基于Ryzen AI与ROS 2构建高效机器人感知应用

事件概述

本文介绍了一种在边缘设备上构建高效机器人应用的方案，核心在于将AMD Ryzen AI平台的感知模型封装为标准化的ROS 2节点。该方案利用Ryzen AI CVML（Computer Vision Machine Learning）库，在Strix-Halo架构的Ryzen AI Max+ 395平台上实现了低功耗的深度学习推理。

核心技术与架构

• 硬件基础：采用配备高效Ryzen AI NPU和iGPU的Ryzen AI Max+ 395 (Strix-Halo) 平台。
• 软件栈：
  • Ryzen AI CVML Library：提供开箱即用的视觉AI模型部署解决方案，支持深度估计、姿态跟踪、人脸分割等多种感知任务。
  • ROS 2 (Robot Operating System)：作为标准化的中间件，通过发布/订阅（Publisher/Subscriber）模型实现传感器、执行器与算法节点间的高效通信。
  • Ryzers Framework：一个组合式框架，用于一键安装ROS 2开发环境、NPU驱动（XDNA）及CVML库。

实施流程与关键步骤

1. 环境搭建：

   • 克隆并安装 ryzers 包。
   • 构建包含 xdna（NPU驱动）、ryzenai_cvml（CVML库）、ros（ROS 2环境）及 roscon25-npu（示例节点与教程）的Docker容器。
   • 启动Jupyter服务器，预置所有必要工具链。

2. 自定义节点开发：

   • 使用 colcon 构建自定义的 cvml_ros 功能包。
   • 编写包装脚本，将深度估计、人脸检测及人脸网格生成等CVML功能暴露为标准的ROS 2节点。

3. 运行与验证：

   • 数据输入：通过 video_publisher.py 节点循环播放视频文件并发布到 /camera/image_raw 话题。
   • 推理执行：启动 depth_estimation.launch.py 节点，日志显示计算图已成功映射至NPU（如 [Vitis AI EP] No. of Operators : CPU 2 NPU 616），且实际运行在NPU 1上。
   • 硬件确认：通过 xrt-smi examine --report aie-partitions 命令检查XDNA驱动，确认AIE分区已激活且上下文正在处理数据。

4. 结果可视化：

   • 利用预装的 web_video_server 组件，在浏览器中订阅并查看原始视频流与NPU生成的深度图。
   • 支持扩展至 rviz2 或连接真实摄像头（v4l2_camera 包）进行实时演示。

值得关注

• 生态兼容性：通过将自定义模型封装为符合ROS 2标准接口的节点，开发者可直接复用数千个现有的ROS兼容包，大幅降低原型开发门槛。
• 资源效率：该方案明确展示了如何将高算力需求的感知任务从CPU卸载至专用NPU，适合对功耗敏感的边缘机器人场景。
• 开源资源：完整代码及教程托管于GitHub的AMD Ryzers仓库，相关演示曾在ROSCon'25上展示。