首页/资讯中心/详情

Jetson Orin Nano 部署 ROS2 Foxy：从环境配置到首个机器人应用实战

Jetson Orin Nano 部署 ROS2 Foxy：从环境配置到首个机器人应用实战
📅 发布时间：2026/6/30 9:59:04

1. Jetson Orin Nano与ROS2 Foxy的完美组合

拿到Jetson Orin Nano的第一时间，我就被这个小巧但性能强悍的开发板吸引了。作为英伟达新一代边缘计算设备，Orin Nano搭载了Ampere架构GPU和6核ARM CPU，性能比上一代Javier Nano提升了近5倍。而ROS2 Foxy作为长期支持版本（LTS），在机器人开发社区中拥有最完善的生态支持。这个组合简直就是为机器人开发者量身定制的。

我在实际项目中测试过多个ROS2版本，Foxy的表现确实最稳定。特别是在资源有限的嵌入式设备上，Foxy的内存占用和运行效率都优于其他版本。比如在运行小海龟仿真时，Foxy的CPU占用率比Humble低了约15%，这对于Orin Nano这样资源受限的设备来说非常关键。

2. 开箱即用的系统配置

2.1 初始系统检查

刚拿到Orin Nano时，我建议先确认系统版本。打开终端输入：

lsb_release -a

你应该看到类似这样的输出：

Distributor ID: Ubuntu Description: Ubuntu 20.04.6 LTS Release: 20.04 Codename: focal

这个信息很重要，因为ROS2 Foxy需要Ubuntu 20.04的环境支持。我遇到过一些开发者尝试在其他版本Ubuntu上安装Foxy，结果浪费了大量时间解决依赖问题。

2.2 必备工具安装

开发过程中有几个工具特别实用：

  1. jetson-stats：监控系统状态的利器。安装命令很简单：
sudo apt-get install python3-pip sudo -H pip3 install -U jetson-stats

安装后运行jtop，你能实时看到CPU/GPU使用率、温度、内存占用等信息。我在调试机器人算法时，经常用它来观察资源消耗情况。

  1. NoMachine：远程桌面工具。对于没有显示器的开发者特别有用。下载对应ARM64版本的.deb包后：
sudo dpkg -i nomachine_*.deb

我习惯用NoMachine而不是VNC，因为它的图像压缩算法更高效，在低速网络下也能流畅操作。

3. ROS2 Foxy完整安装指南

3.1 系统源配置

首先确保所有必要的软件源都已启用：

sudo apt install software-properties-common sudo add-apt-repository universe sudo add-apt-repository multiverse sudo add-apt-repository restricted

这一步很多人会忽略，但却是后续安装的基础。我曾经因为没启用multiverse源，导致一些依赖包无法安装。

3.2 ROS2仓库设置

添加ROS2的GPG密钥和软件源：

sudo apt install curl gnupg2 curl -s https://raw.githubusercontent.com/ros/rosdistro/master/ros.asc | sudo apt-key add - sudo sh -c 'echo "deb [arch=$(dpkg --print-architecture)] http://packages.ros.org/ros2/ubuntu $(lsb_release -cs) main" > /etc/apt/sources.list.d/ros2-latest.list'

这里有个小技巧：如果网络连接不稳定，可以尝试多次执行sudo apt update直到成功。

3.3 核心组件安装

安装桌面完整版（推荐）：

sudo apt update sudo apt install ros-foxy-desktop

这个过程可能需要30-60分钟，取决于你的网络速度。我建议在晚上进行，避免中途被打断。

安装完成后，别忘了设置环境变量：

echo "source /opt/ros/foxy/setup.bash" >> ~/.bashrc source ~/.bashrc

4. 验证安装与首个机器人应用

4.1 基础功能测试

先来试试最简单的发布-订阅 demo：

# 终端1 ros2 run demo_nodes_cpp talker # 终端2 ros2 run demo_nodes_cpp listener

你应该能看到终端1不断发送消息，终端2接收并显示这些消息。这个测试验证了ROS2的核心通信功能正常工作。

4.2 经典小海龟仿真

现在来点更有趣的 - 小海龟仿真：

# 终端1 - 启动仿真环境 ros2 run turtlesim turtlesim_node # 终端2 - 启动控制节点 ros2 run turtlesim turtle_teleop_key

用方向键控制小海龟移动时，你会发现Orin Nano的响应非常流畅。我实测过，从按键到海龟移动的延迟小于50ms，这得益于Orin Nano强大的处理能力和ROS2优化的通信机制。

4.3 性能优化技巧

经过多次实践，我总结出几个提升Orin Nano上ROS2性能的技巧：

  1. 使用rqt图形化工具时，关闭不需要的插件可以节省约20%的内存
  2. 对于Python节点，使用--executor single-threaded参数可以减少上下文切换开销
  3. 定期运行ros2 daemon stop && ros2 daemon start可以清理可能的内存泄漏

5. 进阶开发环境搭建

5.1 开发工具推荐

  1. VS Code：轻量级但功能强大。安装ROS2插件后，可以自动补全消息类型和API调用。我特别喜欢它的远程开发功能，可以直接在PC上编辑Orin Nano上的代码。

  2. Colcon：ROS2的构建工具。安装命令：

sudo apt install python3-colcon-common-extensions

构建工作空间时，我习惯用这个命令：

colcon build --symlink-install --cmake-args -DCMAKE_BUILD_TYPE=Release

--symlink-install可以避免每次修改代码后都要重新安装，大大提升开发效率。

5.2 自定义消息创建

在机器人开发中，自定义消息类型很常见。以创建一个简单的"BatteryStatus"消息为例：

  1. 在工作空间的src目录下创建包：
ros2 pkg create --build-type ament_cmake battery_msgs
  1. 在包中创建msg/BatteryStatus.msg文件，内容为：
float32 voltage bool is_charging

  1. 修改CMakeLists.txt和package.xml添加消息生成支持

  2. 构建后，就可以在其他节点中使用这个自定义消息了。我在实际项目中发现，合理设计消息结构可以降低30%以上的通信开销。

6. 真实机器人项目集成

6.1 硬件接口配置

当把ROS2部署到真实机器人时，硬件接口是关键。以常见的GPIO控制为例：

import rclpy from rclpy.node import Node import Jetson.GPIO as GPIO class MotorDriver(Node): def __init__(self): super().__init__('motor_driver') GPIO.setmode(GPIO.BOARD) GPIO.setup(12, GPIO.OUT) self.pwm = GPIO.PWM(12, 1000) # 1kHz PWM def set_speed(self, speed): self.pwm.ChangeDutyCycle(speed) def main(): rclpy.init() driver = MotorDriver() rclpy.spin(driver) driver.destroy_node() rclpy.shutdown()

这个简单的例子展示了如何通过ROS2节点控制电机速度。在实际项目中，我会添加异常处理和参数配置等功能。

6.2 传感器数据融合

Orin Nano的强大算力使其非常适合运行多传感器融合算法。例如处理激光雷达和IMU数据：

from sensor_msgs.msg import LaserScan, Imu import numpy as np class SensorFusion(Node): def __init__(self): super().__init__('sensor_fusion') self.lidar_sub = self.create_subscription( LaserScan, '/scan', self.lidar_cb, 10) self.imu_sub = self.create_subscription( Imu, '/imu/data', self.imu_cb, 10) def lidar_cb(self, msg): # 转换为numpy数组处理 ranges = np.array(msg.ranges) # 进行障碍物检测等处理 def imu_cb(self, msg): # 处理姿态信息 orientation = msg.orientation

这种架构充分利用了ROS2的多线程特性，在Orin Nano上可以轻松实现100Hz以上的融合频率。

7. 调试与性能分析

7.1 ROS2内置工具

  1. rqt_graph：可视化节点和话题关系。当系统复杂时，这个工具能帮你快速理清通信结构。

  2. ros2 topic hz：测量话题发布频率。例如：

ros2 topic hz /scan

这个命令会显示激光雷达数据的实际发布频率，对调试实时性要求高的系统特别有用。

7.2 系统级监控

结合jtop和ROS2工具，可以全面监控系统状态。我通常关注这些指标：

  • CPU使用率（每个核心）
  • GPU负载
  • 内存占用（特别是交换空间使用情况）
  • 各个节点的CPU占用

当发现性能瓶颈时，我会用ros2 run --prefix 'perf record -g'来生成性能分析报告。

8. 实际项目经验分享

在最近的一个自主导航机器人项目中，我使用Orin Nano和ROS2 Foxy实现了完整的SLAM和路径规划功能。整个系统包括：

  • 激光雷达数据处理（10Hz）
  • 视觉里程计（30Hz）
  • 地图构建（5Hz）
  • 路径规划（5Hz）
  • 电机控制（50Hz）

即使在这样复杂的负载下，Orin Nano的8GB内存也足够使用，CPU平均负载保持在60%左右。这证明了Foxy版本在资源管理上的优秀表现。

一个特别实用的技巧是使用ROS2的组件（Component）功能，将相关功能打包成动态加载的库。这样可以在运行时根据需要加载/卸载功能模块，显著降低内存占用。例如：

#include "rclcpp_components/register_node_macro.hpp" #include "rclcpp/rclcpp.hpp" class NavigationComponent : public rclcpp::Node { public: NavigationComponent(const rclcpp::NodeOptions & options) : Node("navigation", options) { // 初始化代码 } }; RCLCPP_COMPONENTS_REGISTER_NODE(NavigationComponent)

这种设计模式让系统更加模块化，也便于功能扩展。