1. 课程导入与IGX平台全景

机器人系统正在从“单板控制 + 独立感知”走向“多传感器融合 + 实时闭环控制”。一台典型的自主移动机器人或人形机器人，往往同时挂着 4～8 路 GMSL 摄像头、1～2 台 3D 激光雷达、IMU、轮式里程计、力/力矩传感器，还要在本地完成目标检测、语义分割、SLAM、路径规划与关节伺服。这些任务对算力、实时性、功能安全和功耗的要求彼此冲突：感知模型想要大算力，控制回路要求确定性延迟，整机又必须满足功耗与散热约束。NVIDIA IGX 平台正是为这类“工业级边缘机器人”设计的计算与软件底座。

IGX 的定位：介于 Jetson 与数据中心之间

理解 IGX，最有效的方式是把它放进 NVIDIA 的边缘计算产品谱系中对比。Jetson Orin 系列面向嵌入式 AI，算力约 100～275 TOPS（INT8），功耗 15～60 W，适合中小型机器人；数据中心级 A100/H100 面向训练与大规模推理，功耗数百瓦，需要主动散热与稳定供电；IGX 则定位在两者之间——它把服务器级的算力、工业级的可靠性与机器人专用的 I/O 集成到同一模块化平台中。

IGX 的核心价值可以概括为三点：确定性（实时控制与安全域隔离）、可扩展性（从 IGX Orin 开发套件到 IGX Thor 生产模块）、软硬协同（Holoscan 传感器处理框架 + Isaac ROS + JetPack/L4T 统一软件栈）。它不是一块“更快的 Jetson”，而是一套面向工业机器人量产的参考架构。

机器人感知与控制开发的核心挑战

在动手写代码之前，先要看清真正卡住项目的问题。以下四类挑战贯穿本课程始终：

• 传感器接入与时间同步：GMSL 摄像头通过解串器接入，多路视频流需要硬件级 PTP/GPIO 触发同步，否则融合结果会出现“鬼影”。
• 端到端延迟预算：从光子打到传感器，到关节输出力矩，整条链路通常要求 < 100 ms，其中感知占 30～50 ms，规划 10～20 ms，控制 1～5 ms。任何一段超时都会破坏闭环稳定性。
• 算力与功耗的权衡：同一块 IGX 上要跑 3 个 DNN 模型 + SLAM + 控制器，必须做模型量化、算子融合与流水线并行。
• 功能安全与实时性：控制回路不能被感知任务抢占，需要 CPU 隔离、实时内核补丁与安全域划分。

这些挑战不是孤立的技术点，而是一条从“传感器 → 计算 → 决策 → 执行”的完整信号链。下图给出 IGX 平台在机器人系统中的全景位置，以及本课程后续章节将逐段展开的关键环节。

课程目标与整体学习路径

本课程的目标不是“介绍 IGX 有哪些功能”，而是让读者能够独立完成一台 IGX 机器人从环境搭建到感知控制闭环的完整开发流程。具体来说，学完课程后应能做到：

1. 在 IGX 开发套件上完成 JetPack/L4T 刷机、Holoscan SDK 安装与 GMSL 相机接入；
2. 用 Holoscan 搭建多传感器流水线，并验证时间同步与端到端延迟；
3. 在 IGX 上部署量化后的感知模型，并测量吞吐与功耗；
4. 配置实时内核与 CPU 隔离，实现 1 kHz 控制回路的确定性执行；
5. 将感知、规划、控制串成闭环，并用日志与指标判断系统是否达标。

课程整体按“平台认知 → 环境搭建 → 传感器接入 → 感知部署 → 实时控制 → 系统集成与调优”的顺序推进。前 5 章建立平台全景与开发环境，中间章节分别深入 Holoscan 流水线、GMSL 相机、模型部署与实时控制，最后几章做系统级集成、性能剖析与故障排查。每一章都会给出可执行的命令、配置片段或参数表，而不是停留在概念层面。

关键参数速查（示例配置）

下表给出一台典型 IGX 移动机器人开发平台的参考配置，后续章节会反复引用这些参数作为示例基线。表中数值为教学示例，实际项目需根据传感器型号与任务负载调整。

需要特别强调的是，IGX 的开发不是“把模型跑起来”就结束。真正的难点在于：当 6 路相机同时输入、SLAM 在后台建图、控制回路以 1 kHz 运行时，系统是否还能保持稳定？延迟是否可预测？功耗是否在散热允许范围内？这些问题只有在完整闭环中才能暴露，也正是本课程要带你逐一解决的对象。

接下来，课程将从 IGX 的硬件架构与软件栈开始，逐步展开每一个关键环节。你不需要一次记住所有参数，但需要建立一条清晰的主线：传感器如何接入 → 数据如何在 IGX 内流动 → 感知结果如何驱动控制 → 系统如何验证与调优。这条主线将贯穿全部 30 章。