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
10 天有情绪数据
-
新的色调映射方法增强了自动驾驶的HDR目标检测能力
研究人员开发了一种新的实时色调映射方法，旨在提高高动态范围（HDR）图像中的目标检测性能，特别是在自动驾驶应用中。该方法弥合了HDR RAW输入与现有神经网络所需的低动态范围（LDR）sRGB之间的差距。它利用神经光度校准和一种与缩放无关的局部色调映射模型来保留图像细节并针对下游任务进行优化，其性能优于传统方法，并在NVIDIA Jetson平台上实现了实时处理。
-
AI框架助力植物病害诊断和水果分类
研究人员开发了用于农业应用的高级AI框架，重点关注植物病害诊断和水果分类。第一项研究介绍了H²MAF，该框架将EfficientNet-B3和ConvNeXt-Tiny等视觉模型与Gemma 4 E4B和Qwen3.5 4B等多模态大语言模型（MLLMs）融合，以提供可解释的植物病害诊断和风险评估。第二项研究提出了一种使用TinyCLIP的轻量级视觉-语言框架，用于早期绿色水果分类，并针对NVIDIA Jetson硬件上的边缘部署进行了优化。
-
亚马逊将英伟达GPU订单增至三倍，为满足AI需求增购200万颗芯片 · 追踪4个来源
亚马逊已显著扩大与英伟达的合作关系，同意为其AWS数据中心额外采购200万颗英伟达GPU芯片。这些芯片，包括Blackwell Ultra、Rubin和Rubin Ultra型号，计划于2027年和2028年交付。此交易使亚马逊的先前订单增至三倍，并反映了各行业对AI计算能力日益增长的需求。此次扩大的合作还涉及将英伟达的网络硬件、软件和机器人平台集成到AWS中，尽管亚马逊仍在继续开发自己的竞争性AI芯片。
-
SatDL框架优化卫星AI训练，缩短时间和能源消耗
研究人员开发了SatDL，一个用于卫星分布式学习的新框架，该框架同时优化了数据重分布和训练过程。该方法旨在最大限度地减少端到端的总学习时间和降低能源消耗，这是由于轨道上非独立同分布（non-IID）数据和通信延迟带来的关键挑战。使用Starlink星座的模拟和硬件仿真进行的评估表明，在保持高推理精度的同时，学习时间和能源使用量显著减少。
-
随着科技竞争加剧，美国向盟友施压要求在AI对齐方面达成一致 · 跟踪到1个来源
美国正敦促其盟友与美国的AI基础设施保持一致，这标志着在日益激烈的竞争中，对国际科技伙伴关系采取了更强硬的立场。与此同时，Apple正在开发一款中国特供的AI模型，以遵守当地法规。主要科技公司也在对AI硬件进行重大投资，其中Nvidia支持俄亥俄州的一项大型数据中心交易，Google获得了大量的芯片供应，而Micron则投资于一家AI内存实验室，以满足不断增长的需求。
-
Instacart 部署AI驱动的购物车，革新杂货购物体验
Instacart 将“实体AI”集成到其Caper Carts中，以增强店内杂货购物体验。这些智能购物车利用摄像头、重量传感器和边缘计算来识别商品、实时跟踪顾客支出并提供个性化推荐。该公司旨在弥合数据丰富的在线购物环境与传统模拟的店内体验之间的差距，利用其丰富的订单历史和产品数据来训练专门的AI模型，以应对杂货零售的独特挑战。
-
Nvidia Jetson DLA 核心在实时流水线中实现近乎零开销的分类
研究人员开发了一种新颖的五步方法，用于在 NVIDIA Jetson DLA 核心上部署分类模型，克服了严格的算子约束和量化不兼容性带来的挑战。该方法通过允许在 GPU 上并行执行检测模型，在 DLA 上并行执行分类模型，从而在实时检测流水线中实现近乎零的开销。该方法已在双头人员属性分类器上得到验证，证明了在不增加额外成本的情况下显著提高了性能。
-
TransitReID 使用AI进行公交车乘客重识别
研究人员开发了TransitReID，一个用于利用车载监控摄像头收集公共交通起讫点（OD）数据的新型框架。该系统采用一种抗遮挡的重识别算法，利用变分自编码器引导的区域注意力机制来关注可见的乘客特征。TransitReID还包含一个分层存储和动态匹配机制，以实时适应交通运营，并针对NVIDIA Jetson边缘设备进行了优化部署，在模拟和实际场景中均取得了高精度。
-
板载视觉语言模型通过对话实现带宽高效的地球观测
研究人员开发了一种新颖的“先总结，后下载”范式，用于地球观测卫星，利用板载视觉语言模型（VLMs）来解决带宽限制。该方法包括卫星生成其传感器数据的自然语言摘要，然后地面操作员发出有针对性的视觉问答（VQA）查询以确认相关性。之后，仅下载关键信息，将数据传输转变为语义感知的对话，从而显著减少带宽消耗，并加速对时间敏感任务的洞察时间。该系统已成功在NVIDIA Jetson平台上实现并进行了测试。
-
Proxmox VE 扩展到 ARM64；Google AI 搜索给出可疑建议
Proxmox Virtual Environment 已发布 ARM64 架构版本，将其兼容性扩展到 Raspberry Pi 和 Nvidia Jetson 等设备。此版本支持 Debian 等 Linux 发行版。另外，据报道，Google 的 AI 搜索提供了有问题的建议，称 Flock 摄像头是“金矿”，引发了对 AI 生成搜索结果的准确性和安全性的担忧。
-
NVIDIA Jetson 平台将强大的人工智能带入紧凑、便携的机器人
NVIDIA 正在推广其 Jetson 平台用于边缘人工智能和机器人技术，强调其紧凑的尺寸和强大的功能。人工智能投资者 Sarah Guo 展示了 Jetson Orin Nano Super，演示了它如何装入手提包并为自动驾驶和语音助手等人工智能应用提供动力。该平台专为开发人员、学生和研究人员设计，用于在边缘构建和部署智能机器人和人工智能项目，例如自动驾驶玩具车和设备上的语音助手。
-
NVIDIA 发布 Cosmos 3 Edge，用于边缘设备的实时机器人推理
NVIDIA 发布了 Cosmos 3 Edge，这是一个为边缘设备设计的 40 亿参数的开放世界模型。该模型使机器人和视觉 AI 代理能够在内存受限的系统上理解周围环境、执行实时推理并生成动作。Cosmos 3 Edge 在 VANTAGE-Bench 等视觉分析和机器人策略学习基准测试中取得了最高排名，并在各种 NVIDIA 边缘计算平台上提供了高效、高吞吐量的推理。
-
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。