Jetson Nano 机器人开发环境搭建指南

NVIDIA Jetson Nano 是一款专为边缘 AI 和机器人应用设计的小型开发板。它搭载了 128 核 Maxwell GPU，拥有 472 GFLOPS 的算力，足以运行实时深度学习推理任务。对于想要构建自动驾驶小车（如 DonkeyCar、JetBot）的开发者来说，Jetson Nano 是一个性价比极高的选择。

本文将带你从零开始，完成 Jetson Nano 的系统安装和开发环境配置。我们不仅会介绍基础安装步骤，还会分享实际开发中的优化技巧和常见问题解决方案。

为什么选择 Jetson Nano？

性能优势

特性	规格	说明
GPU	128-core Maxwell	472 GFLOPS
CPU	Quad-core ARM A57	1.43 GHz
内存	4GB LPDDR4	64-bit
视频编码	4Kp30	H.264/H.265
功耗	5-10W	适合电池供电
价格	~800元	性价比极高

对比其他平台

平台	GPU 性能	价格	适用场景
Raspberry Pi 4	无 GPU	400元	轻量应用
Jetson Nano	472 GFLOPS	800元	入门 AI
Jetson Xavier NX	21 TFLOPS	3000元	专业开发
Intel NUC	依赖独显	3000+元	通用计算

典型应用

• 自动驾驶小车：DonkeyCar、JetBot
• 机器人视觉：物体检测、跟踪
• 边缘 AI：实时推理
• 无人机：自主导航
• 工业检测：质量检测

准备工作

硬件清单

必需设备：

• Jetson Nano 开发板（4GB 版本推荐）
• microSD 卡（64GB 以上，Class 10 或更快，推荐三星 EVO Plus）
• 5V 4A DC 电源（圆头 4.0mm×1.7mm，必须，USB 供电性能受限）
• 显示器（HDMI 或 DisplayPort）
• 键盘、鼠标（USB 或蓝牙）
• 网线（Cat5e 以上）或 Wi-Fi 适配器

推荐配件：

• 散热片/风扇（强烈建议，防止过热降频）
• 外壳（保护电路板）
• GPIO 扩展板（方便连接传感器）
• M.2 网卡（Intel 8265NGW，支持 Wi-Fi + 蓝牙）

软件准备

在开始之前，下载以下软件到你的电脑：

1. JetPack SDK 镜像

   • 下载地址：NVIDIA 官网
   • 推荐版本：JetPack 4.6（基于 Ubuntu 18.04）

2. 烧录工具

   • Windows/Mac：Balena Etcher
   • Linux：dd 命令或 GNOME Disks

3. SSH 客户端

   • Windows：PuTTY 或 Windows Terminal
   • Mac/Linux：内置 ssh 命令

第一步：烧录系统镜像

方法一：使用 Balena Etcher（推荐）

1. 插入 microSD 卡到电脑
2. 打开 Balena Etcher
3. 选择镜像文件（sd-blob.img）
4. 选择目标设备（microSD 卡）
5. 点击 “Flash!” 开始烧录
6. 等待完成（约 10-15 分钟）

方法二：使用 dd 命令（Linux/Mac）

# 查看 microSD 卡设备名（如 /dev/sdb 或 /dev/disk2）
lsblk  # Linux
diskutil list  # Mac

# 卸载 microSD 卡（如果已挂载）
sudo umount /dev/sdX1  # Linux
diskutil unmountDisk /dev/diskX  # Mac

# 烧录镜像（注意替换 sdX）
sudo dd if=sd-blob.img of=/dev/sdX bs=4M status=progress

# 同步数据
sudo sync

注意：

• dd 命令会覆盖目标设备的所有数据，请务必确认设备名正确
• 烧录过程可能需要 10-20 分钟，不要中断

首次启动配置

1. 将 microSD 卡插入 Jetson Nano
2. 连接显示器、键盘、鼠标、网线
3. 接通电源，等待启动
4. 按照向导完成初始设置：
   • 选择语言（建议 English，方便后续操作）
   • 选择时区
   • 设置用户名和密码（记住密码！）
   • 选择桌面环境（建议最小化安装）

第二步：系统更新与基础配置

更新系统

# 更新软件包列表
sudo apt update

# 升级所有包
sudo apt upgrade -y

# 清理缓存
sudo apt autoremove -y
sudo apt autoclean

配置交换空间（Swap）

Jetson Nano 只有 4GB 内存，在运行大型模型时可能不足。配置 Swap 可以防止 OOM（Out of Memory）错误。

# 创建 4GB Swap 文件
sudo fallocate -l 4G /swapfile

# 设置权限
sudo chmod 600 /swapfile

# 设置为 Swap 空间
sudo mkswap /swapfile

# 启用 Swap
sudo swapon /swapfile

# 验证 Swap
free -h

# 设置开机自动挂载
echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab

优化建议：

• Swap 大小建议为内存的 1-2 倍
• 使用 SSD 可以提升 Swap 性能
• 频繁使用 Swap 会影响性能，建议升级内存或优化代码

禁用桌面服务（可选）

如果你的 Jetson Nano 主要用于机器人开发，不需要图形界面，可以禁用桌面服务以释放 GPU 内存：

# 切换到多用户模式（无桌面）
sudo systemctl set-target multi-user.target

# 重启生效
sudo reboot

# 如果需要恢复桌面模式
sudo systemctl set-target graphical.target

注意：禁用桌面后，只能通过 SSH 或串口访问。

配置电源模式

Jetson Nano 支持多种电源模式，影响性能和功耗：

# 查看当前电源模式
sudo nvpmodel -q

# 设置为最大性能模式（10W，5W 模式会降频）
sudo nvpmodel -m 0

# 开启最大时钟频率
sudo jetson_clocks

# 验证 GPU 频率
sudo tegrastats --interval 1000

电源模式对比：

模式	功耗	GPU 频率	适用场景
MAXN	10W	921 MHz	性能优先
5W	5W	640 MHz	电池供电

第三步：验证 CUDA 和 cuDNN

JetPack 镜像已预装 CUDA Toolkit 和 cuDNN。我们需要验证安装是否正确。

检查 CUDA 版本

# 查看 CUDA 编译器版本
nvcc --version

# 输出示例：
# Cuda compilation tools, release 10.2, V10.2.89

检查 GPU 状态

# 设置最大时钟频率
sudo jetson_clocks

# 查看 GPU 信息
nvidia-smi

# 实时监控（每 1 秒更新）
sudo tegrastats --interval 1000

测试 CUDA 示例

# 复制 CUDA 示例代码
cp -r /usr/local/cuda/samples ~/cuda-samples

# 编译 deviceQuery 示例
cd ~/cuda-samples/1_Utilities/deviceQuery
make

# 运行测试
./deviceQuery

如果输出显示 “Result = PASS”，说明 CUDA 安装成功。

验证 cuDNN

# 查看 cuDNN 版本
cat /usr/include/cudnn.h | grep CUDNN_MAJOR -A 2

# 或者
dpkg -l | grep cudnn

第四步：配置 Python 开发环境

为什么使用 Conda？

直接使用系统 Python 会导致依赖冲突。推荐使用 Miniconda 或 Anaconda 管理环境：

• 隔离环境：不同项目使用不同的依赖
• 版本控制：轻松切换 Python 和包版本
• 易于管理：一键创建、删除环境

安装 Miniconda

# 下载 ARM64 版 Miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-aarch64.sh

# 安装
bash Miniconda3-latest-Linux-aarch64.sh

# 按照提示完成安装
# - 同意许可协议
# - 选择安装路径（默认 ~/miniconda3）
# - 是否初始化 conda（选 yes）

# 重新加载 bash 配置
source ~/.bashrc

# 验证安装
conda --version

创建开发环境

# 创建名为 robocar 的环境，Python 3.8
conda create -n robocar python=3.8 -y

# 激活环境
conda activate robocar

# 验证 Python 版本
python --version  # 应该显示 Python 3.8.x

安装常用库

# 基础科学计算
pip install numpy scipy pandas matplotlib

# 计算机视觉
pip install opencv-python-headless pillow

# 深度学习（需要 ARM64 预编译版本）
# TensorFlow
pip install tensorflow==2.5.0

# PyTorch（NVIDIA 官方提供 Jetson 预编译包）
# 参考：https://forums.developer.nvidia.com/t/pytorch-for-jetson/72048
wget https://nvidia.box.com/shared/static/p57j4ntag8hb3k3gwm8v9g1qn8h9z9mz.whl -O torch-1.10.0-cp38-cp38-linux_aarch64.whl
pip install torch-1.10.0-cp38-cp38-linux_aarch64.whl

# 验证安装
python -c "import torch; print(f'PyTorch: {torch.__version__}, CUDA: {torch.cuda.is_available()}')"

注意：

• TensorFlow 和 PyTorch 必须使用针对 ARM64 和 CUDA 版本预编译的包
• 不要直接使用 pip install tensorflow 或 pip install torch
• 参考 NVIDIA 官方文档

配置 Jupyter Lab

# 安装 Jupyter Lab
pip install jupyterlab

# 生成配置文件
jupyter lab --generate-config

# 编辑配置文件
nano ~/.jupyter/jupyter_lab_config.py

# 修改以下内容：
c.ServerApp.ip = '0.0.0.0'  # 允许远程访问
c.ServerApp.port = 8888
c.ServerApp.open_browser = False
c.ServerApp.allow_root = True

# 启动 Jupyter Lab
jupyter lab --ip=0.0.0.0 --allow-root

# 在浏览器中访问：http://jetson-ip:8888

第五步：安装机器人常用工具

Jetson GPIO

用于控制 Jetson Nano 的 GPIO 引脚：

# 安装
sudo apt install python3-jetson-gpio -y

# 添加用户到 gpio 组
sudo usermod -aG gpio $USER

# 重新登录或执行
newgrp gpio

# 测试
python -c "import Jetson.GPIO as GPIO; print('GPIO 库安装成功')"

Jetson Stats（jtop）

强大的系统监控工具，可以实时查看 CPU、GPU、内存使用情况：

# 安装
sudo pip install jetson-stats

# 运行监控面板
jtop

# 在终端查看状态
sudo tegrastats --interval 1000

ROS2（可选）

如果需要开发 ROS2 应用：

# 安装 ROS2 Humble
sudo apt install ros-humble-desktop -y

# 配置环境
echo "source /opt/ros/humble/setup.bash" >> ~/.bashrc
source ~/.bashrc

# 验证
ros2 run demo_nodes_cpp talker

其他实用工具

# Git 配置
git config --global user.name "Your Name"
git config --global user.email "your.email@example.com"

# VS Code（可选，推荐通过 Remote SSH 连接）
# 下载地址：https://code.visualstudio.com/

# Docker（可选）
sudo apt install docker.io -y
sudo usermod -aG docker $USER

第六步：配置远程访问

SSH 访问

# 启用 SSH 服务
sudo systemctl enable ssh
sudo systemctl start ssh

# 查看 IP 地址
ifconfig
# 或
hostname -I

# 从其他电脑连接
ssh username@jetson-ip

# 示例：
ssh jetson@192.168.1.100

VS Code Remote SSH

1. 在 VS Code 中安装 “Remote - SSH” 扩展
2. 点击左下角绿色图标
3. 选择 “Connect to Host…”
4. 输入 username@jetson-ip
5. 输入密码
6. 连接成功后，可以像本地一样开发

文件传输

# 从电脑传输文件到 Jetson
scp local_file username@jetson-ip:~/

# 从 Jetson 传输文件到电脑
scp username@jetson-ip:~/remote_file ./

# 传输目录
scp -r local_dir username@jetson-ip:~/

性能优化技巧

1. 最大化 GPU 性能

# 设置最大时钟频率（每次重启后需要重新执行）
sudo jetson_clocks

# 设置为开机自动执行
echo "sudo jetson_clocks" | sudo tee -a /etc/rc.local

2. 使用 TensorRT 加速推理

TensorRT 可以将模型推理速度提升 2-5 倍：

import tensorrt as trt

# 加载模型并转换为 TensorRT 引擎
# 具体代码取决于模型框架（TensorFlow/PyTorch）

3. 优化内存使用

# 监控内存使用
free -h

# 清理缓存
sudo sh -c 'echo 3 > /proc/sys/vm/drop_caches'

# 使用 FP16 精度（减少内存占用）
model.half()  # PyTorch

4. 散热优化

• 安装散热片（被动散热）
• 安装风扇（主动散热）
• 使用导热硅脂
• 避免在高温环境运行

常见问题

Q1: Jetson Nano 发热严重怎么办？

A: 这是正常现象，建议：

• 安装散热片或主动风扇
• 运行 sudo jetson_clocks 会提升性能但增加发热，按需使用
• 避免长时间高负载运行
• 考虑使用更大的散热器或风扇

Q2: 内存不足（OOM）怎么处理？

A: 多种解决方案：

• 确保 Swap 空间已配置（参考第二步）
• 使用 FP16 精度（减少 50% 内存）
• 使用 TensorRT 优化模型
• 减小 batch size
• 关闭不必要的应用
• 考虑升级到 Jetson Xavier NX（8GB）

Q3: 如何提升推理速度？

A: 多种优化方法：

• 使用 TensorRT 转换模型（2-5 倍提升）
• 使用 FP16 或 INT8 精度
• 优化模型结构（剪枝、量化）
• 使用 sudo jetson_clocks 最大化性能
• 批处理推理（batching）

Q4: 无法识别摄像头怎么办？

A: 检查以下几点：

• 摄像头排线是否插好（金色触点朝向连接器内部）
• 是否启用了摄像头：sudo /opt/nvidia/jetson-io/jetson-io.py
• 测试：nvgstcapture-1.0 --automate --capture-auto
• 检查设备：ls /dev/video*

Q5: WiFi 无法连接？

A: Jetson Nano 没有内置 WiFi，需要：

• USB WiFi 适配器（推荐 RTL8812AU 芯片）
• 或 M.2 WiFi 模块（需要转接板）
• 安装驱动：sudo apt install realtek-rtl88xx-dkms

下一步

完成以上步骤后，你的 Jetson Nano 已经具备了完整的机器人开发能力。接下来可以：

1. 安装 DonkeyCar 软件：DonkeyCar 安装教程
2. 安装 JetBot 软件：JetBot 安装教程
3. 训练自动驾驶模型：模型训练指南
4. 部署自定义应用：物体检测、SLAM 等

参考资源

• NVIDIA Jetson Nano 官方文档
• Jetson Nano 开发者指南
• Jetson AI 学院
• NVIDIA 开发者论坛

总结

完成本文的步骤后，你已经成功搭建了 Jetson Nano 的完整开发环境。关键要点：

• ✅ 系统安装和基础配置
• ✅ CUDA 和 cuDNN 验证
• ✅ Python 环境管理
• ✅ 常用工具安装
• ✅ 远程访问配置
• ✅ 性能优化技巧

Jetson Nano 的强大之处在于它将桌面级的 GPU 算力带到了边缘设备，让 AI 机器人开发变得触手可及。虽然只有 4GB 内存，但通过合理的优化，足以运行大多数入门级的 AI 应用。

---

系列文章：

• 上一篇：JetBot 组装指南
• 下一篇：JetBot 系统配置
• 相关：DonkeyCar 安装