3. 边缘AI硬件平台
当无人机从“会飞”走向“会看、会判、会决策”，机载计算平台就成为整个边缘AI系统的物理底座。同一套YOLO检测模型，跑在Jetson Orin NX、RK3588、Kria KV260或自研ASIC上，其帧率、功耗、散热设计和整机成本可能相差数倍。理解不同硬件路线的能力边界，是无人机边缘部署选型的第一步。
一、五类主流边缘AI硬件架构
无人机机载AI硬件大致可分为五类：嵌入式AI SoC、GPU、NPU、FPGA和ASIC。它们并非互斥，很多芯片是“CPU+GPU+NPU”的异构组合，例如Jetson系列同时集成GPU与DLA（深度学习加速器），RK3588集成CPU、GPU和NPU。
- 嵌入式AI SoC：以ARM CPU为核心，集成GPU/NPU/DSP，典型如Jetson Orin、RK3588、地平线旭日、爱芯元智。优势是集成度高、功耗可控、生态成熟，是无人机主流选择。
- GPU：并行浮点能力强，适合训练和通用推理，但功耗高、体积大。机载端多用低功耗嵌入式GPU（如Jetson的Ampere GPU），而非桌面级显卡。
- NPU：专为神经网络算子设计的定点加速单元，能效比极高，通常以IP核形式集成在SoC中，如昇腾、寒武纪、瑞芯微NPU。
- FPGA：可编程逻辑阵列，适合低延迟、非标准算子、多传感器融合，但开发门槛高、成本高，常用于军工或高端吊舱。
- ASIC：为特定算法定制的专用芯片，量产时能效和成本最优，但流片费用高、灵活性差，适合出货量大的消费级无人机。
二、算力、功耗与成本的三维权衡
评估边缘AI硬件，不能只看TOPS（每秒万亿次操作）数字。厂商标称的INT8峰值算力往往在理想条件下测得，实际推理受内存带宽、算子支持、量化精度影响。更实用的指标是“有效算力/瓦”和“端到端延迟”。
功耗直接决定无人机续航和散热方案。机载平台通常要求整板功耗在5W～30W之间，超过30W就需要主动散热，增加重量和故障点。成本则包括芯片、内存、载板、散热和开发人力，FPGA和ASIC的隐性开发成本常被低估。
三、典型平台参数对比
下表汇总了无人机边缘AI常见的几类代表平台，参数为典型量级，实际以具体型号数据手册为准。
| 平台类型 | 代表型号 | 典型INT8算力 | 典型功耗 | 灵活性 | 适用场景 |
|---|---|---|---|---|---|
| 嵌入式AI SoC | Jetson Orin NX | 70～100 TOPS | 10～25 W | 高 | 中高端无人机、多路视觉 |
| 嵌入式AI SoC | RK3588 | 6 TOPS | 3～8 W | 高 | 消费级无人机、轻量检测 |
| GPU | Jetson AGX Orin GPU | 170～275 TOPS | 15～40 W | 很高 | 复杂模型、训练验证 |
| NPU | 昇腾310 / 寒武纪MLU | 8～16 TOPS | 5～15 W | 中 | 定点推理、边缘盒子 |
| FPGA | Xilinx Kria KV260 | 1～5 TOPS | 5～15 W | 极高 | 低延迟、多传感器融合 |
| ASIC | 定制视觉芯片 | 2～20 TOPS | 1～5 W | 低 | 量产消费无人机、固定算法 |
四、部署场景与选型案例
以农业植保无人机为例，任务是在飞行中实时识别病虫害区域并生成喷洒处方图。模型为轻量级MobileNet-SSD，输入640×480，要求≥25 FPS，整板功耗≤10W，成本敏感。
- 若选Jetson Orin NX，算力过剩，功耗和成本偏高，但可预留多路相机和后续模型升级空间。
- 若选RK3588，NPU 6 TOPS足以跑量化后的MobileNet-SSD，功耗约5W，成本约为Orin方案的三分之一，是性价比首选。
- 若选FPGA，可实现极低延迟，但开发周期长，算法迭代困难，不适合快速产品化。
- 若选ASIC，量产成本最低，但算法一旦固化难以升级，适合出货量百万级以上的成熟产品。
五、常见误区与复盘
误区一：只看TOPS，不看内存带宽。很多NPU标称算力很高，但DDR带宽不足，实际推理时数据搬运成为瓶颈，帧率远低于预期。选型时要关注内存带宽和模型是否常驻片上缓存。
误区二：忽略量化支持。INT8量化能大幅提升能效，但并非所有算子都支持。若模型中存在NPU不支持的算子，会回退到CPU执行，导致延迟飙升。部署前必须用厂商工具链做算子兼容性检查。
误区三：低估散热与重量。无人机对重量极其敏感，30W以上的计算平台通常需要散热片甚至风扇，增加100～300g重量，直接影响续航。选型时应把散热方案纳入整机功耗预算。
误区四：把开发成本当零。FPGA和ASIC的NRE（一次性工程费用）和人力成本很高，小批量项目往往得不偿失。嵌入式SoC的软件生态成熟，能显著缩短上市时间。
# 以RK3588为例，查看NPU算力与模型支持情况
cat /sys/kernel/debug/rknpu/version
# 输出示例：RKNPU driver version: 0.9.6
# 使用rknn-toolkit2检查模型算子兼容性
python3 -c "
from rknn.api import RKNN
rknn = RKNN()
rknn.load_onnx(model='yolov5s.onnx')
rknn.config(target_platform='rk3588')
rknn.build(do_quantization=True, dataset='./dataset.txt')
"
# 若出现 Unsupported op 提示，需替换或自定义算子
总结来看，无人机边缘AI硬件选型应遵循“先约束、后算力、再成本”的顺序：先明确功耗、重量、延迟和环境的硬约束，再在满足约束的架构中比较有效算力和工具链成熟度，最后结合量产规模评估总拥有成本。嵌入式AI SoC是大多数无人机项目的起点，NPU提供高能效推理，GPU适合复杂模型验证，FPGA面向低延迟特种场景，ASIC则是量产成熟后的终极形态。