探索 Jetson Nano 為 myCobot 280 提供的強大功能，機器人技術的一個有前途的組合

介紹

近年來，科學技術的發展給我們的生活帶來了許多新的產品和服務，包括機器人在各個領域的集成。機器人已經成為我們生活中必不可少的一部分，從送貨機器人到智能家居語音助手。

在本文中，我們將討論myCobot 280 Jetson Nano，這是一種能夠進行科學實驗和教育方面的機械臂。

什么是Jetson Nano？

Jetson Nano 的尺寸僅為 70 x 45 毫米，比信用卡略小，是一種適用于機器學習應用的模塊系統 （SoM）。因為它只消耗大約 5 到 10 瓦的功率，所以它是邊緣應用中 AI 的絕佳工具。

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

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

隨著ChatGPT的出現，AI再次成為全球關注的焦點。從現在開始，值得從機械臂的角度了解人工智能趨勢。

什么是myCobot 280 Jetson Nano？

myCobot 280 Jetson Nano是一種嵌入Jetson Nano的機械臂，Jetson Nano是一款小巧而強大的計算機，使手臂能夠輕松執行復雜的任務。手臂的有效載荷為 250 克，這意味著它可以攜帶高達 250 克的物體。手臂設計靈活且用途廣泛，具有六軸運動和高達 280 毫米的伸展范圍。它是廣泛應用的理想工具，包括教育、研究和 DIY 項目。

myCobot 280 Jetson Nano是一個開源的機械臂，這意味著源代碼和硬件設計可供公眾使用。這使用戶能夠修改和定制手臂以滿足他們的特定需求。該arm還與各種軟件和編程語言兼容，包括Python，ROS和myBlockly。

規范

讓我們看一下下表，看看它的具體規格是什么樣的。

這是一個 DH 參數

也許您對Jetson Nano和Raspberry Pi之間的區別感好奇。我們將簡要介紹使用 Jetson Nano 作為機器人嵌入式手臂的優勢。

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更強大。ARM Cortex-A57 CPU采用64位架構，時鐘速度為1.43GHz，提供更高的計算性能。NVIDIA Maxwell GPU 專為深度學習等高性能計算任務而設計，具有高并行計算和大規模浮點計算能力。

在深度學習性能方面，Jetson Nano的GPU支持CUDA、TensorFlow等深度學習框架，可以加速深度學習模型的訓練和推理。此外，Jetson Nano 還嵌入了 NVIDIA TensorRT 深度學習推理引擎，進一步提升了深度學習模型的推理性能。雖然Raspberry Pi的性能也可以支持一些深度學習應用程序，但由于其處理器和GPU的限制，其性能相對較弱。

總體而言，如果一個項目需要高性能處理器，Jetson Nano將是最佳選擇，而Raspberry Pi基于其龐大的社區和世界上最大的開源硬件數據而擁有自己的優勢。

如何使用？

要開始使用myCobot280，我們只需要一臺顯示器、一個鍵盤和一個鼠標。我們可以使用一個名為pymycobot的Python庫來控制myCobot280的移動，該庫通過其開放的API提供了許多控制接口。有了這個庫，我們可以輕松地為機器人手臂開發應用程序。

我們利用pymycobot提供的API來控制myCobot280的動作，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)

我們還可以在機械臂的末端安裝一個攝像頭來探索機器視覺。

這是openCV開發的人臉識別功能的代碼。

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上運行此面部識別代碼顯示出明顯的速度差異，Jetson Nano返回結果的速度比Raspberry Pi快1-2秒。

讓我們先了解算力意味著什么。計算能力通常以每秒浮點運算數 （FLOPS） 來衡量。FLOPS是一秒鐘內可以完成的浮點運算數，用于評估計算機系統的性能。在深度學習領域，FLOPS通常用于衡量模型的計算復雜度和性能。例如，具有較高 FLOPS 值的模型意味著它需要更多的計算資源進行訓練和推理，但它也可能獲得更好的性能。

Jetson Nano 配備了 472 GFLOPS 的 GPU 計算能力，而根據官方數據，Raspberry Pi 4B 的浮點性能約為 3 GFLOPS。這可以解釋上述情況。

未來與展望

隨著人工智能技術的不斷發展，嵌入式機器人的應用前景越來越廣闊。未來，我們可以期待這種嵌入式六軸機械臂具有更廣泛的應用領域，涵蓋更多領域。例如，在工業、醫療、農業和教育領域，這種機械臂具有廣泛的應用前景。在工業領域，可用于生產線上的自動化生產，提高生產效率和質量;在醫療領域，可用于手術、康復等方面，幫助醫生更好地為患者服務;在農業部門，可用于農業生產的種植、收獲等各個環節，提高農業生產效率和質量;在教育領域，它可以用于機器人編程教育，幫助學生更好地學習編程和機器人技術。

除了應用領域的擴大，隨著技術的不斷進步，這種機械臂也將不斷發展。例如，未來可能會出現更先進的控制算法，使手臂的運動更加精確和靈活;更先進的傳感器技術可能會出現，使手臂能夠更準確地感知周圍環境;更先進的深度學習技術可能會出現，使手臂能夠智能地完成各種任務。總之，這種嵌入式六軸機械臂具有廣闊的應用前景和發展空間，我們可以期待它在未來繼續創新和進步。

審核編輯黃宇