📚 课程目录第2章 Jetson平台基础

2. Jetson平台基础

在机载计算与PX4集成的工程链路中，Jetson并不是一块“更快的树莓派”，而是一台带有GPU、统一内存架构和完整Linux生态的边缘AI计算机。理解它的硬件分层、软件栈和远程开发方式，是后续部署视觉推理、SLAM、MAVLink桥接与实时控制的前提。本节从硬件规格、JetPack SDK、Ubuntu环境配置和远程开发四个角度建立Jetson平台的整体认知。

一、Jetson系列硬件规格与选型逻辑

Jetson家族按算力、功耗和接口能力大致分为三条线：Nano/TX2系列面向入门与低功耗场景，Xavier NX/AGX Xavier面向中端机器人平台，Orin Nano/Orin NX/AGX Orin面向新一代高算力边缘AI。机载场景最关注的不是峰值TOPS，而是功耗、重量、接口、内存带宽和散热的平衡。

以常见的Orin NX 16GB为例，它提供100 TOPS（INT8）算力、16GB LPDDR5统一内存、PCIe Gen4、千兆网口和CSI摄像头接口，典型功耗10–25W。统一内存意味着CPU与GPU共享同一块物理内存，CUDA零拷贝和TensorRT推理可以避免主机与设备之间的显式拷贝，这对延迟敏感的视觉闭环非常关键。

型号	AI算力(INT8)	内存	典型功耗	适用场景
Jetson Nano	0.5 TOPS	4GB LPDDR4	5–10W	教学、轻量视觉
Xavier NX	21 TOPS	8/16GB	10–20W	中型无人机、机器人
Orin Nano	40 TOPS	8GB	7–15W	入门级边缘AI
Orin NX	100 TOPS	8/16GB	10–25W	机载视觉、SLAM
AGX Orin	275 TOPS	32/64GB	15–60W	高算力无人平台

选型时先确定推理模型规模与帧率，再反推算力和内存，最后核对功耗与散热。若模型需要TensorRT INT8且帧率30FPS以上，Orin NX通常是机载平台的性价比拐点。

二、JetPack SDK：从驱动到推理的完整栈

JetPack是NVIDIA为Jetson提供的官方SDK，它把L4T（Linux for Tegra）、CUDA、cuDNN、TensorRT、VisionWorks、DeepStream和多媒体API打包在一起。JetPack版本与L4T版本严格对应，例如JetPack 5.x对应L4T 35.x（Ubuntu 20.04），JetPack 6.x对应L4T 36.x（Ubuntu 22.04）。

JetPack = L4T(Ubuntu) + CUDA + cuDNN + TensorRT + 多媒体/视觉库 + 示例工程

安装JetPack有两种主流方式：一是使用NVIDIA SDK Manager在Ubuntu主机上刷写，适合首次部署和完整环境；二是使用预制的SD卡镜像，适合快速验证。刷机后必须确认以下组件版本一致：

# 查看L4T版本
cat /etc/nv_tegra_release

# 查看CUDA与TensorRT
nvcc --version
dpkg -l | grep tensorrt

# 查看JetPack版本
apt-cache show nvidia-jetpack | grep Version

在机载集成中，JetPack版本决定了可用的CUDA算子和TensorRT版本，而TensorRT版本又直接影响ONNX模型转换的成功率。因此，先锁定JetPack版本，再选择模型和推理框架，是避免后期返工的关键顺序。

三、Ubuntu环境配置与远程开发方法

Jetson默认运行Ubuntu，但机载设备通常没有显示器和键鼠，因此远程开发是常态。推荐采用“SSH + VSCode Remote + 串口/网络双通道”的组合：SSH用于日常开发，VSCode Remote提供图形化编辑与调试，串口或独立网口用于PX4飞控通信。

基础环境配置建议按以下顺序执行：

设置固定IP或mDNS主机名，保证机载网络稳定；
配置SSH密钥登录，禁用密码登录；
安装VSCode Remote-SSH插件，在Jetson上运行Python/C++调试；
配置NTP或chrony时间同步，避免MAVLink时间戳错乱；
设置CPU/GPU功耗模式，如nvpmodel和jetson_clocks。

# 查看当前功耗模式
sudo nvpmodel -q

# 设置为最大性能模式（Orin NX为0）
sudo nvpmodel -m 0
sudo jetson_clocks

# 查看温度与频率
tegrastats

远程开发时，建议把代码放在Jetson本地或通过NFS挂载，避免在Wi-Fi链路上频繁同步大文件。VSCode Remote的端口转发可以同时暴露Jupyter、ROS桥接和MAVLink UDP端口。

四、典型场景与常见误区

一个典型的机载视觉场景是：Jetson Orin NX通过CSI摄像头采集图像，TensorRT运行YOLO检测，结果通过MAVLink发送给PX4，PX4执行位置控制。此时Jetson负责感知与决策，PX4负责实时控制，两者通过UART或UDP通信。若Jetson端推理延迟超过50ms，整个闭环就会出现明显滞后，因此必须用tegrastats和TensorRT的profiler持续监控。

常见误区包括：

只看TOPS不看内存带宽：大模型推理常受限于内存带宽而非算力；
忽略JetPack与L4T版本对应关系：导致CUDA或TensorRT无法安装；
在机载端使用桌面版Ubuntu源：可能破坏L4T驱动；
不做功耗与散热验证：高负载下Jetson降频，推理帧率骤降；
远程开发时直接暴露SSH到公网：存在安全风险，应使用VPN或跳板机。

刷机或升级JetPack前，务必确认飞控通信、摄像头驱动和自定义内核模块的兼容性。机载平台一旦刷机失败，现场恢复成本很高，建议保留可启动的备用SD卡或eMMC镜像。

总结来看，Jetson平台的基础可以归纳为“硬件选型—JetPack版本锁定—Ubuntu环境配置—远程开发链路”四步。只有把这条链路打通，后续的TensorRT部署、ROS2节点和PX4集成才有稳定的运行基础。