NVIDIA® Jetson AGX OrinTM series (资料来源：nvidia-jetson-agx-orin-technical-brief.pdf)

1 整体介绍

1) Orin SoC结构

Orin SoC，如下图所示，由一个NVIDIA Ampere architecture GPU, Arm® Cortex®-A78AE CPU, 下一代深度学习核视觉处理加速器, 视频编码器和视频解码器组成。

2) Orin和Xavier配置对比

3) AGX ORIN分为32GB、64GB两种模块

2 核心模块说明

1) GPU

GPU由两个GPC组成，共计16个SM单元，192KB L1 Cache和4MB L2 Cache。每个SM具备128个CUDA核（共计2048个-5.3 FP32 TFLOPs）和4个第三代Tensor核（共计64个-170 sparse TOPs INT8）。

2) Tensor核

 主要提供矩阵乘法累加计算，支持16个半精度HMMA和32个整型IMMA，并且支持稀疏计算。

3) TensorRT和cuDNN

TensorRT 是一个深度学习推理的运行时库和优化器，提供低的延迟和高吞吐量，用于解析训练好的模型，通过将模型量化到 INT8 格式、优化 GPU 内存和带宽利用（如内核节点融合）以及选择最佳的数据层和算法，最大化推理性能。

cuDNN提供了深度神经网络常见操作的高度优化实现，例如卷积前向和反向、交叉相关、池化前向和反向、softmax 前向和反向以及张量变换功能等。

4) DLA

DLA 2.0 提供了高效能的架构，增加了本地缓冲区，提高了能效并减少了 DRAM 带宽。同时DLA 2.0 引入了结构化稀疏性、深度卷积和硬件调度器等新特性，支持最多 105 INT8 稀疏 TOPs 性能，相比 Jetson AGX Xavier DLA 的 11.4 INT8 密集 TOPs 大幅提升。

用户可以使用 TensorRT 加速 DLA 上的模型，NVIDIA DLA 设计用于从 GPU 卸载深度学习推理，使 GPU 能够运行更复杂的网络和动态任务；TensorRT 支持在 DLA 上运行 INT8 或 FP16 的网络，并支持卷积、反卷积、全连接、激活、池化、批量归一化等层。

5) CPU

CPU使用ARM Cortex-A78AE CPU 取代了 NVIDIA Carmel CPU，包含 12 个 CPU 核心，每个核心具有 64KB 的指令 L1 缓存和 64KB 的数据缓存，以及 256KB 的 L2 缓存，每个集群还具有 2MB 的 L3 缓存，最高支持 2.2 GHz 的 CPU 频率。

6) AI性能对比

3 实例介绍

1）自动泊车系统

1.1) 环境感知：摄像头捕捉停车场景，LiDAR扫描周围环境。

处理单元：CUDA核心处理图像预处理，Tensor核心运行YOLO等物体检测模型识别停车位和障碍物。

1.2) 路径规划：计算最优泊车路径。

处理单元：ARM CPU核（可结合DLA核-支持3D建模、路径规划、语义理解等）运行路径规划算法（如 A* 或 Dijkstra 算法），生成泊车轨迹。

1.3) 传感器融合：融合摄像头和LiDAR数据，生成准确的停车场景。

处理单元：CUDA核心处理数据融合，ARM CPU核进行高层次决策生成统一环境模型。

1.4) 车辆控制：执行泊车操作。

处理单元：ARM CPU核控制转向和速度，实现平稳泊车。

2) 计算机视觉处理

NVIDIA Jetson AGX Orin 通过 PVA 和 VIC 提供了强大的计算机视觉处理能力，结合 VPI 软件库，可以灵活地在多种硬件组件上运行复杂的视觉算法，从而优化计算资源的利用。

2.1）可编程视觉加速器（PVA）

双7路 VLIW（超长指令字）矢量处理单元：可以并行处理多个指令，提高计算效率。

双 DMA 引擎：用于高效的数据传输，减少数据传输的瓶颈。

Cortex-R5 子系统：负责控制和调度任务，提供实时处理能力。

PVA 支持：滤波，对图像进行平滑或增强处理；图像扭曲，调整图像的几何形状；图像金字塔，多分辨率图像表示，用于检测不同尺度的特征；特征检测，检测图像中的关键点；快速傅里叶变换（FFT），用于频域分析。

2.2）视频成像合成器（VIC）2D 引擎

VIC 支持的图像处理功能：镜头畸变校正，增强时间噪声减少，频锐化增强，颜色空间转换，图像缩放，图像混合与合成。

2.3）视觉编程接口（VPI）

VPI 是一个软件库，旨在实现计算机视觉和图像处理算法的硬件加速。它支持在 PVA、VIC、CPU 和 GPU 上运行计算机视觉任务，从而有效地分配计算资源。例如，基本图像处理（如框滤波、卷积、图像重缩放和重映射）；复杂计算机视觉算法（如 Harris 角点检测、KLT 特征跟踪、光流、背景减法等）。

2.4) 立体视差估计（Stereo Disparity Estimation）流水线示例

输入：来自立体相机的左图像和右图像。

处理步骤：

a) 镜头畸变校正和图像缩放：由 VIC 处理。

b) 颜色转换为灰度图像：由 GPU 处理。

c) 特征检测和立体匹配：由 PVA 和 NVENC 处理。

输出：生成输入图像之间的视差估计，反映场景深度。