nVidia Jetson Nano

Jest już dostępna nVidia Jetson Nano. Zestawem powinny zainteresować się wszystkie osoby, które do tej pory używały SBC Raspberry Pi. Cena prezentowanego rozwiązania jest dużo wyższa ale oferuje bardziej zaawansowaną architekturę, większą moc obliczeniową oraz pamięć RAM 4GB (Raspberry Pi 1GB). Jednak największą przewagą Nano jest wbudowana karta graficzna z rodziny Maxwell ze 128 rdzeniami CUDA. Co to oznacza? Bardzo duże możliwości obliczeniowe szczególnie w takich zastosowaniach jak AI i przetwarzanie informacji wizyjnej w czasie rzeczywistym. Po dokładne dane i parametry odsyłam na stronę producenta nVidia Jetson Nano.

Nasz zestaw uruchomieniowy przychodzi zapakowany w kartonowe pudełko z zieloną obwolutą ze zdjęciem Jetson Nano.

Po zdjęciu obwoluty widzimy czarny worek zabezpieczający.

Wygląd naszego zestawu przedstawiony jest poniżej. Można zauważyć duży radiator zamontowany na module. Ma to swoje uzasadnienie, procesor w czasie pracy potrafi się nagrzać dlatego producent przewidział również montaż dodatkowego wentylatora. Osobiści zainstalowałem taki wentylator co pozwala na komfortową pracę układu w trybie maksymalnej wydajności.

Oprócz samego modułu w zestawie znajduje się tylko krótka instrukcja oraz możliwość złożenia podstawki z kartonowego opakowania, w którym dostarczano nasz układ.

Do uruchomienia zestawu będą nam potrzebne: karta uSD (16GB min.), zasilacz USB 5V/2A (nie polecam tego rozwiązania) lub zasilacz 5V/4A (rozwiązanie, które nie ogranicza mocy obliczeniowej naszego zestawu). Dodatkowo przydadzą się klawiatura/mysz na USB, monitor z wejściem HDMI, karta WiFi na USB lub połączenie typu Ethernet. Po instalacji oprogramowania dostarczonego przez producenta (Ubuntu + JetPack 4.2) możemy przejść do poznawania możliwości naszego nowego systemu. Poniżej pierwsze próby sterowania silnikami z wykorzystaniem modułów Adafruit (sterowanie serwomechanizmami oraz sterowanie silnikami DC) . Moduły komunikują się z Jetson Nano korzystając z magistrali I2C. Udało mi się również uruchomić kamerę dedykowaną do Raspberry a polecaną jako kamera współpracująca z Nano.

W miarę poznawania możliwości sytemu będę uzupełniał wpis, a jest co poznawać: CUDA, sieci neuronowe i uczenie maszynowe, instalacja systemu ROS, openCV.

Aktualnie jestem na etapie poznawania ROS'a. Bardzo fajne i bogate środowisko dedykowane rozwiązaniom związanym z robotyką. Ma jedną wadę jest ogromne i nie wiem ile czasu mi zajmie przebrniecie przez te wszystkie "tutoriale" i dokumentację. Poniżej zdjęcie przedstawiające ekran na którym uruchomione są: roscore , node do obsługi wyświetlacza OLED oraz terminal, w którym można wysyłać komunikaty do OLED'a z tego samego okna terminala można również wysyłać komunikaty sterujące silnikami.

 Efekt wysłania komunikatu.

Równocześnie na komputerze próbuję zapoznać się ze środowiskiem symulacyjnym Gazebo, które pozwala na symulację i wizualizację pracy np. robotów. Na zdjęciu poniżej jetbot zaczerpnięty z tej strony JetBot Model. Niestety komputer na, którym jest uruchomione Gazebo (Ubuntu 18.04, 4GB RAM, Intel Core2Duo) powala w porywach na 5FPS w czasie działania symulacji gdy na scenie znajduje się tylko model robota.

Prace postępują i powoli cała elektronika montowana jest na platformie mobilnej. Praktycznie wszystkie elementy zostały zamontowane.

 Pozostało połączenie wszystkiego w jedną całość,

 największe obawy mam o zasilanie wszystkiego z jednej przetwornicy DC/DC 5V (5A).

zobaczymy czy te 5A wydajności prądowej to jest prawda czy tylko marketingowy „bełkot”.
Aktualnie testy sytemu realizowane są przy użyciu zewnętrznego zasilacza laboratoryjnego.