基于JETSON ORIN/RK3588+AI相机：机器人-多路视觉边缘计算方案

最新推荐文章于 2025-11-24 18:29:32 发布
原创 最新推荐文章于 2025-11-24 18:29:32 发布 · 602 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #数码相机 #机器人

方案介绍

机器人-多路视觉边缘计算方案，依托旗下“利见”系列摄像头高分辨率、低延迟、多接口和宽动态范围等特性，能适应不同光线条件和场景，为机器人提供多维度视觉信息。基于高性能边缘计算平台，实现对多路视觉数据的实时处理和分析，赋予机器人强大的视觉感知和实时决策能力，可广泛应用于智能监控、工业自动化、物流仓储等高精度实时感知领域，为机器人提供“感知-决策-控制”一体化边缘智能支持。

方案优势

高动态视觉

“独有技术”，适应强光、弱光等复杂光线环境，确保稳定、精准的视觉输出。

支持>120dB HDR高动态成像

CMOS低光增强

多传感器精准同步

支持外部触发信号同步，多路摄像头可通过硬件触发引脚实现微秒级同步曝光，确保多视角图像采集的时间一致性。

外触发同步

微秒级同步曝光

实时边缘AI计算

依托Jetson AGX Orin™高达275TOPS INT8的AI算力，可实时运行多路视觉的BEV感知模型、3D目标检测等算法，满足机器人动态路径规划需求。

ARM系列平台

AI边缘计算

车规级可靠性

采用宽温抗震设计，保障复杂场景稳定运行。

IP67防护等级

-40°C至85°C的宽温范围

GMSL 2接口

【嵌入式】RK3588 对比 NVIDIA Jetson，Radxa Rock 5B vs Orange Pi 5 Max
突围
08-22 484
RK3588芯片分析：AI应用适配性与价格因素 RK3588作为瑞芯微8nm工艺旗舰SoC，集成8核CPU、Mali-G610 GPU和6TOPS NPU，专为边缘AI设计。其优势在于多路视频处理（如YOLO目标检测、人脸识别），但受限于INT8算力，无法支持大模型推理。价格偏高源于三大因素：8nm先进制程成本、工控市场定位导致的低出货量，以及开发板二次溢价（如Radxa Rock 5B）。与NVIDIA Jetson对比，RK3588算力仅为Jetson Orin的1/40，但功耗和成本优势使其在轻量级A
AI人工智能赋能：人脸识别机器人边缘计算优化全攻略
AI架构师小马
07-09 885
人脸识别机器人是AI+机器人的典型应用，核心功能是通过摄像头采集图像，实时识别人员身份，支撑安防巡逻（园区可疑人员预警）、零售服务（商场顾客个性化推荐）、酒店引导（客人身份验证与路径指引）等场景。实时性：机器人需在100ms内返回识别结果（如引导客人或预警），否则会影响用户体验或安防效率；准确性：错误拒绝率（FRR）<1%、错误接受率（FAR）<0.1%，确保身份验证的可靠性；隐私性：避免原始图像传输至云端，防止用户隐私泄露（如GDPR等法规要求）。传统纯云处理架构。
智能点检机器人中的视觉模块部署实战指南（YOLO + 多模态感知）
努力分享一些人工智能、计算机视觉、影像等相关的知识干货！
06-24 1719
智能点检机器人在电力、石化、轨道交通等行业得到广泛应用，视觉模块作为其感知核心，负责识别仪表读数、螺丝松动、油污泄漏等细粒度目标。本文围绕工业级移动机器人部署环境，系统讲解如何基于 YOLO 框架构建高效的视觉感知系统，包括图像采集链路构建、推理部署优化、多目标检测集成、环境适应性调优等内容，结合 Jetson Orin、RK3588 等平台实战，提供工程级经验与未来演进建议。
【Jetson orin-nx】使用Tensorrt并发推理四个Yolo模型 (python版)
Vingnir的博客
08-01 1245
预处理和后处理在并发推理多个模型的时候，其实也会占用不少时间，如果不想自己手写CUDA算子在GPU上加速的话，也可以用numpy的SIMD在cpu上加速，但并发模型较多的情况下还是建议预处理和后处理用CUDA来写。Jetson平台的GPU如果有足够的显存,，可以实现多个模型并发推理，并且推理时间相比推理单个模型不会有明显下降，任能保证较高的实时性。转换后的onnx如果版本太高，想切换onnx文件的版本和其opset的版本，可以用这个。把下面的代码配置改为符合你的摄像头的参数，以及输入的。
模型量化与剪枝在部署优化中的实际收益分析与工程经验
努力分享一些人工智能、计算机视觉、影像等相关的知识干货！
06-17 1176
随着深度学习模型在边缘设备和生产系统中的广泛应用，如何在保持模型精度的前提下显著降低模型体积、计算开销和推理延迟，成为部署优化的关键议题。本文围绕模型量化（Quantization）与剪枝（Pruning）两大压缩手段，从原理出发，结合目前主流工具链（如 TensorRT、TFLite、NNAPI、RKNN Toolkit 等）进行部署实测分析，深入解析不同压缩策略在工业场景下的真实收益与适用边界，帮助开发者构建高性能、低功耗、部署友好的 AI 推理方案。
RK3588M：重新定义边缘计算的天花板，揭秘六大超凡功能如何颠覆行业
jinxi996611的博客
04-08 1657
RK3588M支持8K@60fps H.265解码与双4K@60fps编码，能够同时处理8路1080P视频流。其集成的48MP ISP，不仅支持HDR10+和3D-LUT色彩校准，更能通过4个MIPI-CSI接口实现360°环视拼接，赋能自动驾驶的实时建模。极飞科技的P150农业无人机搭载RK3588M后，实现作物病虫害识别准确率从87%跃升至99.2%，充分展现其在视觉处理领域的优势。RK3588M不仅是一颗芯片，更是一场技术革命的宣言。
RK3588 国产NPU边缘盒子 与Jetson Orin Nano 8GB 有何区别
varda8899的博客
09-18 1087
Jetson 性能更强、生态更好，适合高端应用；RK3588 成本低、功耗低，适合大规模低成本部署。
机器人玩转之---嵌入式开发板基础知识到实战选型指南（包含ORIN、RDK X5、Raspberry pi、RK系列等）
lovely_yoshino的博客
06-04 7573
嵌入式开发板是一种专门设计用于嵌入式系统开发的硬件平台，它集成了微处理器、内存、存储、输入输出接口等核心组件于单块印刷电路板上。与传统的PC不同，嵌入式开发板具有体积小、功耗低、成本适中、可定制性强等特点，是快速原型开发和产品验证的理想选择。
Jetson Nano/NX人脸属性分析全栈部署：TensorRT加速+C/C++推理（性别/年龄/表情/口罩检测+完整源码）25
FJN110的博客
07-23 116
本文介绍了在Jetson NX和Nano设备上部署AI模型的完整流程。主要内容包括： 模型转换与部署 使用tao-converter工具转换ETLT模型为TensorRT引擎 详细步骤说明如何部署人脸检测模型（facenet）、属性识别模型（性别/年龄/情绪/口罩检测） Jetson环境配置 提供Nano设备上的编译注意事项（修改CUDA架构等） 包含环境配置参考链接 代码实现 展示C++推理代码框架 说明TensorRT引擎加载和执行流程 提供输入输出数据处理方法 资源获取 提供百度网盘下载链接，包含完整
我想使用rk3588的cpu加上jetson orin nx的gpu算力，帮我在网上找可用的教程
07-18
- 根据RK3588的高能效比（2TOPS/W）和Jetson Orin NX的高算力（约275 TOPS），合理分配AI推理与通用计算任务。 - 对于轻量级模型（如YOLOv5s）可在RK3588端执行；复杂模型（如Transformer-based）则交由Jetson Or...
YOLO 模型在 Jetson / RK3588 / Ascend 等平台的部署适配实战详解
努力分享一些人工智能、计算机视觉、影像等相关的知识干货！
06-13 1505
随着边缘智能与低功耗 AI 设备的兴起，将 YOLO 系列目标检测模型高效部署到嵌入式平台（如 NVIDIA Jetson、瑞芯微 RK3588、华为昇腾 Ascend）已成为视觉工程落地的重要课题。本文基于当前主流部署平台，系统梳理 YOLOv5/v8 等模型从训练到推理的适配流程，结合 TensorRT、RKNN Toolkit、MindX SDK 等工具链，深入分析平台支持差异、常见坑点及优化策略，并给出典型工程实践建议，帮助开发者构建稳定高效的端侧目标检测系统。
基于学习的人工智能（1）为什么学习？
致力于大数据+AI 的应用创新。
11-24 211
学习是人类最重要的认知活动之一，贯穿我们的一生。出生后，我们无时无刻不在学习：从父母那里学说话，自己尝试走路，从小伙伴那里学会折纸飞机，从老师那里学到语文、数学等各种知识。研究人员始终将光源和风扇放在同一侧，经由学习，玉米幼苗逐渐学会了“有风的地方就会有光”的规律。之后，研究人员移去光源，并改变风扇方向，玉米幼苗依然按照所学知识，向风扇方向生长。1959 年，美国计算机学家亚瑟·塞缪尔设计了一款可以自我学习的跳棋程序，并将这一新方法称为“机器学习”，从而开启了机器自我学习的道路。
中国计算机学会（CCF）推荐学术会议-A（人工智能）：ACL 2026
iaast的博客
11-24 332
大会官网：https://2026.aclweb.org/录用率：20.3%（1699/8360，2025年）时间地点：2026年7月2日-加州·美国。截稿时间：2026年1月5日。CCF推荐：A（人工智能）
2025企业微信AI落地新趋势：微盛AI·企微管家破解内外增长难题
最新发布
weisheng00的博客
11-24 533
2025年企业微信AI落地的三大关键趋势：微盛AI·企微管家通过智能客服、精准营销和内部协作三大场景，帮助企业实现200%的客服效率提升、90%的报修响应提速和50%的员工效能增长。作为企业微信生态最大ISV服务商，微盛依托"AI+SCRM"双引擎，已服务160家500强企业，提供合规AI聊天Agent、生态闭环整合及私有化部署方案，有效解决数据孤岛问题，90%客户在3个月内实现AI能力全员覆盖。
RAG 的诞生：为了让 AI 不再“乱编”
weixin_44876263的博客
11-24 188
RAG全称，中文为“检索增强生成”。其核心思想是：在生成答案时，不仅依赖大模型内部的训练知识，还能够实时访问外部知识库或文档，从而生成更加准确和可靠的内容。就像一个学生回答问题，不仅依靠自己记忆，还会去图书馆查资料，然后结合记忆和查到的资料回答问题。你问模型：“请告诉我最新的新能源补贴政策。纯模型可能只靠训练记忆，回答的是过时或模糊的信息。RAG 模型会先去查最新政策文件，再结合训练知识生成答案，因此更准确。检索资料：先找到相关文档或信息。结合生成：把找到的资料和问题一起输入模型，让模型生成答案。
基于华为开发者空间实现花卉识别
优快云高校俱乐部官方博客
11-21 1747
基于华为开发者空间实现花卉识别
人工智能在医疗行业的革命性应用：从诊断到个性化治疗
2501_94114442的博客
11-21 483
人工智能（AI）技术近年来已经渗透到各个行业，其中，医疗行业无疑是受益最大之一。从疾病的早期诊断到个性化治疗方案的制定，AI正在加速医学领域的变革。通过机器学习、深度学习、自然语言处理等技术，AI不仅能够处理和分析大量的医疗数据，还能够帮助医生做出更加精准的决策，提升患者的治疗效果，并优化整个医疗体系的运作效率。本文将探讨人工智能在医疗行业的应用，分析其在不同医疗领域的具体作用，并展望AI如何进一步推动医疗健康行业的发展。
【NullSwap】NullSwap: Proactive Identity Cloaking Against Deepfake
人生不是轨道，是旷野。希望每天都有好心情。
11-23 222
由于生成模型的进步，被动检测高质量Deepfake图像的性能瓶颈，主动扰动提供了一种有前途的方法，通过将信号插入良性图像来禁用Deepfake操作。【生成模型的发展，使得生成高质量伪图越来越难被检测】然而，现有的主动扰动方法在以下几个方面仍然不能令人满意：【当前主动扰动存在的问题】1）由于直接元素添加而导致的视觉退化;2）对交换操纵的有效性有限;3）不可避免地依赖于白盒和灰盒设置，以在训练期间涉及生成模型。我们分析了深度伪造swap技术的本质，并论证了保护源身份而非目标图像的必要性。
Arm64-ubuntu-系列开发板(jetson/树莓派/RK3588)中Vscode配置conda
09-23
虽然给定引用中未直接提及在Arm64架构的Ubuntu开发板（Jetson、树莓派、RK3588）上为VSCode配置conda的方法，但可以给出通用的配置步骤： ### 安装conda 在开发板上打开终端，使用以下命令下载Miniconda安装脚本（适用于Arm64架构）： ```bash wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-aarch64.sh ``` 然后运行安装脚本： ```bash bash Miniconda3-latest-Linux-aarch64.sh ``` 按照提示完成安装，安装完成后，关闭并重新打开终端，使conda命令生效。 ### 安装VSCode 可以通过以下命令添加VSCode的软件源并安装： ```bash wget -qO- https://packages.microsoft.com/keys/microsoft.asc | gpg --dearmor > packages.microsoft.gpg sudo install -o root -g root -m 644 packages.microsoft.gpg /etc/apt/trusted.gpg.d/ sudo sh -c 'echo "deb [arch=arm64 signed-by=/etc/apt/trusted.gpg.d/packages.microsoft.gpg] https://packages.microsoft.com/repos/vscode stable main" > /etc/apt/sources.list.d/vscode.list' sudo apt update sudo apt install code ``` ### 为VSCode配置conda 1. 打开VSCode，安装Python扩展。在扩展市场搜索“Python”，并安装官方的Python扩展。 2. 打开命令面板（Ctrl+Shift+P或Cmd+Shift+P），输入“Python: Select Interpreter”，选择conda环境中的Python解释器。如果没有显示所需的conda环境，可以手动输入conda环境的Python解释器路径，通常在`~/.conda/envs/<env_name>/bin/python` ，其中`<env_name>`是你的conda环境名称。 ### 验证配置 在VSCode中创建一个Python文件，输入以下代码： ```python import sys print(sys.executable) ``` 运行代码，如果输出的是conda环境的Python解释器路径，则配置成功。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值