UOCC 毕设知识网络
u08

接收端设计

系统架构

自适应增益链路

双目相机+Jetson Orin NX
ISO/曝光联合自适应

Jetson Orin NX + 双目相机 + CUDA 并行化解调

最后更新：2026-03-27 | 状态：🔄 框架完成，室内实验进行中

1. 硬件平台

1.1 核心计算单元：Jetson Orin NX

项目规格
型号NVIDIA Jetson Orin NX 8GB
GPUNVIDIA Ampere架构，1024 CUDA 核心
AI 性能34 TOPS (INT8)
显存8GB LPDDR5
CUDA 版本11.4+
接口USB 3.2 × 4, CSI-2 × 4（支持双目相机）
功耗7.5W - 15W（动态调频）

选型理由：

  • 体积小（100×87×35mm），适合水下设备集成
  • GPU 加速单元可并行处理双路图像流
  • CSI-2 接口直连双目相机，无 USB 带宽瓶颈
  • 功耗可控，支持水下电池供电场景

1.2 双目相机

项目规格状态
型号星光海康相机 / 思特威 Stereo（待定）🔄 选型中
分辨率1280×720 @ 60fps（目标）—
感光元件Sony IMX462 / 思特威 SC2210—
基线距离10 cm（参考 Takada 2024：> 5cm 获得显著分集增益）—
镜头焦距4mm（目标 FOV 覆盖 3m 距离）—
接口MIPI CSI-2—

双目间距设计依据：

  • Takada 2024 论文指出：基线距离 > 5cm 时，两路信号空间相关性降低，分集增益显著
  • 10cm 基线是当前选型的初步设计值，待室内标定实验后调整
  • 基线过大会降低两路信号的相关性（好），但也会增大设备体积（坏）

1.3 硬件同步方案

并行度分析（Jetson Orin NX 1024 CUDA 核心）：

Kernel线程块大小理论加速比
ROI 裁剪256~10× vs CPU
RSSI 计算512~20× vs CPU
OOK 阈值判决512~50× vs CPU
EGC 合并512~30× vs CPU
RLL 解码256~15× vs CPU

9.3 CUDA 加速计划

任务状态目标性能
CUDA 环境配置🔄 进行中Jetson Orin NX + CUDA 11.4
OOK 解调核实现🔄 进行中< 1ms/帧
EGC 合并核实现○ 待开始—
RLL 解码核实现○ 待开始—
CPU-GPU 内存拷贝优化○ 待开始< 0.5ms/帧

详见：CUDA 加速

10. 性能指标汇总

指标目标值当前状态
BER（清水 3m）< 10⁻³🔄 室内空气信道测试中
BER（清水 5m）< 10⁻²○ 待测试
BER（浑浊水）< 10⁻¹○ 待测试
吞吐量> 5 kbps（有效数据）🔄 测量中
端到端延迟< 50ms（含解码）○ 待测量
帧处理延迟< 8ms（GPU 解调）○ 待测量
功耗< 15W（Jetson）✅ 规格内
工作距离3 - 5m（水下）🔄 待水下验证

11. 室内实验进展

实验状态说明
相机标定（内参+双目基线）✅ 完成2026-03-10
空气信道 BER 测试🔄 进行中目标 < 10⁻⁴
清水信道（1m）🔄 进行中初步结果待记录
清水信道（3m）○ 待开始—
轻度浑浊（牛奶）○ 待开始NTU 10-30
重度浑浊○ 待开始NTU 50+
双目 EGC 分集增益实测○ 待开始—

12. 待解决问题

问题优先级计划
双目相机型号选定🔴 P02026-04-07 前确定
硬件 trigger 方案验证🔴 P02026-04-14 前完成
清水 3m BER 达标🔴 P02026-04-21 前完成
EGC vs SC 实测对比🟡 P12026-04-28
浑浊水实验方案设计🟡 P12026-05-01
CUDA 全流程加速🟡 P12026-05-15