4、嵌入式平台介绍：NVIDIA Jetson系列、地平线征程系列、算力与功耗权衡
做BEV感知，选对硬件平台，这事就成了一半。
我见过不少团队，算法在PC上跑得飞起，一上嵌入式设备就卡成PPT。说白了，嵌入式平台不是简单的「缩小版电脑」。它有自己的脾气——算力、功耗、内存带宽、工具链成熟度，每一项都得掂量。
今天咱们就聊聊目前最主流的两个系列：NVIDIA Jetson和地平线征程。我会结合自己的项目经验，帮你理清怎么选、怎么权衡。
4.1 NVIDIA Jetson系列：生态成熟，上限高
Jetson系列，做嵌入式的应该都不陌生。我最早接触的是Jetson TX2，那时候觉得这玩意儿真强，能跑轻量级检测网络。后来Jetson Orin出来，直接能跑BEVFormer的轻量版本了。
4.1.1 主流型号与算力
| 型号 | AI算力（TOPS） | 功耗（W） | 典型应用场景 |
|---|---|---|---|
| Jetson Nano | 0.472 | 5-10 | 入门验证、轻量分类 |
| Jetson TX2 | 1.33 | 7.5-15 | 简单检测、传统视觉 |
| Jetson Xavier NX | 21 | 10-20 | 多传感器融合、轻量BEV |
| Jetson Orin NX | 70-100 | 15-25 | 实时BEV感知、端到端模型 |
| Jetson AGX Orin | 200-275 | 30-60 | 高精度BEV、多任务模型 |
你看这个表，从Nano到AGX Orin，算力跨度接近600倍。但功耗也从5W涨到了60W。嗯，这里要注意——60W对于车载嵌入式系统来说，已经是个不小的负担了。
4.1.2 我的实际体验
我在做园区无人车项目时，用的是Jetson Xavier NX。当时要在上面跑一个轻量级的BEV感知模型，输入是4路环视摄像头。
说实话，一开始挺乐观的。结果一测，端到端延迟到了120ms。为什么？因为Jetson的GPU虽然强，但CPU和内存带宽是瓶颈。BEV感知里的Transformer结构，对内存访问非常敏感。
后来怎么解决的？我把模型做了两件事：一是把注意力机制里的K/V矩阵做了量化，二是把图像预处理挪到了GPU上。最终延迟降到了45ms，基本满足需求。
4.2 地平线征程系列：国产之光，能效比突出
地平线的征程系列，这几年在车载领域势头很猛。我去年参与了一个项目，客户指定要用征程5。一开始我还担心工具链不成熟，结果用下来，真香。
4.2.1 主流型号与特点
| 型号 | AI算力（TOPS） | 功耗（W） | 核心特点 |
|---|---|---|---|
| 征程2 | 4 | 2-3 | 低功耗、ADAS基础功能 |
| 征程3 | 5 | 2.5-3.5 | 性价比高、AEB/LKA |
| 征程5 | 128 | 15-30 | 高算力、支持BEV大模型 |
| 征程6（即将量产） | 560 | 30-50 | 旗舰级、端到端自动驾驶 |
地平线的优势在哪？说白了，就是能效比。征程5用30W的功耗，做到了128TOPS。相比之下，Jetson Orin NX要跑到70TOPS，功耗已经到25W了。
4.2.2 工具链与部署体验
地平线提供了自己的工具链——OE（OpenExplorer）。我刚开始用的时候，觉得文档有点少。但上手之后发现，它对CNN和Transformer的优化做得不错。
举个例子，我在征程5上部署一个BEV模型，用了他们提供的量化工具。原本FP32的模型，量化到INT8后，精度只掉了0.8%，但推理速度提升了3倍多。
关键点： 地平线的BPU架构对Transformer做了专门优化。如果你做BEV感知，征程5的性价比其实比Jetson Orin NX更高。
4.3 算力与功耗的权衡：没有完美的平台
你想想看，做嵌入式BEV感知，最头疼的是什么？不是算法精度不够，而是「算力够的功耗高，功耗低的算力弱」。
4.3.1 三个核心权衡维度
- 峰值算力 vs 持续算力
很多芯片标称的TOPS是峰值，实际持续跑模型时，因为散热和功耗限制，只能跑到60%-70%。我在Jetson AGX Orin上测过，持续跑BEV模型，实际算力只有标称的65%左右。 - 算力 vs 内存带宽
BEV感知里，Transformer的注意力计算对带宽要求极高。算力再高，带宽不够，数据搬不过来，也是白搭。我建议你选型时，优先看内存带宽，再看TOPS。 - 功耗 vs 散热
车载场景下，功耗超过30W，就得考虑主动散热。风扇、散热片、甚至液冷，都会增加成本和体积。我曾经在一个项目中，因为散热问题，不得不把模型从Orin NX降级到Xavier NX。
4.3.2 我的选型建议
如果你现在要做一个BEV感知项目，我会这么建议：
- 原型验证阶段： 用Jetson AGX Orin，算力管够，生态成熟，踩坑少。
- 产品化阶段（功耗敏感）： 用地平线征程5，能效比高，工具链够用。
- 产品化阶段（生态优先）： 用Jetson Orin NX，CUDA生态无敌，团队上手快。
- 极端低功耗场景： 考虑征程3或Jetson Nano，但只能跑极轻量的BEV变体。
4.4 小结
选嵌入式平台，没有标准答案。Jetson系列生态好、上限高，但功耗和成本也高。地平线征程系列能效比突出、国产化优势明显，但工具链还在快速迭代中。
我个人习惯是：先定功耗预算，再选算力平台，最后用实际模型跑一遍，看延迟和精度是否达标。别只看参数表，跑起来才知道。
下一章，咱们聊聊BEV感知的经典算法框架，从LSS到Transformer，我会结合代码带你走一遍。