2、边缘计算基础：边缘计算与云计算的对比、Jetson平台（Nano/TX2/Xavier/Orin）选型、边缘感知系统架构

在PX4无人机与Jetson平台结合的边缘感知系统中，理解边缘计算与云计算的根本差异是做出正确架构决策的前提。无人机对实时性、带宽、隐私和可靠性的严苛要求，决定了大部分感知推理任务必须下沉到机载边缘设备完成。本章将系统对比边缘计算与云计算的核心维度，解析NVIDIA Jetson各代平台的性能梯度与选型逻辑，并给出一个可落地的边缘感知系统架构参考。

2.1 边缘计算与云计算的本质差异

边缘计算并非云计算的替代品，而是互补的分布式计算范式。在无人机感知场景中，边缘计算将推理、决策和控制闭环放在机载端，而云计算则承担离线训练、全局调度和长期数据挖掘。两者在延迟、带宽、可靠性、隐私和成本五个维度上存在显著差异。

对比维度	边缘计算（Jetson机载）	云计算（数据中心）	无人机场景影响
端到端延迟	1-10ms（本地推理）	100-500ms（含网络传输）	避障/目标跟踪必须边缘处理
带宽消耗	仅回传结构化结果（<1Mbps）	需上传原始视频（10-50Mbps）	4G/5G链路不稳定时边缘更可靠
可靠性	断网仍可自主飞行	网络中断即失去控制能力	超视距飞行必须边缘自治
数据隐私	原始数据不出设备	数据需上传至第三方服务器	敏感区域巡检需本地处理
算力成本	单次硬件投入（$100-$2000）	持续按量付费（GPU实例）	长期运行边缘更经济

2.2 Jetson平台选型：从Nano到Orin

NVIDIA Jetson系列覆盖从入门到高端的完整算力梯度。选型需综合考量算力需求、功耗预算、接口资源和成本约束。下表对比了当前主流的四代平台关键参数。

平台型号	AI算力	功耗	内存	典型应用	参考价格
Jetson Nano	0.5 TOPS	5-10W	4GB LPDDR4	轻量分类/简单检测	$129
Jetson TX2	1.3 TOPS	7.5-15W	8GB LPDDR4	多路视觉SLAM	$399
Jetson Xavier NX	21 TOPS	10-20W	8GB/16GB LPDDR4x	实时目标检测+分割	$499
Jetson Orin NX	100 TOPS	15-40W	8GB/16GB LPDDR5	多模型级联/Transformer	$799

选型决策流程

1. 确定推理模型复杂度：YOLOv5s约需5-10 TOPS，YOLOv8m约需20-30 TOPS，多模型级联需50+ TOPS。
2. 评估功耗预算：无人机电池容量有限，Jetson功耗每增加10W，续航约缩短15-20分钟（以4S 5000mAh电池为例）。
3. 检查接口兼容性：确认相机接口（CSI/USB3.0）、串口数量（MAVLink通信）、GPIO扩展能力。
4. 考虑散热方案：主动散热风扇会增加重量和噪音，被动散热需限制功耗模式。

2.3 边缘感知系统架构设计

一个完整的PX4+Jetson边缘感知系统，需要清晰划分飞控层、计算层和通信层的职责边界。飞控负责姿态控制和底层安全，Jetson负责感知推理和高级决策，两者通过MAVLink协议桥接。

系统分层架构

• 感知输入层：CSI相机（30fps/1080p）、双目深度相机、激光雷达（可选），通过GStreamer管道采集视频流。
• 推理计算层：TensorRT引擎加载优化后的模型，支持FP16/INT8精度，输出检测框、分割掩码或关键点。
• 决策融合层：将推理结果与飞控状态（位置、姿态、速度）融合，生成避障指令或目标跟踪指令。
• MAVLink回传层：将结构化结果封装为自定义MAVLink消息（如OBSTACLE_DISTANCE、TARGET_POSITION），通过UART或UDP发送至PX4。
• 云端同步层：通过4G/5G模块，仅回传关键帧缩略图和检测统计信息，用于远程监控和模型迭代。

关键通信链路设计

// MAVLink自定义消息示例（边缘→飞控）
uint8_t obstacle_count        // 检测到的障碍物数量
float32 obstacle_distances[5] // 各方向障碍物距离（米）
float32 target_position[3]    // 目标物体NED坐标（米）
uint8_t detection_confidence  // 检测置信度（0-100）
uint32_t timestamp_ms         // 时间戳（毫秒）

2.4 实战案例：基于Xavier NX的电力巡检感知系统

背景与约束：某电力公司需要无人机自动巡检高压输电线路，要求实时检测绝缘子缺陷和导线异物。飞行高度30-50米，巡航速度8m/s，单次任务续航25分钟。机载设备总功耗预算不超过25W（含相机和通信模块）。

初始目标与现象：初期方案采用云端推理，将1080p视频流通过4G回传至服务器。实测发现：端到端延迟达400-600ms，无人机已飞过目标区域才收到检测结果；且山区4G信号不稳定，断流导致任务中断率高达30%。

关键输入数据：使用YOLOv5s模型（COCO预训练+绝缘子缺陷微调），输入尺寸640×640，FP16精度下在Xavier NX上推理耗时约12ms/帧。相机为ZED 2i双目相机，输出1080p@30fps。

分析判断过程：通过NVIDIA Nsight Systems分析发现，瓶颈不在推理本身，而在视频采集（GStreamer管道CPU占用过高）和MAVLink回传（串口波特率限制）。优化方案：将GStreamer管道启用硬件解码（NVDEC），并将MAVLink回传频率从30Hz降至15Hz。

实际操作步骤：

1. 在Xavier NX上安装JetPack 5.0，配置TensorRT 8.5环境。
2. 使用TensorRT的trtexec工具将YOLOv5s ONNX模型转换为FP16引擎，验证精度损失<0.5% mAP。
3. 编写GStreamer管道：nvarguscamerasrc ! nvvidconv ! nvv4l2h264enc ! rtph264pay，启用硬件编解码。
4. 在PX4的QGroundControl中配置MAVLink串口为921600波特率，启用OBSTACLE_DISTANCE消息接收。
5. 编写Python/ROS2节点，订阅检测结果并发布MAVLink消息，使用MAVSDK-Python库简化协议封装。

结果对比：优化后系统端到端延迟降至35ms（含采集12ms+推理12ms+传输8ms+飞控处理3ms），4G断流时自动切换为纯边缘避障模式，任务完成率提升至97%。功耗实测22W（Xavier NX 15W+相机3W+通信模块4W），满足预算要求。

风险与代价：FP16量化在强光逆光场景下出现少量漏检（召回率下降2.1%），通过增加图像增强预处理（自动白平衡+直方图均衡）缓解。另外，Xavier NX的主动散热风扇在高温环境（>40℃）下噪音明显，需在起飞前检查散热风道。

复盘经验：边缘感知系统的性能瓶颈往往不在算力，而在数据通路（采集、编解码、传输）。建议在项目初期就使用tegrastats和perf工具建立性能基线，避免后期返工。同时，MAVLink消息设计应预留扩展字段，便于后续增加新检测类型。