JetBot：NVIDIA 出品的教育级 AI 机器人

想象这样一幅场景

一个刚接触 AI 的学生，在宿舍里花 150 美元购买材料，亲手组装了一台小型机器人。它能自己"看见"前方的障碍物，学会了在房间里自主导航——而背后的技术，正是支撑自动驾驶、无人机等前沿领域的同款 AI 算法。这不是科幻，而是 NVIDIA JetBot 正在全球课堂和创客空间中真实发生的故事。

从 NVIDIA 走出来的 AI 启蒙者

JetBot 由 NVIDIA AI-IOT 团队主导开发，灵感来源于 NVIDIA 内部一项更宏大的计划——让边缘 AI 计算走出数据中心，来到每个人触手可及的地方。2019 年，随着 Jetson Nano 这款售价仅 99 美元的小型 AI 计算机正式上市，NVIDIA 顺势推出了 JetBot 项目：一款完全开源的轮式机器人平台，旨在以最低的硬件门槛，让普通人亲身体验深度学习在真实物理世界中的应用。

项目的设计哲学非常明确：Affordable（买得起）、Educational（能学习）、Fun（有乐趣）。不到 150 美元的材料成本，让全球数十万爱好者、研究者和学生得以参与进来。

类比理解：给 AI 装上"眼睛"和"腿"

如果把 JetBot 看作一个"AI 实习生"，它的感官系统（摄像头）和大脑（JetBot 软件栈）分工明确：摄像头每秒采集画面，大脑中的神经网络模型负责判断"前面有障碍吗"，然后指挥电机驱动板让车轮转向或停止。整个过程模拟了自动驾驶汽车的核心感知-决策-执行链路，只是规模更小、更安全、更适合学习。

核心技术架构

感知层：摄像头 + 图像预处理

JetBot 使用 CSI 接口摄像头采集视频流，核心处理在 jetbot/camera/ 模块中完成。图像首先被 resize 到 300×300（SSD 模型）或 224×224（分类模型），然后进行归一化处理（减均值、除标准差），转换为 TensorRT 可直接推理的张量格式。

关键文件 jetbot/object_detection.py 封装了基于 TensorRT 的 SSD（Single Shot MultiBox Detector）目标检测模型。SSD 是一种 one-stage 检测器，同时预测物体类别和边界框，兼顾精度与速度，非常适合边缘设备实时推理场景。

决策层：双模型路径

JetBot 提供了两条并行的 AI 决策路径：

路径一：碰撞避免（Collision Avoidance）

基于预训练的 ResNet/AlexNet 模型，在 Jupyter Notebook 中亲手收集"畅通"和"受阻"两类图像数据，然后迁移学习微调分类头。最终模型输出 P(受阻) 概率：低于 0.5 直行，高于 0.5 原地转向。notebooks/collision_avoidance/live_demo_resnet18_trt.ipynb 展示了如何将 PyTorch 模型转换为 TensorRT INT8 引擎，实现在 Jetson Nano 上的高效推理。

路径二：漫游应用（Wander Application）

jetbot/apps/wander.py 实现了更完整的端到端推理流程：加载 PyTorch AlexNet 模型 → 摄像头实时流 → softmax 分类 → 电机控制指令。代码使用 traitlets 库实现观察者模式（Observer Pattern），摄像头每一帧更新自动触发推理回调，实现了真正的实时闭环控制。

执行层：I2C 电机控制

jetbot/robot.py 基于 SparkFun Qwiic 总线和 Adafruit Motor HAT 实现 PWM 电机控制。通过 I2C 协议与双 H 桥电机驱动器通信，支持差速转向（左右轮独立速度控制）。这是典型的嵌入式控制系统设计，在教育机器人中应用广泛。

Docker 多服务架构

JetBot 的 Docker 生态分为 5 个独立镜像：

所有镜像构建脚本位于 docker/ 目录，通过 set_nvidia_runtime.sh 配置 NVIDIA Container Runtime 以支持 CUDA 在容器内调用物理 GPU。这种分层镜像设计确保了各服务独立迭代，同时共享基础环境。

Web UI：Jupyter Notebook 交互式编程

Jupyter Notebook 是 JetBot 的主要人机交互界面。通过浏览器访问 Jetson Nano 的 8888 端口，即可在网页中编写和运行 Python 代码、实时观察摄像头画面和模型推理结果。notebooks/ 目录包含 5 大教程系列：

• Basic Motion：电机控制基础
• Teleoperation：手柄/键盘遥控
• Collision Avoidance：AI 避障（入门路径）
• Object Following：目标跟随
• Road Following：道路巡线

每系列均包含数据采集 → 模型训练 → 实时推理的完整流程，是理想的 AI + 机器人教学材料。

硬件依赖：不只是软件

JetBot 的最大局限在于硬件强依赖。完整运行需要：

• NVIDIA Jetson Nano B01（4GB）或 Jetson Orin NX
• SparkFun Qwiic Motor Driver 或 Adafruit Motor HAT
• 差速底盘（含两个直流电机）
• IMX219 CSI 摄像头模块
• 3.5A 电源供应

此外，Docker 镜像构建过程需要在 Jetson Nano 本机完成（因为基于 aarch64 架构），无法在 x86 服务器上交叉编译。这意味着即使有 Docker 支持，"一键部署"在 JetBot 场景下意义有限。

开源遗产与社区生态

尽管 JetBot 官方维护在 2024 年 11 月后趋于沉寂，但项目留下了宝贵的遗产：

• 第三方套件生态：jetbot.org 收录了 Waveshare、Seeed Studio 等厂商的 20+ 款兼容套件，降低了采购门槛
• 模型转换管线：从 PyTorch → ONNX → TensorRT 的完整流程，是 Jetson 生态的标杆参考
• 教育模板价值：5 系列 Jupyter Notebook 教程至今仍是机器人 AI 教育的最佳起点之一

总结

JetBot 是一款将深度学习"落地"到实体机器人的开源教育平台。它以 Jetson Nano 为计算核心，通过预训练模型微调和 TensorRT 推理，实现了自主避障、目标跟随等功能。Docker 多服务架构、完整的 Jupyter 教程体系和活跃的第三方套件生态，共同构成了这个项目的核心价值。

适合场景：AI/机器人课程教学、边缘 AI 推理学习、Jetson 生态入门。
不适合场景：通用服务器部署、非 Jetson 硬件环境、快速原型验证（硬件依赖过强）。

对于希望学习边缘 AI 部署的开发者，JetBot 的 Docker 构建脚本和 TensorRT 模型转换流程是值得深入研究的参考实现。对于教育工作者，它的 Jupyter Notebook 教程体系依然是市面上最完整的 AI 机器人入门材料之一。