3、嵌入式平台选型：主流嵌入式平台（Jetson、RK3588、树莓派等）性能对比、接口资源、选型依据与成本考量
深度相机在嵌入式平台上的部署，首要任务并非算法调优，而是硬件选型。选型错误将直接导致算力不足、接口不匹配或成本失控，后续所有优化工作都将事倍功半。本章聚焦Jetson系列、瑞芯微RK3588及树莓派三大主流平台，从算力、接口、成本与生态四个维度展开系统对比，并给出可落地的选型决策路径。下图展示了深度相机与嵌入式平台之间的核心适配关系，包括算力匹配、接口映射与功耗约束三大关键环节。
深度相机（如Intel RealSense、Orbbec、Stereolabs）输出的是高带宽的深度数据流，对嵌入式平台的CPU/GPU/NPU算力、内存带宽、接口速率及驱动兼容性均有严苛要求。选型时需综合评估算法复杂度、帧率需求、功耗预算与量产成本，而非单纯追求峰值算力。
3.1 核心原理：算力、接口与功耗的三角平衡
嵌入式平台选型的本质是在算力、接口与功耗之间寻找最优平衡点。算力决定了深度图后处理（如点云生成、目标检测、SLAM）的实时性；接口决定了相机与平台之间的数据传输带宽与兼容性；功耗则直接影响系统续航、散热设计与部署环境适应性。三者相互制约，例如Jetson Orin NX算力强大但功耗高达25W，而树莓派5功耗仅5W但算力有限。
深度相机数据流通常包含：原始深度图（16bit，如640×480@30fps约18MB/s）、RGB图（8bit，1080p@30fps约62MB/s）、IMU数据（低频小包）。这些数据需通过MIPI CSI-2或USB 3.0接口实时传输至平台内存，再经算法处理输出结果。若接口带宽不足或驱动不完善，将导致丢帧、延迟甚至系统崩溃。
3.2 主流平台性能对比与接口资源
下表从算力、内存、接口、功耗与价格五个维度，对三大平台进行横向对比。数据基于2025年主流型号，实际参数以官方最新规格为准。
| 对比维度 | NVIDIA Jetson Orin NX | 瑞芯微 RK3588 | 树莓派 5 (8GB) |
|---|---|---|---|
| AI算力 | 100 TOPS (稀疏) | 6 TOPS (NPU) | 无专用NPU |
| CPU | 8核 Arm Cortex-A78AE | 8核 (4×A76 + 4×A55) | 4核 Cortex-A76 |
| GPU | Ampere 1024 CUDA | Mali-G610 MP4 | VideoCore VII |
| 内存 | 8/16GB LPDDR5 | 4/8/16GB LPDDR4x | 4/8GB LPDDR4x |
| MIPI CSI | 2× CSI (4-lane) | 2× CSI (4-lane) | 2× CSI (4-lane) |
| USB 3.0 | 4× USB 3.2 | 2× USB 3.1 | 2× USB 3.0 |
| PCIe | ×8 Gen4 | ×4 Gen3 | ×4 Gen3 |
| 典型功耗 | 10-25W | 5-10W | 5-7W |
| 参考价格 | ¥3000-5000 | ¥800-1500 | ¥500-800 |
接口资源方面，三者均支持MIPI CSI-2与USB 3.0，但Jetson的CSI带宽更高（支持4-lane×2），适合多相机同步；RK3588提供丰富的GPIO与UART，便于与外部传感器联动；树莓派则拥有最成熟的HAT扩展生态，但PCIe带宽受限，不适合高速数据采集。
3.3 选型依据：从需求到平台的决策流程
选型应遵循“需求定义→算法评估→接口确认→成本核算”四步流程。首先明确部署场景（室内/室外、固定/移动）、帧率要求（15/30/60fps）、算法复杂度（轻量级分类或重型SLAM）及功耗预算（电池供电或市电）。其次，使用目标算法在候选平台上进行原型验证，记录实际帧率与CPU/GPU占用率。再次，确认深度相机的驱动是否已适配该平台内核版本，MIPI接口的时序是否匹配。最后，核算单台硬件成本、散热成本与开发人力成本。
- 场景分类：若为固定式工业检测，优先考虑RK3588（性价比高）；若为移动机器人，Jetson的CUDA生态更适合SLAM；若为教育原型验证，树莓派足够。
- 算法验证：使用同一份ONNX模型，分别在三个平台上运行，记录端到端延迟。例如YOLOv5s在Jetson上可达30ms，RK3588约80ms，树莓派约200ms。
- 接口匹配：检查相机是否提供MIPI模组版本（如RealSense D435i的MIPI版），或仅支持USB。USB版本需确认平台USB控制器带宽是否足够。
- 成本核算：除开发板价格外，还需考虑载板设计费用、散热器、电源模块及量产BOM成本。
3.4 实战案例：移动机器人深度感知平台选型
某服务机器人团队需为室内导航机器人选型，要求：搭载RealSense D435i，运行ORB-SLAM3与YOLOv5s障碍物检测，帧率≥20fps，整机功耗≤15W，单台硬件成本≤¥2500。
初始方案：团队最初选择Jetson Orin NX 8GB，认为其算力最强。实测ORB-SLAM3运行良好，但整机功耗达22W（含相机），超出预算；且载板设计周期长，成本超支。
分析过程：重新评估算法需求——ORB-SLAM3主要依赖CPU单核性能与内存带宽，YOLOv5s依赖GPU/NPU。RK3588的A76大核性能接近Jetson的A78AE，NPU可加速YOLO推理。实测RK3588上ORB-SLAM3帧率约18fps，YOLOv5s约25fps，接近需求。
实际操作：团队改用RK3588开发板（¥1200），搭配被动散热片（¥30），使用USB 3.0连接D435i。通过调整ORB-SLAM3的ORB特征点数量（从2000降至1500）与YOLO输入尺寸（640→512），最终实现22fps，整机功耗12W，总成本¥1800。
结果对比：Jetson方案性能余量更大（30fps），但成本超预算40%；RK3588方案满足需求且留有升级空间。团队最终选择RK3588，并预留PCIe接口以便未来扩展加速卡。
3.5 常见误区与总结复盘
误区一：唯算力论。只关注TOPS数值，忽略算法实际利用率。例如Jetson的100 TOPS为稀疏算力，实际稠密算力约50 TOPS，且需TensorRT优化才能发挥。
误区二：忽视接口带宽。USB 2.0无法承载1080p深度流，MIPI接口的时钟频率不匹配会导致花屏。选型前务必查阅相机数据手册与平台接口规格。
误区三：忽略生态成本。树莓派生态最成熟，但缺乏GPU加速库；Jetson的JetPack SDK功能强大但学习曲线陡峭；RK3588的RKNN工具链相对封闭，迁移模型需额外适配。
总结复盘：选型应基于“需求-验证-成本”闭环，而非参数堆砌。建议团队在项目启动初期，用2-3天时间在候选平台上跑通最小原型（相机采集+基础算法），用实测数据驱动决策。同时，预留20%的算力余量以应对算法迭代，并评估平台的生命周期与供应链稳定性。