Jetbot系统介绍

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。

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。

下一节
软件环境安装