2、Jetson平台与开发环境：Jetson系列硬件介绍、JetPack SDK安装、Python与ROS环境配置、常用工具（如Jupyter、VSCode）
Jetson系列是NVIDIA面向边缘计算与机器人场景推出的嵌入式AI计算平台，其核心价值在于将GPU并行计算能力、ARM架构的低功耗特性与丰富的I/O接口整合在一块紧凑的主板上。对于机器人感知任务而言，摄像头图像处理、IMU数据融合、目标检测模型推理都高度依赖GPU加速，因此Jetson平台几乎是当前机器人课程与产品原型开发的事实标准。本章将围绕硬件选型、SDK安装、Python与ROS环境配置以及常用开发工具展开，帮助学习者建立一套可复用的Jetson开发基线。
上图展示了Jetson机器人感知开发环境的整体架构。硬件平台层是物理基础，系统软件层提供驱动与计算库，应用开发层则是我们编写感知算法与机器人逻辑的场所。三个层次之间通过明确的数据流衔接：摄像头与IMU传感器数据经过系统层驱动进入GPU流水线，最终在应用层形成可供ROS节点消费的话题。理解这一分层关系，有助于在后续开发中快速定位问题——例如检测帧率低时，需要判断瓶颈是在摄像头采集、模型推理还是ROS通信环节。
2.1 Jetson系列硬件选型与核心参数
Jetson家族目前主流产品包括Jetson Nano（2GB/4GB）、Jetson TX2 NX、Jetson Xavier NX以及最新的Jetson Orin Nano/NX系列。对于机器人感知课程而言，Jetson Orin Nano 8GB版本是性价比最高的选择，它提供了约40 TOPS的INT8算力，足以实时运行YOLOv5s或MobileNet SSD等轻量级检测模型。而Jetson Xavier NX则适合需要同时运行多个模型或更大分辨率输入的场景。
| 型号 | 算力 (INT8) | 内存 | 摄像头接口 | 典型功耗 | 适用场景 |
|---|---|---|---|---|---|
| Jetson Nano 4GB | 0.5 TOPS | 4GB LPDDR4 | 1×CSI / 2×USB | 5-10W | 入门学习、简单感知 |
| Jetson Xavier NX | 21 TOPS | 8GB LPDDR4x | 2×CSI / 4×USB | 10-20W | 多传感器融合、SLAM |
| Jetson Orin Nano 8GB | 40 TOPS | 8GB LPDDR5 | 2×CSI / 4×USB3.0 | 7-15W | 目标检测、语义分割 |
| Jetson Orin NX 16GB | 100 TOPS | 16GB LPDDR5 | 4×CSI / 4×USB3.0 | 10-25W | 多模型并行、自动驾驶原型 |
选型时需要关注三个关键维度：算力余量（建议至少保留30%的GPU利用率余量用于系统开销）、内存带宽（直接影响多路摄像头数据处理能力）、I/O接口类型（CSI接口支持低延迟的RAW图像传输，而USB摄像头则更灵活但CPU占用更高）。对于IMU传感器，Jetson开发板通常通过I2C或SPI接口连接，例如常见的BMI088或ICM-20602六轴IMU。
2.2 JetPack SDK安装与系统初始化
JetPack SDK是NVIDIA为Jetson平台提供的完整软件包集合，包含Linux内核（L4T）、CUDA、cuDNN、TensorRT、OpenCV以及多媒体API（GStreamer、V4L2）。安装JetPack有两种主流方式：SDK Manager图形化安装（适用于Ubuntu主机）和镜像烧录（直接写入SD卡或NVMe SSD）。
推荐使用SDK Manager进行安装，因为它会自动处理依赖关系并验证硬件连接。操作流程如下：
- 在主机Ubuntu系统上安装NVIDIA SDK Manager（需注册NVIDIA开发者账号）。
- 将Jetson开发板通过Micro-USB线连接主机，并置于恢复模式（按住Recovery键再按Reset键）。
- 在SDK Manager中选择目标硬件型号与JetPack版本（建议选择最新的L4T R35.x以上版本）。
- 选择需要安装的组件：CUDA、TensorRT、OpenCV为必选；DeepStream可选（用于视频流分析）。
- 等待系统烧录完成，Jetson会自动重启并进入Ubuntu桌面环境。
安装完成后，建议立即执行以下系统优化命令：
# 更新系统源并安装基础工具
sudo apt update && sudo apt upgrade -y
sudo apt install -y python3-pip git cmake vim htop
# 设置Jetson工作模式为最高性能
sudo nvpmodel -m 0 # 0为MAXN模式，1为5W省电模式
sudo jetson_clocks # 锁定CPU/GPU频率到最高值
# 验证CUDA环境
nvcc --version
python3 -c "import torch; print(torch.cuda.is_available())"2.3 Python与ROS环境配置
Jetson平台默认自带Python 3.8（JetPack 5.x）或Python 3.10（JetPack 6.x）。由于系统级Python环境容易因pip安装冲突而损坏，强烈建议使用虚拟环境管理项目依赖。推荐使用virtualenv或conda（通过miniforge安装ARM版）。
ROS（Robot Operating System）方面，JetPack 5.x对应Ubuntu 20.04，推荐安装ROS Noetic（ROS1）或ROS2 Foxy；JetPack 6.x对应Ubuntu 22.04，推荐安装ROS2 Humble。对于机器人感知课程，ROS2是更现代的选择，其DDS通信机制更适合多机协同场景。安装ROS2 Humble的简化流程如下：
# 设置编码与源
sudo apt install -y software-properties-common
sudo add-apt-repository universe
sudo apt update && sudo apt install -y curl
curl -sSL https://raw.githubusercontent.com/ros/rosdistro/master/ros.key -o /usr/share/keyrings/ros-archive-keyring.gpg
# 添加ROS2源并安装
echo "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/ros-archive-keyring.gpg] http://packages.ros.org/ros2/ubuntu $(. /etc/os-release && echo $UBUNTU_CODENAME) main" | sudo tee /etc/apt/sources.list.d/ros2.list > /dev/null
sudo apt update
sudo apt install -y ros-humble-desktop python3-colcon-common-extensions
# 配置环境变量
echo "source /opt/ros/humble/setup.bash" >> ~/.bashrc
source ~/.bashrc在Python与ROS协同开发时，需要特别注意Python解释器路径问题。ROS2的Python节点默认使用系统Python，如果使用虚拟环境，需要在launch文件中显式指定Python解释器路径，或者将虚拟环境的site-packages添加到ROS2的PYTHONPATH中。一个更简洁的做法是：在虚拟环境中安装rclpy（ROS2的Python客户端库），然后直接运行Python脚本，不依赖ROS2的setup.bash。
2.4 常用开发工具：Jupyter与VSCode
Jetson开发中，Jupyter Notebook非常适合做算法原型验证和传感器数据可视化。JetPack自带Jupyter Lab，但默认只监听localhost。为了从主机浏览器访问，需要修改配置：
# 生成配置文件
jupyter lab --generate-config
# 编辑配置文件，允许远程访问
echo "c.ServerApp.allow_remote_access = True" >> ~/.jupyter/jupyter_lab_config.py
echo "c.ServerApp.ip = '0.0.0.0'" >> ~/.jupyter/jupyter_lab_config.py
# 启动Jupyter
jupyter lab --no-browser --port=8888VSCode则更适合编写大型ROS工程。推荐使用Remote-SSH插件，将Jetson作为远程开发服务器。这样可以在主机上享受完整的IDE功能（代码补全、调试、Git集成），而编译和运行都在Jetson上执行。关键配置步骤：
- 在Jetson上安装SSH服务：
sudo apt install openssh-server。 - 在主机VSCode中安装Remote-SSH插件，添加Jetson的IP地址与用户名。
- 连接后，在Jetson上安装Python插件和ROS插件（如
ms-iot.vscode-ros）。 - 配置
settings.json，将Python解释器指向虚拟环境路径。
2.5 常见误区与复盘
在Jetson环境配置过程中，初学者常遇到以下问题：
- 误区一：直接在系统Python中pip install tensorflow，导致依赖冲突。正确做法是使用虚拟环境，且优先安装NVIDIA官方提供的
nvidia-tensorflow或torch版本（通过pip install torch==2.0.0+nv23.05）。 - 误区二：忽略交换空间配置。Jetson内存有限，编译大型ROS包时容易OOM。建议创建4GB的swap文件：
sudo fallocate -l 4G /swapfile。 - 误区三：摄像头与IMU的权限问题。默认情况下，访问
/dev/video0和/dev/i2c-1需要root权限。将用户加入video和i2c组：sudo usermod -aG video,i2c $USER。 - 误区四：ROS2的
rmw实现选择不当。默认的FastRTPS在Wi-Fi环境下丢包严重，建议切换为CycloneDDS：sudo apt install ros-humble-rmw-cyclonedds-cpp，并设置环境变量RMW_IMPLEMENTATION=rmw_cyclonedds_cpp。
复盘整个环境搭建过程，最重要的经验是版本锁定。JetPack、CUDA、TensorRT、PyTorch、ROS2之间存在严格的版本兼容矩阵。建议在项目开始时记录所有关键组件的版本号，并编写一个setup.sh脚本实现环境自动化部署。这样当开发板需要重置或新增设备时，可以在30分钟内恢复完整的开发环境。