探索 Jetson Nano 為 myCobot 280 提供的強(qiáng)大功能，機(jī)器人技術(shù)的一個(gè)有前途的組合

介紹

近年來(lái)，科學(xué)技術(shù)的發(fā)展給我們的生活帶來(lái)了許多新的產(chǎn)品和服務(wù)，包括機(jī)器人在各個(gè)領(lǐng)域的集成。機(jī)器人已經(jīng)成為我們生活中必不可少的一部分，從送貨機(jī)器人到智能家居語(yǔ)音助手。

在本文中，我們將討論myCobot 280 Jetson Nano，這是一種能夠進(jìn)行科學(xué)實(shí)驗(yàn)和教育方面的機(jī)械臂。

什么是Jetson Nano？

Jetson Nano 的尺寸僅為 70 x 45 毫米，比信用卡略小，是一種適用于機(jī)器學(xué)習(xí)應(yīng)用的模塊系統(tǒng) （SoM）。因?yàn)樗幌拇蠹s 5 到 10 瓦的功率，所以它是邊緣應(yīng)用中 AI 的絕佳工具。

Jetson Nano有一個(gè)基于Maxwell的GPU，其中包含128個(gè)CUDA內(nèi)核，能夠每秒計(jì)算5 teraflops（.5 TFLOPs）。憑借其強(qiáng)大的ARM Cortex A57處理器和4GB LPDDR4 RAM，Nano是一款功能強(qiáng)大的小型計(jì)算機(jī)。它還支持多種外圍設(shè)備，包括千兆以太網(wǎng)、HDMI 2.0、DisplayPort 1.4、2 個(gè) DSI 連接器、一個(gè) M.2 PCIe 連接器、4 個(gè) USB 3.0 端口和兩個(gè) CSI 相機(jī)連接器（用于 Pi 相機(jī)等相機(jī)）。

它還具有一個(gè)40針GPIO連接器，其布局與Raspberry Pi相同，使制造商和開(kāi)發(fā)人員能夠輕松重用以前項(xiàng)目中的某些模塊和電路。

隨著ChatGPT的出現(xiàn)，AI再次成為全球關(guān)注的焦點(diǎn)。從現(xiàn)在開(kāi)始，值得從機(jī)械臂的角度了解人工智能趨勢(shì)。

什么是myCobot 280 Jetson Nano？

myCobot 280 Jetson Nano是一種嵌入Jetson Nano的機(jī)械臂，Jetson Nano是一款小巧而強(qiáng)大的計(jì)算機(jī)，使手臂能夠輕松執(zhí)行復(fù)雜的任務(wù)。手臂的有效載荷為 250 克，這意味著它可以攜帶高達(dá) 250 克的物體。手臂設(shè)計(jì)靈活且用途廣泛，具有六軸運(yùn)動(dòng)和高達(dá) 280 毫米的伸展范圍。它是廣泛應(yīng)用的理想工具，包括教育、研究和 DIY 項(xiàng)目。

myCobot 280 Jetson Nano是一個(gè)開(kāi)源的機(jī)械臂，這意味著源代碼和硬件設(shè)計(jì)可供公眾使用。這使用戶(hù)能夠修改和定制手臂以滿(mǎn)足他們的特定需求。該arm還與各種軟件和編程語(yǔ)言兼容，包括Python，ROS和myBlockly。

規(guī)范

讓我們看一下下表，看看它的具體規(guī)格是什么樣的。

這是一個(gè) DH 參數(shù)

也許您對(duì)Jetson Nano和Raspberry Pi之間的區(qū)別感好奇。我們將簡(jiǎn)要介紹使用 Jetson Nano 作為機(jī)器人嵌入式手臂的優(yōu)勢(shì)。

在處理性能方面，Jetson Nano采用了四核ARM Cortex-A57 CPU和128核NVIDIA Maxwell GPU，比Raspberry Pi的四核ARM Cortex-A72 CPU更強(qiáng)大。ARM Cortex-A57 CPU采用64位架構(gòu)，時(shí)鐘速度為1.43GHz，提供更高的計(jì)算性能。NVIDIA Maxwell GPU 專(zhuān)為深度學(xué)習(xí)等高性能計(jì)算任務(wù)而設(shè)計(jì)，具有高并行計(jì)算和大規(guī)模浮點(diǎn)計(jì)算能力。

在深度學(xué)習(xí)性能方面，Jetson Nano的GPU支持CUDA、TensorFlow等深度學(xué)習(xí)框架，可以加速深度學(xué)習(xí)模型的訓(xùn)練和推理。此外，Jetson Nano 還嵌入了 NVIDIA TensorRT 深度學(xué)習(xí)推理引擎，進(jìn)一步提升了深度學(xué)習(xí)模型的推理性能。雖然Raspberry Pi的性能也可以支持一些深度學(xué)習(xí)應(yīng)用程序，但由于其處理器和GPU的限制，其性能相對(duì)較弱。

總體而言，如果一個(gè)項(xiàng)目需要高性能處理器，Jetson Nano將是最佳選擇，而Raspberry Pi基于其龐大的社區(qū)和世界上最大的開(kāi)源硬件數(shù)據(jù)而擁有自己的優(yōu)勢(shì)。

如何使用？

要開(kāi)始使用myCobot280，我們只需要一臺(tái)顯示器、一個(gè)鍵盤(pán)和一個(gè)鼠標(biāo)。我們可以使用一個(gè)名為pymycobot的Python庫(kù)來(lái)控制myCobot280的移動(dòng)，該庫(kù)通過(guò)其開(kāi)放的API提供了許多控制接口。有了這個(gè)庫(kù)，我們可以輕松地為機(jī)器人手臂開(kāi)發(fā)應(yīng)用程序。

我們利用pymycobot提供的API來(lái)控制myCobot280的動(dòng)作，并編排舞蹈表演。

import serial
from pymycobot import MyCobot
import time
mc = MyCobot('/dev/ttyTHS1',115200)
mc.send_angles([0,0,0,0,0,0],80)
time.sleep(1)
for count in range(2):
mc.send_angles([(-0.17),(-94.3),118.91,(-39.9),59.32,(-0.52)],80)
time.sleep(1.2)
mc.send_angles([67.85,(-3.42),(-116.98),106.52,23.11,(-0.52)],80)
time.sleep(1.7)
mc.send_angles([(-38.14),(-115.04),116.63,69.69,3.25,(-11.6)],80)
time.sleep(1.7)
mc.send_angles([2.72,(-26.19),140.27,(-110.74),(-6.15),(-11.25)],80)
time.sleep(1)
mc.send_angles([0,0,0,0,0,0],80)

我們還可以在機(jī)械臂的末端安裝一個(gè)攝像頭來(lái)探索機(jī)器視覺(jué)。

這是openCV開(kāi)發(fā)的人臉識(shí)別功能的代碼。

def image_info():
# load cascade
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
# input photo
img = cv2.imread('maya.png')
# turn to grays
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# check human face
faces = face_cascade.detectMultiScale(img, 1.1, 4)
for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)
center_x = (x+w-x)//2+x
center_y = (y+h-y)//2+y
cv2.circle(img,(center_x,center_y),20,(0,255,255),2)
# show
plt.imshow(img)
plt.show()

在Raspberry Pi 4B和Jetson Nano上運(yùn)行此面部識(shí)別代碼顯示出明顯的速度差異，Jetson Nano返回結(jié)果的速度比Raspberry Pi快1-2秒。

讓我們先了解算力意味著什么。計(jì)算能力通常以每秒浮點(diǎn)運(yùn)算數(shù) （FLOPS） 來(lái)衡量。FLOPS是一秒鐘內(nèi)可以完成的浮點(diǎn)運(yùn)算數(shù)，用于評(píng)估計(jì)算機(jī)系統(tǒng)的性能。在深度學(xué)習(xí)領(lǐng)域，F(xiàn)LOPS通常用于衡量模型的計(jì)算復(fù)雜度和性能。例如，具有較高 FLOPS 值的模型意味著它需要更多的計(jì)算資源進(jìn)行訓(xùn)練和推理，但它也可能獲得更好的性能。

Jetson Nano 配備了 472 GFLOPS 的 GPU 計(jì)算能力，而根據(jù)官方數(shù)據(jù)，Raspberry Pi 4B 的浮點(diǎn)性能約為 3 GFLOPS。這可以解釋上述情況。

未來(lái)與展望

隨著人工智能技術(shù)的不斷發(fā)展，嵌入式機(jī)器人的應(yīng)用前景越來(lái)越廣闊。未來(lái)，我們可以期待這種嵌入式六軸機(jī)械臂具有更廣泛的應(yīng)用領(lǐng)域，涵蓋更多領(lǐng)域。例如，在工業(yè)、醫(yī)療、農(nóng)業(yè)和教育領(lǐng)域，這種機(jī)械臂具有廣泛的應(yīng)用前景。在工業(yè)領(lǐng)域，可用于生產(chǎn)線(xiàn)上的自動(dòng)化生產(chǎn)，提高生產(chǎn)效率和質(zhì)量;在醫(yī)療領(lǐng)域，可用于手術(shù)、康復(fù)等方面，幫助醫(yī)生更好地為患者服務(wù);在農(nóng)業(yè)部門(mén)，可用于農(nóng)業(yè)生產(chǎn)的種植、收獲等各個(gè)環(huán)節(jié)，提高農(nóng)業(yè)生產(chǎn)效率和質(zhì)量;在教育領(lǐng)域，它可以用于機(jī)器人編程教育，幫助學(xué)生更好地學(xué)習(xí)編程和機(jī)器人技術(shù)。

除了應(yīng)用領(lǐng)域的擴(kuò)大，隨著技術(shù)的不斷進(jìn)步，這種機(jī)械臂也將不斷發(fā)展。例如，未來(lái)可能會(huì)出現(xiàn)更先進(jìn)的控制算法，使手臂的運(yùn)動(dòng)更加精確和靈活;更先進(jìn)的傳感器技術(shù)可能會(huì)出現(xiàn)，使手臂能夠更準(zhǔn)確地感知周?chē)h(huán)境;更先進(jìn)的深度學(xué)習(xí)技術(shù)可能會(huì)出現(xiàn)，使手臂能夠智能地完成各種任務(wù)?？傊@種嵌入式六軸機(jī)械臂具有廣闊的應(yīng)用前景和發(fā)展空間，我們可以期待它在未來(lái)繼續(xù)創(chuàng)新和進(jìn)步。

審核編輯黃宇