JetBot 2GB AI Kit：低成本入门边缘AI与机器人开发的实战指南

1. 项目缘起：为什么是JetBot 2GB AI Kit？

如果你对机器人、边缘AI或者ROS（机器人操作系统）有点兴趣，最近可能经常听到一个名字：JetBot。这玩意儿不是某个大厂推出的商业产品，而是一个由NVIDIA官方主导的开源机器人平台。它的核心思路非常清晰——用一块小巧但算力惊人的NVIDIA Jetson Nano开发板作为机器人的“大脑”，再配上一些基础的运动部件和传感器，让你能亲手搭建一个能跑、能看、能思考的智能小车。

那么，这个“JetBot 2GB AI Kit”又是什么来头？简单说，它是一个围绕Jetson Nano 2GB开发者套件打造的、开箱即用的机器人套件包。几年前，当Jetson Nano 4GB版本还是主流时，组装一台JetBot需要你自己去采购底盘、电机、摄像头、电池等一堆零散部件，对新手来说门槛不低。而这个Kit的出现，就是把所有必需的硬件（除了Jetson Nano主板本身）打包好，并且做了预适配和测试，让你拿到手后，拧上几颗螺丝，接上几条线，刷入官方镜像，就能快速让一个AI机器人跑起来。

我之所以对这个Kit特别关注，是因为它精准地卡在了一个非常有意思的节点上：低成本入门与真实AI应用之间的平衡点。2GB版本的Jetson Nano价格更亲民，而官方Kit又解决了“从零攒机”的麻烦。对于学生、教育者、创客，或者任何想快速验证一个移动机器人AI想法（比如目标跟踪、自主避障、手势识别）的人来说，它都是一个极具吸引力的起点。接下来，我就结合自己的上手体验和项目开发经历，把这个Kit里里外外拆解清楚，看看它到底能做什么，以及怎么用好它。

2. 开箱与硬件全景：不止是“一堆零件”

当你拿到这个Kit，第一感觉可能是“东西比想象中多”。它不是一个完全组装好的成品，而是需要你完成最后一步的组装。这种设计很好，既降低了运输成本和复杂度，又保留了动手的乐趣和学习价值。我们来看看包里都有什么核心硬件。

2.1 核心大脑：NVIDIA Jetson Nano 2GB Developer Kit

这是整个项目的灵魂。Jetson Nano是一块信用卡大小的嵌入式AI计算模块，虽然只有2GB的LPDDR4内存，但其搭载的128核NVIDIA Maxwell架构GPU，让它具备了在终端设备上实时运行现代神经网络的能力。与树莓派等通用单板机相比，它的核心优势就是为AI推理做了深度优化。

注意：Kit里通常不包含Jetson Nano主板，你需要单独购买。这是因为NVIDIA将主板和机器人套件作为两个独立的产品线，方便用户自由组合。购买时务必确认是“Jetson Nano 2GB Developer Kit”，而不是更早的4GB版本或模块版本。

这块板子提供了丰富的接口：多个USB 3.0、千兆网口、HDMI、GPIO排针等。在JetBot项目中，我们会重度依赖它的CSI摄像头接口（用于连接树莓派摄像头）和GPIO（用于控制电机驱动板）。

2.2 运动与承载：底盘、电机与驱动

Kit包含了一个经典的两轮差速驱动底盘。两个带编码器的TT马达分别驱动左右轮，后方是一个万向轮，构成三轮结构。这种结构简单、可靠，是移动机器人中最常见的运动模型。

电机驱动板是关键部件。Kit通常搭配一款兼容Jetson Nano GPIO的驱动板（比如基于PCA9685 PWM伺服驱动芯片的板子）。它的作用是把Jetson Nano发出的微弱数字信号，转换成能够驱动电机正反转、调速的大电流信号。驱动板一般通过I2C总线与Jetson Nano通信，这意味着你只需要连接2根数据线（SDA, SCL）和电源线，就能控制两个电机，非常简洁。

编码器的作用常常被新手忽略。这两个小小的模块安装在电机轴上，电机每旋转一圈，它会输出一定数量的脉冲。通过Jetson Nano的GPIO读取这些脉冲，我们就能精确知道轮子转了多少圈，从而估算出机器人的移动距离和速度。这是实现精准位置控制（比如走一个精确的正方形）和里程计（Odometry）的基础，对于后续的SLAM（同步定位与建图）等进阶功能至关重要。

2.3 感知之眼：树莓派摄像头模块

视觉是JetBot AI能力的核心输入。套件标配一个树莓派摄像头模块（通常是V2版本，800万像素），通过一条柔软的排线连接到Jetson Nano的CSI接口。为什么用树莓派摄像头？因为其驱动在Linux社区（包括Jetson系列使用的Ubuntu系统）中支持得非常好，而且体积小巧，性价比高。

这个摄像头能拍摄1080p/30fps或720p/60fps的视频流。在AI推理中，我们通常不需要这么高的分辨率，反而会将其下采样到224x224或320x320等尺寸，以提升处理速度。摄像头被巧妙地安装在一个可以上下调节角度的支架上，让你能根据机器人高度和任务需求调整视角。

2.4 能源与连接：电池、充电器与其它

• 电池与电源管理：套件包含一块3.7V的锂电池（常见容量在3000mAh以上）和一个专用的充电管理板。这里有个非常重要的细节：Jetson Nano在满载运行时功耗可能超过5W，而电机启动的瞬间电流更大。因此，绝对不能直接用这种电池通过Micro USB口给Jetson Nano供电，电量根本不够，也会导致电压骤降而重启。正确的做法是，电池输出连接到充电管理板，然后该板子通过一个DC降压模块，输出稳定的5V/4A给Jetson Nano的桶形电源接口。同时，驱动板的电机供电也来自这块电池。充电管理板则通过Micro USB口进行充电。
• 结构件与线材：包括亚克力或塑料的车身板、螺丝包、尼龙柱、以及各种长度的杜邦线（用于连接GPIO）。组装过程就像拼一个精细的模型，需要一点耐心。
• 无线网卡（可选但强烈推荐）：虽然Jetson Nano自带有线网口，但一个机器人拖着网线显然不现实。大多数Kit不包含无线网卡，你需要自备一个兼容Linux的USB无线网卡（如常见的使用RTL8812BU芯片的型号），或者使用兼容的PCIe无线网卡（如果底板有M.2 Key E接口）。联网后，你可以通过SSH远程登录机器人，无需外接显示器键盘，方便太多了。

3. 从零到一的软件栈部署：避坑指南

硬件组装完毕，只是有了躯体。接下来为它注入灵魂——软件系统。这是新手最容易“从入门到放弃”的环节，我结合踩过的坑，梳理出一条最顺畅的路径。

3.1 系统镜像烧录与首次启动

NVIDIA为JetBot项目维护了一个专用的SD卡系统镜像。这个镜像基于Ubuntu 18.04（或更新版本），并预装了所有必需的软件：Jetson Nano的BSP（板级支持包）、CUDA、cuDNN、TensorRT等AI计算库，以及为JetBot定制的Python环境、Jupyter Notebook示例和电机控制库。

操作步骤：

1. 下载镜像：前往NVIDIA JetBot的GitHub仓库，找到最新版本的“jetbot-2GB”镜像文件（是一个.img.xz压缩包）。
2. 烧录SD卡：使用Etcher或Raspberry Pi Imager这类工具，将镜像烧录到一张至少32GB的Micro SD卡上。务必使用Class 10或UHS-I以上速度的卡，否则系统运行会非常卡顿。
3. 首次启动：将烧录好的SD卡插入Jetson Nano，连接显示器、鼠标键盘，最后上电。第一次启动会进行系统扩展和初始化，耗时可能较长，耐心等待即可。

关键避坑点：

• 电源至关重要：必须使用5V/4A的电源，并通过桶形电源接口供电。使用Micro USB口供电必然导致不稳定。
• 镜像版本匹配：确保下载的镜像明确支持Jetson Nano 2GB。为4GB版本制作的镜像可能无法在2GB上正常启动。
• 显示器问题：如果启动后黑屏，可以尝试在开机前先接好HDMI线，或者换一条线试试。有时需要外接显示器完成初始设置后，才能启用无头模式。

3.2 网络配置与无头模式设置

为了让JetBot脱离显示器自由奔跑，必须配置好网络和SSH。

1. 连接Wi-Fi：在桌面环境下，通过系统设置连接你的无线网络。或者，更硬核的做法是，修改/etc/netplan下的配置文件。记下JetBot获取到的IP地址。
2. 启用SSH：打开终端，输入sudo systemctl enable ssh和sudo systemctl start ssh。
3. 远程登录：在你的电脑上，使用终端（Linux/Mac）或PuTTY（Windows），通过ssh jetbot@<jetbot_ip_address>登录。默认密码通常是jetbot。

至此，你就可以拔掉显示器、键盘鼠标，只通过SSH来操控你的JetBot了。所有后续开发都可以在远程终端或Jupyter Notebook中进行。

3.3 核心软件库解析：jetbot与Adafruit_PCA9685

系统镜像已经预装了核心的Python库。理解它们的作用，能让你在出问题时知道从哪里排查。

• jetbot：这是NVIDIA提供的官方Python软件包。它封装了底层硬件操作，提供了高级的、易于使用的API。例如：

  from jetbot import Robot robot = Robot() robot.forward(0.3) # 以30%的速度前进 robot.left(0.2) # 左转 robot.stop()

  这个库还包含了摄像头访问、图像处理工具函数，以及所有示例Notebook。它是你开发应用的主要工具。
• Adafruit_PCA9685：这是驱动电机控制板（PCA9685芯片）的底层库。jetbot库中关于电机的部分，实际上调用了这个库来生成PWM信号。如果你需要更精细地控制舵机或其他PWM设备，可能需要直接使用这个库。

环境验证：在SSH终端中，尝试运行一个简单的测试脚本，检查电机和摄像头是否工作正常。

# test_jetbot.py import time from jetbot import Robot, Camera robot = Robot() camera = Camera() # 测试摄像头 image = camera.value print(f"Image shape: {image.shape}") # 应该输出类似 (224, 224, 3) # 测试电机（将车抬起，轮子空转！） robot.forward(0.2) time.sleep(1) robot.stop() print("Test completed!")

安全警告：运行任何涉及电机运动的代码前，务必将JetBot车身抬起，让轮子悬空！否则它会直接冲出去，可能损坏自己或撞坏东西。

4. AI能力实战：从示例到自定义应用

官方镜像提供了多个Jupyter Notebook示例，它们是绝佳的学习起点。我们深入看两个最经典的应用，并探讨如何将其扩展。

4.1 示例一：自主避障（Collision Avoidance）

这个示例展示了JetBot如何通过深度学习来“看见”并避开前方的障碍物。

原理拆解：

1. 数据收集：首先，你需要手动遥控JetBot，在它前方有障碍物（如箱子、墙壁）和没有障碍物时，分别采集大量图片。每张图片会被打上“自由”或“阻塞”的标签。这个过程本质上是创建一个二分类图像数据集。
2. 模型训练：使用迁移学习（Transfer Learning）。示例代码会加载一个在ImageNet上预训练好的轻量级卷积神经网络（如ResNet18），但替换掉最后的全连接层，改为一个二分类输出层。然后，用你收集的小数据集对这个新层进行微调（Fine-tuning）。由于预训练模型已经学会了提取图像的通用特征（边缘、纹理等），我们只需要很少的数据（几百张图片）和很短的时间（在Jetson Nano上几分钟到十几分钟），就能得到一个相当准确的避障分类器。
3. 部署推理：训练好的模型被保存下来。在实时运行环节，JetBot不断用摄像头捕获图像，输入到这个模型中。模型输出一个介于0到1之间的概率值，表示“阻塞”的可能性。程序设定一个阈值（如0.5），当概率超过阈值时，就控制机器人转向或后退。

我的实操心得：

• 数据质量决定上限：收集数据时，要尽可能模拟真实场景。在不同光线条件、不同背景、不同障碍物类型下都采集一些。避免背景中有固定图案（如地板花纹）被模型误认为是障碍物特征。
• 阈值是调参关键：阈值设得太高（如0.9），机器人会变得非常“鲁莽”，容易撞上；设得太低（如0.2），则会过于“胆小”，寸步难行。需要在安全环境下反复测试调整。
• 动作策略设计：示例中简单的“检测到障碍就转向”可能让机器人在角落卡住。更优的策略是加入“随机转向角度”或“最近一次成功方向记忆”，让行为更智能。

4.2 示例二：目标跟踪（Object Following）

这个示例让JetBot能够识别并跟随一个特定的物体（比如一个红色的球，或者一个人）。

原理拆解：

1. 目标检测 vs. 目标跟踪：这里通常采用一个更高效的思路，而不是运行一个沉重的目标检测模型（如YOLO）。首先，你需要手动框选初始帧中的目标。然后，算法（如OpenCV中的KCF, CSRT跟踪器，或更简单的颜色追踪）会基于这个初始框，在后续帧中预测目标的位置。这比每帧都做全图检测要快得多。
2. 控制逻辑：程序计算出目标在图像中的中心点坐标(x, y)。图像中心是(width/2, height/2)。通过比较这两个点，可以生成控制指令：
   • 如果目标中心偏左，就让机器人左转。
   • 如果目标中心偏右，就让机器人右转。
   • 如果目标面积（框的大小）变小，说明目标远离，机器人应前进；反之则后退。
3. PID控制引入：简单的比例控制（P控制）可能会让机器人左右摇摆。引入积分（I）和微分（D）项的PID控制器，可以让跟踪过程更加平滑稳定。PID控制器根据“目标中心与图像中心的偏差”这个误差值，来计算出一个更优的电机速度控制量。

我的实操心得：

• 跟踪器选择：在Jetson Nano上，OpenCV的KCF跟踪器在速度和精度上是一个不错的平衡。对于纯色物体，直接用颜色阈值（HSV色彩空间）追踪可能更快更稳定。
• 防止跟丢：跟踪器有时会失败。在代码中需要加入“跟丢检测”机制，比如连续若干帧置信度低于阈值，就判定为跟丢，并让机器人停止或进入搜索模式（缓慢旋转）。
• 控制参数整定：PID参数的整定（Kp,Ki,Kd）是个经验活。可以从一个较小的Kp开始，慢慢增加，直到机器人能快速响应但又不过冲。Ki和Kd可以后续慢慢加入以消除稳态误差和抑制振荡。

4.3 迈向自定义应用：训练你自己的AI模型

示例项目很好，但真正的乐趣在于解决你自己的问题。比如，你想让JetBot识别特定的手势（如“停止”、“过来”），或者区分家里的猫和狗。

通用流程如下：

1. 定义任务与收集数据：用JetBot的摄像头，围绕你的目标场景拍摄数百到数千张图片。可以使用Jupyter Notebook写一个简单的数据采集脚本，按一个键就保存当前图像和标签。
2. 数据预处理与增强：将图片统一缩放到模型需要的尺寸（如224x224）。使用数据增强（随机翻转、旋转、亮度调整）来增加数据的多样性，提升模型的泛化能力。
3. 选择与修改模型：对于图像分类任务，继续使用迁移学习是最高效的。PyTorch的torchvision.models提供了丰富的预训练模型（如MobileNetV2, SqueezeNet），它们比ResNet18更轻量，在2GB内存的Jetson Nano上表现可能更好。你需要替换模型的最后一层，使其输出类别数等于你的任务类别数。
4. 在Jetson Nano上训练：虽然Jetson Nano能训练，但速度较慢。对于稍大的数据集，建议在拥有GPU的电脑上训练，然后将训练好的模型文件（.pth）拷贝到JetBot上部署。如果必须在Nano上训练，务必使用较小的批量大小（batch size，如4或8），并关闭不必要的图形界面以节省内存。
5. 部署与集成：将训练好的模型集成到你的控制循环中。参考避障示例的代码结构：捕获图像 -> 预处理 -> 模型推理 -> 解析结果 -> 执行动作。

5. 性能调优与资源管理：让2GB内存物尽其用

Jetson Nano 2GB的硬件资源是有限的，尤其是内存。当同时运行摄像头采集、AI模型推理、电机控制等多个进程时，很容易遇到内存不足（OOM）的问题，导致程序崩溃或系统卡死。以下是我总结的几条关键优化策略。

5.1 内存使用监控与诊断

首先，要知道内存用在了哪里。在SSH终端中，可以经常使用以下命令：

• free -h：查看系统总体内存和交换空间使用情况。
• tegrastats：这是NVIDIA提供的强大工具，每秒刷新一次，显示CPU、GPU、内存、功耗等详细信息。特别关注RAM这一行。
• htop：一个交互式的进程查看器，可以直观地看到哪个进程占用了最多的内存和CPU。

5.2 模型优化技巧

模型是内存消耗的大户，尤其是在加载和推理时。

1. 模型量化（Quantization）：这是最有效的优化手段之一。它将模型参数从32位浮点数（FP32）转换为8位整数（INT8）。这不仅能将模型大小减少约75%，还能显著提升推理速度（因为整数运算更快）。NVIDIA的TensorRT工具链对INT8量化有非常好的支持。你可以使用PyTorch的量化功能或ONNX-TensorRT流程，将训练好的FP32模型转换为INT8引擎。经过量化，一个原本50MB的模型可能变成15MB，推理速度提升2-3倍。
2. 选择更轻量的模型架构：在项目开始时，就优先考虑为边缘设备设计的模型。MobileNet系列、SqueezeNet、ShuffleNet等，它们在精度和速度/大小之间做了很好的权衡，远比VGG16或ResNet50更适合JetBot。
3. 降低推理分辨率：如果任务允许，不要一味使用224x224的输入。尝试160x120甚至更小的分辨率，对模型速度和内存占用有立竿见影的效果。

5.3 系统与编程优化

1. 关闭桌面图形界面（GUI）：如果你完全通过SSH工作，Ubuntu的桌面环境（如GNOME）会占用几百MB内存。可以将其禁用：

   sudo systemctl set-default multi-user.target sudo reboot

   重启后就是纯命令行界面。需要图形界面时再临时用startx启动。
2. 增加交换空间（Swap）：当物理内存不足时，系统可以使用硬盘的一部分作为虚拟内存。虽然速度慢，但可以防止程序直接崩溃。可以为JetBot增加2-4GB的交换文件。

   sudo fallocate -l 2G /swapfile # 创建2GB文件 sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile # 要永久生效，还需写入/etc/fstab

3. 优化Python代码：
   • 及时释放内存：在循环中，对于不再需要的大对象（如中间处理的大图像），使用del语句删除，并显式调用gc.collect()。
   • 使用生成器：处理数据流时，用生成器代替列表，可以节省大量内存。
   • 避免不必要的拷贝：OpenCV和NumPy数组的操作，尽量使用视图（view）而非拷贝（copy）。

6. 项目扩展与进阶玩法

当你玩转了基础示例后，JetBot 2GB Kit还能作为一个平台，探索更多有趣的领域。

6.1 集成更多传感器

JetBot的GPIO和I2C接口为你打开了连接外部世界的大门。

• 超声波/红外测距传感器：虽然有了视觉避障，但增加一个廉价的HC-SR04超声波传感器，可以在近距离（2-400cm）提供更直接、更可靠的距离数据，实现多传感器融合避障。
• 惯性测量单元（IMU）：如MPU6050（六轴）或MPU9250（九轴）。IMU可以提供机器人的姿态角（俯仰、横滚、偏航）和加速度信息。这对于实现更稳定的直线行驶（通过陀螺仪补偿轮子打滑）、检测碰撞倾覆，甚至进行简单的姿态估算都非常有用。
• 激光雷达（LiDAR）：一些低成本的2D激光雷达（如RPLidar A1）可以通过USB连接。结合ROS中的gmapping、hector_slam等包，你可以让JetBot实现真正的同步定位与建图（SLAM），构建环境地图并在地图中导航。这是从“玩具”迈向“智能移动机器人”的关键一步。

6.2 接入机器人操作系统（ROS）

ROS是机器人领域的标准中间件框架。将JetBot升级为ROS机器人，意味着你可以利用全球开发者贡献的成千上万个功能包，实现更复杂、模块化的功能。

基本思路：

1. 在Jetson Nano上安装ROS Melodic或Noetic（对应Ubuntu 18.04/20.04）。
2. 将摄像头、电机、传感器等硬件封装成ROS节点（Node）。例如，一个节点发布摄像头图像话题（/camera/image_raw），一个节点订阅控制指令话题（/cmd_vel）并驱动电机。
3. 使用ROS现有的功能包。比如，用rosbridge_suite建立一个WebSocket服务器，这样你就可以用浏览器中的JavaScript来远程控制机器人，或者创建一个漂亮的Web控制面板。
4. 利用ROS的导航栈（Navigation Stack），结合激光雷达和IMU数据，实现自主导航。

这个过程学习曲线较陡，但一旦完成，你的JetBot就具备了工业级机器人软件的雏形。

6.3 集群与多机协作

如果你有不止一台JetBot，可以尝试多机器人系统。通过无线网络，让机器人之间进行通信（可以使用ROS的多机通信机制）。可以设计一些简单的协作任务，比如编队行进、区域探索分工、或者模拟物流仓库中的货物搬运接力。这涉及到分布式系统、通信协议和协同控制算法，是一个极具挑战性也极具成就感的进阶方向。

从开箱组装，到软件部署，再到AI应用开发和深度优化，JetBot 2GB AI Kit提供了一个近乎完整的、低成本的边缘AI与机器人学习平台。它的价值不在于硬件本身有多强大，而在于它极大地降低了实践的门槛，让你能把教科书上的算法和论文里的模型，在一个真实的、会动的物理实体上跑起来，并立刻看到效果。这种即时反馈的乐趣，以及解决问题过程中获得的硬件、软件、算法全方位的经验，才是这个项目最吸引人的地方。无论是用于教育、原型验证，还是作为个人技术探索的起点，它都物超所值。