NVIDIA Jetson Nano 2GB 系列文章（40）：Jetbot系统介绍

在 2019 年 NVIDIA 推出 Jetson Nano 边缘计算设备之后，这套开源的 Jetbot 智能无人车教学系统也随之而生，为市场提供一套最优性价比的教学系统，不仅结合时下最先进的深度学习智能识别系统，并且使用最精简的硬件元件，让总体搭建成本锁定在 1,500 人民币以内，相较于市面上动辄 5,000 元以上的搭建成本，Jetbot 就显得十分亲民。

这个项目最早出现在 NVIDIA GTC 2019 年大会上，现场演示了“避障”、“循路”与“遇障停止”等功能，吸引众多专业人士的眼球，因为 Jetbot 系统上只使用一个 CSI 摄像头，而没有其他任何距离传感设备(sensor)，便能实现这些复杂的功能，这是相当神奇的一个能力，想体验 Jetbot 的功能，可以在网上找到很多关于这个项目的视频，感受一下这套小车的强大。




相较于其他智能小车，整个 Jetbot 小车大约只用了 8 个电子相关器件，以及 20 个左右的螺丝就能完成安装，如下图所示。其他小车都要使用两倍以上的元器件与螺丝，不仅成本差异非常大，并且组装过程十分繁琐。




此外，Jetbot 用 Jetson Nano（含 2GB）将计算与控制集于一身，传统小车大部分是将这两部分交由两个处理设备来独立负责，主要是因为那些计算设备的性能，不足以顺畅地同时执行计算与控制两个工作，但这样的方式会增加软件上的复杂度，也会影响系统的运行稳定性。

总的来说，Jetbot 智能车学习系统不仅在“成本、易用、稳定”这三方面都有明显的优势，还兼备“智、能、美”三大特色于一身：

智：NVIDIA 完整的 DeepLearning 资源

• 能执行绝大部分 DeepLearning 框架
• TensorRT Inference Engine
• 计算机视觉（CV）库与 Camera Subsystem
  

能：上手就能使用，周边扩充容易

• 最优的计算性能与功耗平衡
• 最丰富的开发资源与 Sample，上手就能使用
• 能直接移植树莓派的绝大部分机电控制应用
  

美：造型美观、成本亲民

• 开源流线造型 3D 打印输出
• 使用数量最少的配设备
• 成本最低，组装最简单
  

接下来的 Jetbot 系列文章，将为大家逐步揭开这个系统的神秘面纱，并引导大家一步一步地完成这个系统的搭建与实验，包括硬件系统组件的细节，以及软件系统的安装、调试与执行，毕竟这样一套模拟无人车运作的系统，必须每个细节都处理到位，任何一个小地方的疏忽都会影响系统的正常操作。

本文重点先为大家剖析一下 Jetbot 的组成元件列表，并将这些元件进行分类，这样有助于在后面分项细节说明中，清楚每个类别所扮演的角色。

1. 计算与控制设备：

这是 Jetbot 系统的核心，用 NVIDIA Jetson Nano 或 2GB 版本来担任，二者的机构尺寸与接口位置几乎一致，因此配套的装置是完全通用的。

Jetson Nano（含2GB）透过一组与树梅派兼容的 40 针扩展引脚，与电子控制设备进行互动，包括传送指令与接收信息，因此 Jetson Nano（含2GB）也同时肩负着控制的功能，这样能非常有效地降低设备之间的交互复杂度。

2. 信息接收设备：

Jetbot 只使用一个 CSI 摄像头，完全模拟人类“视觉感知”的理解方法，用最先进的深度学习“图像分类”技术来识别前方的图像，因此不需要其他声纳、红外线、激光雷达之类的空间距离传感设备，这到现在还是非常独特的做法。

目前 Jetson Nano（含2GB）支持 IMX219 芯片的摄像头，俗称“树莓派 2 代”摄像头，单价在 100 人民币左右。

3. 网络连线设备：

支持 M.2 Key-E 与 USB2/3 等接口的无线网卡，前者主要以 Intel 8265NGW 芯片为主，后者可使用多种双频的 USB 网卡。

网络设备的重点是要与上位机控制台（例如笔记本）保持连线，除了一开始透过控制台对 Jetbot 下达指令之外，还有透过前面所提到的 CSI 摄像头进行数据集采集的任务，以及 Jetbot 运行时的监控。

4. 显示设备：PiOLED

这是个树莓派领域使用率很高的设备，因为这些边缘设备并不方便连接显示器，因此需要一个小显示屏来提供一些简单的信息，特别是这个设备目前的 IP 地址，以及 CPU、内存使用率等简单信息。

这个元件如果是自行采购的话，可能需要一些基础焊接的工作，不过这个显示设备并非必要的元件，会在后面的内容中会进一步说明。

5. 电机控制设备：PCA9685+TB6612控制板、TT减速电机

这里由两个部分所组成：

• PCA9685 + TB6612 二合一控制版：前者负责接收来自 Jetson Nano 的 I2C 信号，后者则根据信号去提供电机所需要的电源，这个控制版的成本大约在 40 人民币左右，非常实惠。
• 电机驱动的部分：包括两个 TT 电机与两个配套的外轮，前者接受 TB6612 供应的电流进行不同方向与速度的旋转，带动后者与地面摩擦执行 Jetbot 的行进。这部分的总成本在 20 元人民币以内。
  

6. 电源供应设备：

由于 Jetbot 所使用的电器设备全部都是 5V 电压，使用市面上标准的充电宝就可以，不过受到车座所留给放置电源的空间限制，对于充电宝的宽带与高度是有要求的，并且需要两个以上的供电口。

熟悉电源供应的读者，也可以自行制作 5V/3A 输出的电源方案。

7. 车座机构件：

这个在 Jetbot 小车官网上有提供开源的 3D 打印文件，读者可以下载后自行打印，或者在淘宝上这方面的服务供应商去打印也可以。




如果自己有 3D 打印机，技巧好一点的还可以打出如下图的彩色底座。



在我们完成上述所有硬件的组装之后，就能去执行 Jetbot 所提供的以下 4 个开源项目以及 2 个 Jetson Community 比较有意思的开源项目：

• 基本运动：从 web 浏览器对 JetBot 进行编程，执行基本的电机控制；
• 对象跟踪：使用预训练的对象检测模型，对人、杯子或狗等 80 类物件执行跟踪功能；
• 避免碰撞：这是 Jetbot 的经典范例，使用深度学习的“图像分类”功能所实现的功能，主要分为两部分，全部透过一个 CSI 摄像头来进行：
  (1) 透过 CSI 摄像头收集“障碍(block)”与“无障碍(free)”而分类图形，在 Jetson Nano（含2GB）进行模型训练，
  (2) 将训练好的模型用在 Jetbot 上，对 CSI 摄像头实时读入的图像桢上进行推理识别，进而实行“避免碰撞”的功能。
• 交通锥循路：这是 Jetson 社区里的开源项目，基于“避免碰撞”实验的扩展，将收集的数据分为“先前”、“向左”、“向右”、“障碍”四分类，执行与“避免碰撞”相同逻辑与步骤，进行数据集收集、模型训练与推理运作。
• 道路跟踪：这是使用线性回归(linear regression)的方式来实现“循路”的功能，前提是道路上必须有分割线，才能使用这种方式实现循路的功能，过程中可以使用到游戏摇杆的协助，来收集数据集进行训练。
• 避障与循路的结合：这也是基于 Jetson 社区的开源项目，将第 3 个“避免碰撞”与第 5 个“道路跟踪”实验相结合，是个实用性非常高的实验。
  

接着就开启我们的 Jetbot 系列的内容，全程在 Jetson Nano 2GB 上操作，带着大家一起轻松地玩转起来这套结构简单、成本亲民的无人车教学系统。