进行层融合（Layer Fusion）、精度校准（Calibration）和内核自动调优（Kernel Auto-Tuning），显著提高推理速度。
- 精度模式：支持FP32、FP16和INT8三种推理精度。在Jetson Xavier和Xavier NX上使用INT8模式可以获得最高的推理性能。
- 动态形状支持：支持运行时动态调整输入张量的形状。
- 多框架支持：可以导入TensorFlow、PyTorch（通过ONNX）和Caffe等框架训练的模型。
在机器人视觉应用中，TensorRT常用于加速目标检测（如YOLO、SSD）、语义分割和姿态估计等深度学习模型的推理。
5. DeepStream SDK
DeepStream是Nvidia提供的流媒体分析SDK，专为构建智能视频分析（Intelligent Video Analytics，IVA）应用而设计。其核心特点包括：
- 端到端的视频处理流水线：从视频解码、预处理、深度学习推理到后处理和输出，全部通过GStreamer插件实现。
- 多流并行处理：可以同时处理多路视频流，充分利用Jetson的GPU算力。
- 与TensorRT集成：推理环节自动调用TensorRT，获得最优推理性能。
- 消息代理（Message Broker）：支持将分析结果通过Kafka、MQTT等协议发送到云端或其他系统。
DeepStream在机器人领域可用于：多摄像头环境感知、实时目标追踪、异常行为检测等场景。
6. 环境搭建与配置
首次开机配置
Jetson 开发板首次启动后，按屏幕提示完成 Ubuntu 系统初始化（用户名、密码、时区、网络等）。
最大性能模式
# 解锁所有时钟到最高频率（等效于最大功耗模式）
sudo jetson_clocks
# 查询当前功耗模式
sudo nvpmodel -q
# 切换到最大性能模式（模式编号因型号而异，MAXN 通常为 0）
sudo nvpmodel -m 0
系统状态监控
tegrastats 是 Jetson 专用的系统监控工具，可实时查看 CPU/GPU 使用率、内存占用和温度：
# 每500毫秒刷新一次系统状态
tegrastats --interval 500
输出示例：
RAM 3456/7772MB (lfb 512x4MB) SWAP 0/3886MB CPU [45%@1420,38%@1420,...]
EMC_FREQ 5%@1600 GR3D_FREQ 72%@1109 AO@42.5C GPU@47C Tboard@39C
配置交换空间
Jetson 的内存容量有限，配置合理的交换空间（Swap）可以在内存紧张时避免进程崩溃：
# 创建 8GB 的交换文件
sudo fallocate -l 8G /var/swapfile
# 设置文件权限（交换文件不应对其他用户可读）
sudo chmod 600 /var/swapfile
# 格式化为交换区域
sudo mkswap /var/swapfile
# 立即启用交换
sudo swapon /var/swapfile
# 开机自动挂载（追加到 /etc/fstab）
echo '/var/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab
安装 PyTorch
NVIDIA 为 Jetson 提供了针对 ARM 架构和 CUDA 优化的 PyTorch 预编译包，不能直接通过 pip install torch 安装：
# 从 NVIDIA 官方下载 PyTorch wheel（根据 JetPack 版本选择对应版本）
# JetPack 5.x 对应 PyTorch 2.x
wget https://developer.download.nvidia.com/compute/redist/jp/v512/pytorch/torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64.whl
pip3 install torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64.whl
7. 深度学习推理部署
PyTorch → ONNX → TensorRT 工作流
在 Jetson 上部署深度学习模型的标准流程是：在 PC 上训练模型，导出为 ONNX 格式，再在 Jetson 上使用 TensorRT 编译为优化后的推理引擎：
第一步：导出 ONNX 模型（在训练 PC 上执行）
import torch
import torch.onnx
# 加载已训练好的模型
model = MyModel()
model.load_state_dict(torch.load('model_weights.pth'))
model.eval()
# 准备示例输入（用于指定输入形状）
dummy_input = torch.randn(1, 3, 640, 640)
# 导出为 ONNX
torch.onnx.export(
model,
dummy_input,
"model.onnx",
export_params=True,
opset_version=17,
do_constant_folding=True,
input_names=['input'],
output_names=['output'],
dynamic_axes={'input': {0: 'batch_size'}} # 支持动态批大小
)
print("ONNX 导出成功")
第二步：使用 trtexec 转换为 TensorRT 引擎（在 Jetson 上执行）
# FP16 精度（速度与精度平衡，推荐）
trtexec --onnx=model.onnx \
--saveEngine=model_fp16.engine \
--fp16 \
--workspace=2048
# INT8 精度（最高速度，需要校准数据集）
trtexec --onnx=model.onnx \
--saveEngine=model_int8.engine \
--int8 \
--calib=calibration_cache.bin
第三步：使用 TensorRT Python API 进行推理
import tensorrt as trt
import numpy as np
import pycuda.driver as cuda
import pycuda.autoinit
# 加载序列化的 TensorRT 引擎
TRT_LOGGER = trt.Logger(trt.Logger.WARNING)
with open("model_fp16.engine", "rb") as f:
serialized_engine = f.read()
runtime = trt.Runtime(TRT_LOGGER)
engine = runtime.deserialize_cuda_engine(serialized_engine)
context = engine.create_execution_context()
# 分配 GPU 内存
input_shape = (1, 3, 640, 640)
output_shape = (1, 1000)
d_input = cuda.mem_alloc(np.prod(input_shape) * np.dtype(np.float32).itemsize)
d_output = cuda.mem_alloc(np.prod(output_shape) * np.dtype(np.float32).itemsize)
bindings = [int(d_input), int(d_output)]
# 推理
input_data = np.random.randn(*input_shape).astype(np.float32)
cuda.memcpy_htod(d_input, input_data)
context.execute_v2(bindings)
output = np.empty(output_shape, dtype=np.float32)
cuda.memcpy_dtoh(output, d_output)
推理性能对比参考
以 YOLOv8n 目标检测模型（输入 640×640）为例：
| 平台 | 精度模式 | FPS（参考） |
|---|---|---|
| Jetson Orin NX 16GB | TensorRT FP16 | ~120 fps |
| Jetson Xavier NX | TensorRT FP16 | ~60 fps |
| Jetson Nano | TensorRT FP16 | ~25 fps |
| Jetson Nano | PyTorch FP32 | ~5 fps |
注：实际性能因模型结构、批大小和功耗模式而有差异。
NVIDIA TAO Toolkit
NVIDIA TAO（Train, Adapt, Optimize）Toolkit 提供了基于迁移学习的模型训练工具链，允许用户在小规模数据集上微调 NVIDIA 预训练模型（目标检测、分类、姿态估计等），并直接导出为 TensorRT 格式部署到 Jetson。
8. 机器人应用开发
ROS 2 on Jetson
NVIDIA 官方支持在 Jetson 上运行 ROS 2（Humble、Iron、Jazzy），并提供了专为 Jetson 优化的 ROS 2 节点和示例。
# 安装 ROS 2 Humble（Ubuntu 20.04 + JetPack 5.x）
sudo apt update && sudo apt install -y ros-humble-desktop
source /opt/ros/humble/setup.bash
# 验证安装
ros2 run demo_nodes_cpp talker
CSI 相机与 USB 相机配置
Jetson 开发板通常配备 CSI（Camera Serial Interface）接口，可直接连接树莓派摄像头模块或 NVIDIA 官方摄像头：
# 列出可用的视频设备
ls /dev/video*
# 使用 GStreamer 管道从 CSI 相机采集图像
gst-launch-1.0 nvarguscamerasrc ! \
'video/x-raw(memory:NVMM),width=1920,height=1080,framerate=30/1' ! \
nvvidconv flip-method=0 ! \
'video/x-raw,width=960,height=540' ! \
nvvidconv ! nvegltransform ! nveglglessink
# 在 Python 中通过 GStreamer 管道读取 CSI 相机
import cv2
gst_str = (
"nvarguscamerasrc ! "
"video/x-raw(memory:NVMM), width=1280, height=720, framerate=30/1 ! "
"nvvidconv flip-method=0 ! "
"video/x-raw, format=BGRx ! videoconvert ! "
"video/x-raw, format=BGR ! appsink"
)
cap = cv2.VideoCapture(gst_str, cv2.CAP_GSTREAMER)
ZED 2 深度相机集成
Stereolabs ZED 2 相机在 Jetson 上有完整的官方支持，包括本地 SDK 和 ROS 2 驱动：
# 安装 ZED SDK（从官网下载对应 JetPack 版本的安装包）
chmod +x ZED_SDK_Tegra_L4T35.4_v4.1.run
./ZED_SDK_Tegra_L4T35.4_v4.1.run
# 安装 ROS 2 驱动
sudo apt install ros-humble-zed-ros2-wrapper
ros2 launch zed_wrapper zed2.launch.py
典型机器人计算栈
Jetson 在自主移动机器人中通常担任中央计算单元，其典型软件栈如下：
传感器层：深度相机 + 激光雷达 + IMU
↓
驱动层：ROS 2 驱动节点（realsense2_camera, sllidar_ros2 等）
↓
感知层：目标检测（TensorRT）、语义分割、深度估计
↓
定位层：视觉SLAM（ORB-SLAM3）、激光SLAM（Cartographer）
↓
导航层：ROS 2 Nav2（路径规划、避障、行为树）
↓
执行层：底盘控制（串口/CAN 通信）、机械臂控制（MoveIt2）
9. Jetson Nano 入门项目
使用 jetson-inference 库运行 YOLOv8
NVIDIA 提供了 jetson-inference 开源库，内置了多种预训练模型，可快速在 Jetson Nano 上进行目标检测：
# 克隆并构建 jetson-inference
git clone --recursive https://github.com/dusty-nv/jetson-inference
cd jetson-inference && mkdir build && cd build
cmake ../
make -j$(nproc)
sudo make install
# 运行实时目标检测（使用 USB 摄像头）
detectnet /dev/video0
自定义模型推理示例
import jetson.inference
import jetson.utils
# 加载目标检测网络（可选 ssd-mobilenet-v2, detectnet-v2 等）
net = jetson.inference.detectNet("ssd-mobilenet-v2", threshold=0.5)
# 打开摄像头
camera = jetson.utils.videoSource("/dev/video0")
display = jetson.utils.videoOutput("display://0")
while display.IsStreaming():
img = camera.Capture()
detections = net.Detect(img)
for det in detections:
print(f"检测到: {net.GetClassDesc(det.ClassID)} "
f"置信度: {det.Confidence:.2f} "
f"位置: ({det.Left:.0f}, {det.Top:.0f})")
display.Render(img)
display.SetStatus(f"目标检测 | FPS: {net.GetNetworkFPS():.1f}")
ROS 2 导航演示
在 Jetson Nano 上运行 TurtleBot3 仿真（需配合外部主机运行 Gazebo）：
# 启动 Nav2 导航栈
ros2 launch nav2_bringup navigation_launch.py \
use_sim_time:=True \
map:=/path/to/map.yaml
10. 功耗管理
Jetson Orin NX 功耗模式
| 模式名称 | 功耗上限 | CPU 核心/频率 | GPU 频率 | DLA 频率 | 适用场景 |
|---|---|---|---|---|---|
| MAXN | 25W | 8核 @ 2.0 GHz | 918 MHz | 1.6 GHz | 最大性能 |
| 10W | 10W | 4核 @ 1.5 GHz | 612 MHz | 1.1 GHz | 低功耗优先 |
| 15W | 15W | 6核 @ 1.8 GHz | 765 MHz | 1.4 GHz | 平衡模式 |
| 20W | 20W | 8核 @ 2.0 GHz | 765 MHz | 1.4 GHz | 性能优先 |
# 列出所有可用功耗模式
sudo nvpmodel --listmodes
# 查看当前模式
sudo nvpmodel -q --verbose
# 切换到 15W 平衡模式（模式编号因型号而异，请参考 --listmodes 输出）
sudo nvpmodel -m 2
电池供电机器人的功耗考虑
对于电池供电的移动机器人，功耗管理至关重要：
- 根据任务类型动态切换功耗模式：导航时使用 10W 模式，执行复杂感知任务时切换到 MAXN 模式
- 利用 DLA（深度学习加速器）运行常驻推理网络，释放 GPU 处理其他任务
- 关闭不必要的外设（如 HDMI 输出、USB 集线器）以节省功耗
散热管理
| 散热方案 | 适用场景 | 持续功耗上限 |
|---|---|---|
| 被动散热（铝制散热片） | 轻载场景、低功耗模式 | 10W |
| 主动散热（5V 风扇） | 一般机器人应用 | 20W |
| 液冷 / 大型风冷 | 长时间满载推理 | 60W（AGX Orin） |
# 通过 tegrastats 实时监控温度
watch -n 1 "tegrastats | grep -o 'GPU@[0-9.]*C\|CPU@[0-9.]*C\|Tboard@[0-9.]*C'"
11. 与树莓派对比
| 特性 | Raspberry Pi 4 (4GB) | Raspberry Pi 5 (8GB) | Jetson Orin Nano 8GB | Jetson Orin NX 16GB |
|---|---|---|---|---|
| CPU | 4核 ARM Cortex-A72 @ 1.8 GHz | 4核 ARM Cortex-A76 @ 2.4 GHz | 6核 ARM Cortex-A78AE @ 1.5 GHz | 8核 ARM Cortex-A78AE @ 2.0 GHz |
| GPU | VideoCore VI（无 CUDA） | VideoCore VII（无 CUDA） | 1024核 NVIDIA Ampere | 1024核 NVIDIA Ampere |
| AI 加速 | 无 | 无 | 最高 67 TOPS（INT8 稀疏，Super） | 最高 157 TOPS（INT8 稀疏，Super） |
| 内存 | 4 GB LPDDR4X | 8 GB LPDDR4X | 8 GB LPDDR5 | 16 GB LPDDR5 |
| 功耗 | 5W～15W | 5W～20W | 7W～25W | 10W～40W |
| 参考价格 | ¥300～500 | ¥400～700 | ¥800～1200 | ¥1500～2500 |
| CUDA 支持 | 否 | 否 | 是 | 是 |
| TensorRT | 否 | 否 | 是 | 是 |
| ROS 2 支持 | 社区支持 | 社区支持 | NVIDIA 官方支持 | NVIDIA 官方支持 |
| 深度学习推理 | 仅 CPU，较慢 | 仅 CPU，较慢 | GPU 加速 | GPU + DLA 加速 |
| 适用场景 | 教学、轻量控制任务 | 教学、中等计算任务 | 边缘 AI 机器人 | 复杂感知与自主导航 |
选型建议： - 若仅需运行 ROS 2、简单控制算法和低速图像处理，树莓派 4/5 性价比更高 - 若需要运行深度学习模型（目标检测、语义分割、深度估计等），Jetson Orin Nano 起步为最低门槛选择 - 复杂自主导航（同时运行 SLAM、目标检测和路径规划）推荐 Jetson Orin NX 或 AGX Orin
12. 快速入门
以下是在Jetson平台上开始机器人开发的基本步骤：
- 烧录系统镜像：从Nvidia开发者网站下载JetPack SDK，使用SDK Manager将系统镜像烧录到Jetson模块。
- 初始设置：首次启动后完成Ubuntu系统的基本配置（用户名、密码、网络等）。
- 安装开发工具：JetPack已预装CUDA、cuDNN和TensorRT，可额外安装PyTorch、TensorFlow等深度学习框架。
- 安装ROS：根据需要安装ROS Noetic或ROS 2 Humble。
- 连接传感器：通过USB、CSI或I2C接口连接摄像头、激光雷达和IMU等传感器。
- 运行示例：JetPack附带了大量示例代码，包括CUDA示例、TensorRT推理示例和视觉处理示例。
参考资料
- Benchmark comparison for Jetson Nano, TX1, TX2 and AGX Xavier, https://www.fastcompression.com/blog/jetson-benchmark-comparison.htm
- Jetson Xavier NX, https://developer.nvidia.com/embedded/jetson-xavier-nx
- Nvidia JetPack SDK文档
- Nvidia Isaac SDK
- Jetson开发者论坛
- Jetson Orin 系列产品页面
- jetson-inference 开源库
- NVIDIA TAO Toolkit 文档
- NVIDIA Jetson 全系列模块规格
- NVIDIA Jetson Thor 规格与开发套件
- NVIDIA Jetson Orin 规格与算力口径
- NVIDIA Jetson Xavier 系列规格
- NVIDIA Jetson T3000 / T2000 公告
- NVIDIA Jetson Orin Nano 2 公告