1. 课程导入与平台全景

机器人控制计算平台，可以理解为机器人“感知—决策—控制”闭环所依赖的计算底座：它把传感器输入、实时控制回路、视觉/AI 推理、运动规划、通信与安全监控等负载，组织在一套可预测、可扩展的硬件与软件栈之上。与通用服务器不同，机器人平台的第一约束往往不是峰值算力，而是确定性——控制周期必须按时到达、抖动必须可控、故障必须可诊断。因此，本课程讨论的不是“选一块性能最强的板子”，而是围绕 Intel 处理器与加速器，建立一套软硬件协同的设计方法。

Intel 在机器人领域的定位，可以从三条产品线来理解。其一是以 Core / Xeon 为代表的通用 CPU，承担实时控制、任务调度、数据分发与系统管理；其二是集成显卡与 Arc 独立显卡，承担视觉预处理、深度学习推理与并行计算；其三是 FPGA、以太网控制器（如 I225/I226 TSN 网卡）以及 OpenVINO、oneAPI 等软件工具链，承担确定性通信、低延迟推理与跨架构代码复用。三者并非互相替代，而是按“实时性—吞吐—能效”三个维度分工协作。

上图给出了本课程要建立的整体心智模型：左侧是传感器输入，右侧是执行器输出，中间是 Intel 计算平台的三层结构——硬件层、软件层与应用层，底部是贯穿始终的闭环反馈。需要特别注意的是，图中的箭头方向定义了数据流与指令流：传感器数据自左向右进入平台，控制指令自平台向右输出到执行器，而反馈信号则从执行器侧沿底部回路返回传感器与规划模块。这一参照约定在后续所有章节中保持一致。

课程目标与学习路径

本课程的目标不是罗列 Intel 产品参数，而是让读者具备“从需求到平台选型、从平台到软件部署、从部署到性能验证”的完整工程能力。具体来说，完成课程后应能做到：根据控制周期与推理延迟要求，判断 CPU、GPU、FPGA 的分工边界；在 Linux 实时内核上配置 CPU 隔离与中断亲和性；用 OpenVINO 将训练好的模型部署到 iGPU 并测量端到端延迟；用 TSN 或 EtherCAT 构建确定性通信链路；最后通过抖动测量与日志分析定位实时性瓶颈。

学习路径按“认知—搭建—调优—验证”四段推进。前四章建立平台全景与软硬件协同思想；随后进入 CPU 实时性配置、内存与缓存优化、GPU 推理部署、FPGA 加速与通信确定性等专题；最后以移动机器人与机械臂两个综合案例收束，完成从需求分析到性能报告的闭环。每一章都会给出可复现的配置片段、参数示例与判断依据，而不是停留在概念层面。

软硬件协同设计思想

软硬件协同设计的核心，是让软件的可预测性需求反向约束硬件选型与配置，同时让硬件的特性被软件充分利用。举一个具体的教学示例：假设某机械臂关节控制周期为 1 ms，即 1000 Hz。若控制回路运行在 CPU 上，单次计算耗时约 200 μs，则剩余 800 μs 必须留给中断响应、通信与调度开销。此时若将视觉推理放在同一颗 CPU 核心上，推理耗时可能达到数毫秒，直接破坏控制周期。合理的做法是将推理卸载到 iGPU，CPU 核心通过 OpenVINO 异步接口提交推理请求，控制回路只读取上一次推理结果，从而把 1 ms 周期内的 CPU 占用压缩到可控范围。

这个例子说明了一个关键判断依据：实时性由最坏情况决定，而不是平均值。测量时不能只看平均周期，而要观察最大抖动、超时次数与分布尾部。后续章节会给出具体的测量命令与日志判读方法。

最后需要明确本课程的边界：我们讨论的是机器人控制计算平台的设计与部署，不深入电机驱动电路、机械结构设计或深度学习算法训练。凡是涉及具体数值的地方，都会标注为示例或假设，读者应结合自己的硬件实测进行替换。平台全景已经建立，接下来进入 CPU 实时性这一最基础也最关键的专题。