Nvidia Jetson
PulseAugur coverage of Nvidia Jetson — every cluster mentioning Nvidia Jetson across labs, papers, and developer communities, ranked by signal.
- 2026-06-29 product_launch Firefly Aerospace will use NVIDIA Jetson for on-orbit AI processing during its Blue Ghost Mission 2. 来源
4 天有情绪数据
-
ClawBox 发布搭载 NVIDIA Jetson 硬件的 AI 桌面设备
ClawBox 是一款新推出的 AI 驱动桌面设备，搭载 NVIDIA Jetson 硬件并预装 OpenClaw 软件。该设备专为注重隐私和开源的爱好者设计，能够处理诸如回复邮件、自动化浏览器操作、进行研究和设置提醒等任务。目前该设备在首周发售期间提供 10% 的折扣，使用代码 CLAWBOX10 即可享受。
-
NVIDIA Boosts US AI Manufacturing with $500B Investment and Partner Network
NVIDIA 正在大力投资美国制造业和供应链，以支持对人工智能基础设施日益增长的需求。该公司及其合作伙伴正在美国 43 个州建立半导体、系统及相关组件的国内生产。该计划预计将为美国 GDP 做出重大贡献并创造大量就业机会，同时还注重负责任和可持续的制造实践。
-
NVIDIA Isaac ROS 通过开源模块加速机器人开发
NVIDIA 正在增强其 Isaac ROS（机器人操作系统）平台，以加速自主机器人的开发。该团队由 Jaiveer Singh 领导，专注于提供模块化、开源的软件包，这些软件包集成了 NVIDIA 的 Jetson 和 CUDA 库等硬件。这种方法旨在通过允许开发人员轻松地将现有的 ROS 代码与 NVIDIA 的加速计算和 AI 模型相结合并进行改编，从而在构建从移动机器人到人形机器人等复杂机器人应用时，给予开发人员更大的信心和灵活性。
-
Firefly Aerospace 将在月球轨道上使用 NVIDIA Jetson 进行在轨人工智能处理
Firefly Aerospace 计划在其定于 2026 年底进行的 Blue Ghost Mission 2 任务中部署 NVIDIA Jetson 平台进行在轨人工智能处理。此次任务将是 Jetson 平台首次在月球轨道上运行，能够实现实时数据分析和传输关键见解，而不是传输大量原始数据。该技术将用于多种应用，包括绘制月球着陆点地图、探测矿物成分以及为月球作业提供态势感知，旨在构建一个更互联的太空生态系统。
-
DiskChunGS通过磁盘内存管理实现大规模3D高斯SLAM
研究人员开发了DiskChunGS，一个新颖的3D高斯泼溅SLAM系统，旨在克服大规模3D重建的GPU内存限制。通过采用out-of-core方法，该系统将非活动场景部分存储在磁盘上，同时将活动区域保留在GPU内存中。该方法与现有的SLAM框架集成，用于姿态估计和回环检测，从而实现以前受硬件限制的一致性、大规模重建。
-
普渡大学教授提出用于机器人安全的“可检查接口”
普渡大学教授 Aniket Bera 在 ICRA 2026 上提出了一个开发鲁棒自主机器人的框架。他的核心思想是“学习提出，结构决定”，强调人工智能模块不应直接输出控制命令，而应通过“可检查接口”提供可验证的建议。然后，结构化输出由形式化方法和约束求解器进行审查，以确保安全性和可靠性，使机器人能够从简化的实验室环境走向复杂的现实世界场景。
-
NVIDIA 研究通过模拟到现实的突破推动机器人技术发展
NVIDIA Research 在国际机器人与自动化会议 (ICRA) 上发表了八篇新论文，详细介绍了机器人技术在模拟到现实迁移方面的进展。这些论文展示了机器人在动态环境中感知、推理、规划和行动的方法，超越了脚本化自动化。关键进展包括用于多臂协调的 ScheduleStream、用于可泛化导航策略的 COMPASS、用于自适应物体抓取的 Grasp-MPC，以及用于处理缠结材料的可变形集群操作。此外，SPARR 和 Refinery …
-
新框架应对工业边缘 AI 部署挑战
本文介绍了一个旨在改进工业嵌入式平台上边缘 AI 应用部署的新系统框架。它认为，将 AI 部署视为一个系统问题，而不仅仅是模型打包练习，对于成功至关重要。所提出的框架分为五个层级，从硬件到运营，并与 Android、NVIDIA Jetson、ONNX Runtime 和 TensorRT 等现有技术集成，以提高在真实工业环境中的可复现性、可诊断性和可靠性。
-
MambaGaze 框架使用 Mamba-2 进行认知负荷评估
研究人员开发了 MambaGaze，一个利用眼动追踪数据准确评估认知负荷的新框架。该系统利用双向 Mamba-2 有效建模长程时间依赖性，并采用 XMD 编码方法显式处理因眨眼等原因造成的缺失数据。MambaGaze 在基准数据集上的表现优于现有模型，并可在 NVIDIA Jetson 平台等边缘设备上进行实时部署。
-
Blaize 与 Winmate 合作开发坚固的边缘人工智能硬件
Blaize 已与 Winmate 合作，将其人工智能芯片嵌入到用于国防和关键基础设施应用的坚固硬件中。此次合作旨在将人工智能推理从集中式数据中心扩展到在恶劣、断开连接的环境中运行的设备。两家公司瞄准第一年 1500 万美元的业务，重点关注无人机导航和预测性维护等应用，这些应用无法保证可靠的连接。
-
AI模型通过新数据集和高效蒸馏技术推进植物病害检测
研究人员开发了新的植物叶病分类方法，以辅助早期检测和治疗。一种方法是使用DenseNet201架构在一个自定义数据集上训练一个新的基础模型，该模型通过迁移学习证明了使用更少数据即可实现更快、更鲁棒的训练。另一种方法AgriKD，利用跨架构知识蒸馏，将知识从计算成本高昂的Vision Transformer转移到一个更高效的卷积学生模型，显著减小了模型尺寸和边缘部署的推理时间。
-
Fed-FSTQ 将边缘设备上的LLM微调流量减少了46倍
研究人员开发了Fed-FSTQ，一种用于在边缘设备上高效进行大型语言模型（LLM）联邦微调的新系统。该方法使用Fisher代理来指导令牌量化，优先处理重要信息并减少冗余传输。Fed-FSTQ旨在做到模型无关，并兼容现有的联邦学习管道（如LoRA），支持带宽异构的客户端。实验表明，上行流量显著减少，达到准确度的时间缩短，并在边缘硬件上具有潜在的速度提升。