嵌入式系统基础：主流边缘设备介绍与交叉编译环境搭建
各位同学，欢迎来到第二章。说实话，每次讲到这一章，我都挺感慨的。十年前我做嵌入式语音识别时，能跑个简单FFT的ARM芯片就算不错了。现在呢？树莓派、Jetson Nano、Coral，随便一个都能跑完整的语音模型。嗯，时代变了。
这一章，我带大家看看目前主流的边缘设备，然后手把手把交叉编译环境搭起来。别急，一步步来。
主流边缘设备：三足鼎立
目前市面上做边缘AI推理的设备，我个人觉得可以分成三派。我分别说说它们的脾气秉性。
1. 树莓派（Raspberry Pi）—— 入门首选，生态最丰富
树莓派4B，我估计在座不少人都摸过。它用的是BCM2711芯片，四核Cortex-A72，主频1.5GHz。内存有1GB、2GB、4GB、8GB可选。
优点：
- 社区资源极其丰富。你遇到过的坑，99%别人都踩过
- GPIO引脚多，外接麦克风阵列、传感器很方便
- 价格亲民，几百块就能玩起来
缺点：
- 没有GPU加速。跑语音模型全靠CPU硬扛
- 算力有限。我试过在上面跑一个中型Transformer模型，推理一次要3秒多...嗯，基本没法用
适合场景：原型验证、教学演示、低功耗唤醒词检测。
2. Jetson Nano —— 带GPU的狠角色
Jetson Nano是NVIDIA家的产品。它集成了128个CUDA核心的Maxwell架构GPU。说实话，我第一次拿到它时，心里想的是：「这小东西能跑GPU？」结果一试，还真行。
优点：
- GPU加速，推理速度比树莓派快一个数量级
- 支持TensorRT，模型优化后性能更猛
- 官方JetPack SDK，包含了CUDA、cuDNN、TensorRT全套工具
缺点：
- 功耗比树莓派高，需要5V 4A电源
- 价格贵一些，官方版要一千多
- 散热是个问题。我有一块Nano，夏天跑模型时温度能飙到80度，得加个小风扇
适合场景：实时语音识别、端侧推理、需要GPU加速的项目。
3. Coral Dev Board —— Google的亲儿子
Coral用的是Google的Edge TPU芯片。这玩意儿专为推理而生。它不跑训练，只做推理，但效率极高。
优点：
- Edge TPU推理速度极快，功耗极低
- 支持TensorFlow Lite模型，转换方便
- 体积小，适合做产品原型
缺点：
- 只支持TensorFlow Lite，PyTorch模型需要先转格式
- 社区资源不如树莓派丰富
- 我遇到过一个问题：某些自定义算子Edge TPU不支持，得自己写...挺折腾的
适合场景：低功耗、高吞吐的推理任务，比如关键词检测。
设备对比一览
为了方便大家选型，我整理了一张表。你想想看，做项目前先看看这张表，能省不少事。
| 特性 | 树莓派4B | Jetson Nano | Coral Dev Board |
|---|---|---|---|
| 处理器 | Cortex-A72 | Cortex-A57 + GPU | Cortex-A53 + Edge TPU |
| AI加速 | 无 | 128 CUDA核心 | 4 TOPS Edge TPU |
| 内存 | 1-8GB LPDDR4 | 4GB LPDDR4 | 1GB LPDDR4 |
| 功耗 | 5W | 10W | 2W |
| 价格 | 约300-800元 | 约1200元 | 约1000元 |
| 语音模型推理 | 慢（CPU） | 快（GPU） | 极快（TPU） |
交叉编译环境搭建
好，设备选完了。接下来是重头戏——交叉编译环境搭建。
为什么要交叉编译？说白了，就是你的开发电脑（x86架构）编译出来的程序，没法直接在ARM架构的边缘设备上跑。你得在PC上编译出ARM能识别的二进制文件。这就是交叉编译。
我在项目中遇到过不少同学，直接在树莓派上编译代码。结果呢？编译一个TensorFlow Lite就要等两个小时...嗯，你想想看，这时间够我喝三杯咖啡了。
第一步：安装交叉编译工具链
以树莓派为例，我们需要安装ARM交叉编译工具链。在Ubuntu系统上，执行：
sudo apt-get update
sudo apt-get install gcc-arm-linux-gnueabihf g++-arm-linux-gnueabihf
安装完成后，检查一下：
arm-linux-gnueabihf-gcc --version
看到版本号就说明装好了。
export CC=arm-linux-gnueabihf-gcc
第二步：编写一个简单的测试程序
我们来写一个简单的C程序，验证交叉编译是否成功。
// hello_arm.c
#include <stdio.h>
int main() {
printf("Hello from ARM device!\n");
printf("This is a cross-compiled binary.\n");
return 0;
}
然后交叉编译：
arm-linux-gnueabihf-gcc hello_arm.c -o hello_arm
编译完成后，用file命令查看生成的二进制文件：
file hello_arm
你应该会看到类似这样的输出：
hello_arm: ELF 32-bit LSB executable, ARM, EABI5 version 1 (SYSV), dynamically linked, interpreter /lib/ld-linux-armhf.so.3, not stripped
看到「ARM」字样，说明编译成功了。
第三步：将程序传输到边缘设备
用scp命令把编译好的文件传到树莓派上：
scp hello_arm pi@192.168.1.100:/home/pi/
然后SSH登录到树莓派，运行它：
ssh pi@192.168.1.100
./hello_arm
如果看到「Hello from ARM device!」，恭喜你，交叉编译环境搭建成功了。
arm-linux-gnueabihf这个工具链，注意最后的「hf」就是hard float的意思。
第四步：搭建自动化编译脚本
每次手动敲编译命令太麻烦了。我一般会写一个Makefile，把交叉编译的配置固定下来。
# Makefile
CC = arm-linux-gnueabihf-gcc
CFLAGS = -Wall -O2 -march=armv7-a -mfpu=neon
all: hello_arm
hello_arm: hello_arm.c
$(CC) $(CFLAGS) -o $@ $^
clean:
rm -f hello_arm
以后编译只需要敲make就行了。省心。
避坑指南
最后，我分享几个我踩过的坑，希望能帮你省点时间。
- 动态链接库问题： 交叉编译的程序如果依赖动态库，记得把对应的ARM版库也拷贝到设备上。我一开始没注意，结果程序跑起来直接报「cannot open shared object file」。
- 浮点运算不匹配： 上面说过了，树莓派用硬浮点，Jetson Nano也是。Coral Dev Board用的是软浮点，注意区分。
- 编译器版本不一致： 我建议用Ubuntu 18.04或20.04自带的交叉编译工具链。版本太新或太旧都可能出问题。
好了，这一章的内容就到这里。下一章我们会真正开始部署语音识别模型。到时候，这些设备就能派上用场了。
记住一句话：工具是死的，思路是活的。选对设备，搭好环境，后面的事就顺了。