# Jetson Xavier NX ## Integrantes | Estudante | Matricula | | ------------------------------------ | --------- | | Artur Rodrigues Sousa Alves | 211043638 | | Johnny Da Ponte Lopes | 190110066 | ## 1. Introdução O **NVIDIA Jetson Xavier NX** é um módulo de computação embarcada de alto desempenho, desenvolvido para aplicações que exigem inteligência artificial na borda (edge AI). Lançado em 2020 pela NVIDIA, o dispositivo se destaca por oferecer uma GPU baseada na arquitetura Volta com 384 núcleos CUDA e 48 núcleos Tensor, além de um CPU hexa-core ARM v8.2 de 64 bits. Esses componentes possibilitam a execução eficiente de algoritmos complexos de visão computacional, aprendizado de máquina e inferência de redes neurais profundas. Com dimensões reduzidas (70 mm x 45 mm), o Jetson Xavier NX é voltado para projetos em que espaço e consumo de energia são restritos, mas que ainda assim demandam alta capacidade de processamento. O módulo é amplamente utilizado em soluções de robótica, veículos autônomos, drones, sistemas de vigilância inteligente, equipamentos médicos portáteis e dispositivos industriais inteligentes. Um dos diferenciais do dispositivo é a integração com o ecossistema **JetPack SDK**, que oferece suporte a bibliotecas e frameworks como CUDA, cuDNN, TensorRT e DeepStream, além do sistema operacional Ubuntu Linux adaptado ao ambiente embarcado. Isso facilita o desenvolvimento de aplicações embarcadas complexas e acelera a prototipação de soluções baseadas em IA. A escolha do Jetson Xavier NX para este estudo justifica-se pela sua ampla adoção na indústria, documentação acessível e alta capacidade de integração com tecnologias de ponta no campo da computação embarcada.

Módulo Jetson Xavier NX

Figura 1. Módulo Jetson Xavier NX. Fonte: NVIDIA.

--- ## 2. Listagem de Características ### 2.1 Unidade de Processamento O Jetson Xavier NX conta com uma CPU hexa-core NVIDIA Carmel, baseada na arquitetura ARMv8.2 de 64 bits, com suporte a execução fora de ordem e alto paralelismo. A GPU integrada é da arquitetura Volta, com 384 núcleos CUDA e 48 Tensor Cores — ideal para aplicações de inferência em IA embarcada. Além disso, o módulo integra duas unidades NVDLA (NVIDIA Deep Learning Accelerator), otimizadas para redes neurais convolucionais.

Arquitetura da CPU Carmel e GPU

Figura 2. Arquitetura da CPU Carmel e GPU Volta. Fonte: NVIDIA Developer.

--- ### 2.2 Memória - **RAM:** 8 GB LPDDR4x (59,7 GB/s, 128 bits) - **Armazenamento interno:** 16 GB eMMC 5.1 - **Armazenamento externo:** Suporte a microSD e SSD NVMe (via slot M.2 PCIe Gen 3.0) --- ### 2.3 Sistema Operacional O Jetson Xavier NX roda o **Linux for Tegra (L4T)**, baseado no Ubuntu 20.04 LTS. O SDK **JetPack** integra bibliotecas otimizadas como CUDA, cuDNN, TensorRT, DeepStream, VisionWorks, PyTorch, TensorFlow e ROS. --- ### 2.4 Interfaces de Entrada/Saída - **GPIOs programáveis:** 36 pinos (coloridos) - **PWM:** Para controle de servomotores ou LEDs - **Suporte a ADC/DAC:** Via módulos externos (SPI/I2C) - **Interfaces para sensores e atuadores:** I2C, SPI, UART --- ### 2.5 Interfaces de Comunicação com Fio - **USB:** 1x USB 3.1, 1x USB 2.0, 4x USB 3.1 Type-A - **Ethernet:** 1x Gigabit Ethernet - **PCIe Gen 3.0 x4:** Para SSDs NVMe ou aceleradores externos - **CAN Bus:** Para aplicações automotivas - **Micro-USB:** Para debug - **HDMI/DP:** Saída de vídeo

Diagrama das interfaces físicas

Figura 3. Diagrama das interfaces físicas. Fonte: NVIDIA Developer Guide.

--- ### 2.6 Comunicação Sem Fio O módulo em si não inclui conectividade sem fio, mas o **kit de desenvolvimento** possui um slot M.2 para módulo Wi-Fi/Bluetooth, como o AW-CB375NF (suporta Wi-Fi 5 e Bluetooth 5.0).

Slot M.2 Key E com módulo wireless

Figura 4. Slot M.2 Key E com módulo wireless. Fonte: NVIDIA/Spotpear.

--- ### 2.7 Energia - **Entrada:** 9V a 20V via conector DC barrel - **Gerenciamento:** Circuito PMIC interno - **Perfis de consumo:** 10W (Max-Q), 15W (Max-P), modo customizado via software --- ### 2.8 Segurança - Secure Boot baseado em U-Boot - Root of Trust em hardware - Criptografia AES para armazenamento - Trusted Execution Environment (TEE) - Suporte a ARM TrustZone --- ### 2.9 Interface com o Usuário - **Saída de vídeo:** HDMI 2.0 (4K a 60 Hz) + DisplayPort - **Modo gráfico:** GNOME (Ubuntu) ou headless (sem tela) - **Interação básica:** GPIOs podem ser usados como botões ou LEDs --- ### 2.10 Tabela-resumo | Item | Especificação | |------------------------|-------------------------------------------------| | **CPU** | 6-core NVIDIA Carmel ARMv8.2 | | **GPU** | 384-core Volta + 48 Tensor Cores | | **RAM** | 8 GB LPDDR4x | | **Armazenamento** | 16 GB eMMC 5.1 + microSD + SSD NVMe (M.2) | | **Conectividade** | Gigabit Ethernet, Wi-Fi/Bluetooth via M.2 | | **Interfaces** | USB, I2C, SPI, UART, GPIO, CAN, HDMI, PCIe | | **SO** | Ubuntu 20.04 via JetPack | | **Energia** | 9V–20V, 10W–15W configurável | | **Segurança** | Secure Boot, TEE, TrustZone, AES | --- ## 3. Artigos Acadêmicos Relacionados ### 3.1 Tecnologias Fundamentais 1. **Performance Analysis and Optimization Opportunities for NVIDIA Automotive GPUs** Avalia o desempenho das GPUs NVIDIA, incluindo AGX Xavier, em aplicações automotivas com foco em otimização computacional. 🔗 https://arxiv.org/abs/2104.07735 2. **Evaluation of NVIDIA Xavier NX Platform for Real-Time Image Processing for Plasma Diagnostics** Avalia o Xavier NX em tarefas científicas exigentes, como análise de imagens em tempo real para diagnósticos de plasma. 🔗 https://www.mdpi.com/1996-1073/15/6/2088 3. **Bringing Cloud-Native Agility to Edge AI Devices with the NVIDIA Jetson Xavier NX** Discute como integrar o Xavier NX com tecnologias nativas da nuvem, como contêineres, para melhorar a agilidade em IA embarcada. 🔗 https://developer.nvidia.com/blog/bringing-cloud-native-agility-to-edge-ai-with-jetson-xavier-nx/ 4. **Run Your Visual-Inertial Odometry on NVIDIA Jetson** Analisa desempenho de algoritmos de odometria visual-inercial em dispositivos Jetson como o Xavier NX. 🔗 https://arxiv.org/abs/2103.01655 ### 3.2 Aplicações do Produto 1. **Real-Time Human Action Recognition on Embedded Platforms** Implementação de reconhecimento de ações humanas em tempo real com IA no Xavier NX. 🔗 https://arxiv.org/abs/2409.05662 2. **Edge Device Deployment of Multi-Tasking Network for Self-Driving Operations** Utiliza o Xavier NX para executar simultaneamente tarefas como segmentação, detecção de objetos e faixas. 🔗 https://arxiv.org/abs/2210.04735 3. **FasterX: Real-Time Object Detection Based on Edge GPUs for UAV Applications** Desenvolve um modelo leve de detecção de objetos em tempo real para UAVs, rodando em Xavier NX. 🔗 https://arxiv.org/abs/2209.03157 4. **Lightweight Monocular Depth Estimation through Guided Decoding** Propõe um modelo leve de estimação de profundidade, otimizado para embarcados como o Xavier NX. 🔗 https://arxiv.org/abs/2203.04206 --- ## 4. Produtos Relacionados Nesta seção são apresentados dispositivos do mercado que compartilham características técnicas ou aplicações similares ao Jetson Xavier NX, destacando diferenças e complementaridades. ### NVIDIA Jetson Nano O **Jetson Nano** (Figura 5) é uma plataforma de computação embarcada da NVIDIA voltada para aprendizado de máquina em dispositivos de borda. Equipado com um processador **ARM Cortex-A57** de 64 bits e GPU **Maxwell** com 128 núcleos CUDA, oferece 4 GB de memória LPDDR4 compartilhada entre CPU e GPU.

Placa Jetson Nano

Figura 5: NVIDIA Jetson Nano.

Lançado em 2019 como solução educacional, o Nano permite executar frameworks como TensorRT e cuDNN, porém com desempenho limitado comparado ao Xavier NX (21 vs 59 TOPS). Seu diferencial está no baixo consumo energético (5-10W) e custo acessível, sendo ideal para prototipagem de projetos IoT. --- ### NVIDIA Jetson TX2 O **Jetson TX2** (Figura 6) representa uma evolução da linha Jetson, combinando núcleos **Cortex-A57** com arquitetura **Denver 2** em configuração big.LITTLE. Sua GPU **Pascal** com 256 núcleos CUDA e 8 GB de RAM permitem processamento paralelo intensivo.

Placa Jetson TX2

Figura 6: NVIDIA Jetson TX2.

Projetado para aplicações em robótica autônoma e drones, o TX2 oferece 1.3 TFLOPS de performance FP16, sendo 40% menos potente que o Xavier NX. Seu principal diferencial é a capacidade de operar em modo de baixo consumo (7.5W) mantendo compatibilidade com os mesmos frameworks de IA do Xavier NX. --- ### Raspberry Pi 4 Model B O **Raspberry Pi 4** (Figura 7) é um computador de placa única popular na prototipagem embarcada. Utiliza um SoC Broadcom BCM2711 com **ARM Cortex-A72** quad-core e GPU **VideoCore VI**, porém sem suporte nativo a CUDA.

Placa Raspberry Pi 4

Figura 7: Raspberry Pi 4.

Com versões de 4-8 GB de RAM DDR4, destaca-se pelo custo ultrabaixo e comunidade ativa. Porém, sua falta de aceleradores dedicados para IA limita aplicações complexas comparado ao Xavier NX, que oferece 6x mais performance em inferência. --- ### Coral Dev Board A **Coral Dev Board** (Figura 8) da Google utiliza um SoC NXP i.MX 8M com **Cortex-A53** e co-processador **Edge TPU** dedicado para inferência de modelos TensorFlow Lite.

Placa Coral Dev Board

Figura 8: Coral Dev Board.

Com apenas 1 GB de RAM e foco em inferência especializada (4 TOPS), diferencia-se do Xavier NX que permite treinamento e inferência com suporte a múltiplos frameworks. Porém, seu consumo mínimo (2-5W) o torna ideal para aplicações estáticas de visão computacional. --- ### NVIDIA Jetson Orin Nano O **Jetson Orin Nano** (Figura 9) é a evolução direta do Xavier NX, utilizando arquitetura **Ampere** com 1024 núcleos CUDA e processador **ARM Cortex-A78AE**.

Placa Jetson Orin Nano

Figura 9: Jetson Orin Nano.

Oferece 40 TOPS de performance (5x mais que o Xavier NX) mantendo compatibilidade de form factor. Seu diferencial está na certificação para sistemas autônomos nível ISO 26262 ASIL-D, sendo indicado para veículos autônomos e robótica industrial crítica. --- **Principais Observações:** A análise comparativa revela que o Jetson Xavier NX ocupa uma posição intermediária ótima entre custo e performance, oferecendo recursos híbridos (CPU/GPU/ML accelerators) que permitem desde prototipagem até implementação em sistemas autônomos comerciais. Enquanto dispositivos como o Raspberry Pi focam em acessibilidade, e o Orin Nano em alta performance, o Xavier NX mantém relevância pelo equilíbrio energético (10-25W) e suporte a pipelines completos de IA. --- ## 5. Referências [1] NVIDIA. **Jetson Xavier NX Module Datasheet**. Santa Clara: NVIDIA Corporation, 2020. Disponível em: . Acesso em: 22 abr. 2025. [2] NVIDIA. **Jetson Xavier NX Developer Kit User Guide**. Santa Clara: NVIDIA Corporation, 2020. Disponível em: . Acesso em: 22 abr. 2025. [3] LEE, S. et al. **Performance Analysis and Optimization Opportunities for NVIDIA Automotive GPUs**. arXiv, 2021. Disponível em: . Acesso em: 22 abr. 2025. [4] KOWALSKI, M. et al. **Evaluation of NVIDIA Xavier NX Platform for Real-Time Image Processing for Plasma Diagnostics**. Energies, v. 15, n. 6, 2022. Disponível em: . Acesso em: 22 abr. 2025. [5] NVIDIA. **Bringing Cloud-Native Agility to Edge AI Devices with the NVIDIA Jetson Xavier NX**. NVIDIA Developer Blog, 2021. Disponível em: . Acesso em: 22 abr. 2025. [6] CHEN, W. et al. **Run Your Visual-Inertial Odometry on NVIDIA Jetson**. arXiv, 2021. Disponível em: . Acesso em: 22 abr. 2025. [7] ZHANG, Y. et al. **Real-Time Human Action Recognition on Embedded Platforms**. arXiv, 2024. Disponível em: . Acesso em: 22 abr. 2025. [8] KIM, J. et al. **Edge Device Deployment of Multi-Tasking Network for Self-Driving Operations**. arXiv, 2022. Disponível em: . Acesso em: 22 abr. 2025. [9] WANG, H. et al. **FasterX: Real-Time Object Detection Based on Edge GPUs for UAV Applications**. arXiv, 2022. Disponível em: . Acesso em: 22 abr. 2025. [10] LIU, Z. et al. **Lightweight Monocular Depth Estimation through Guided Decoding**. arXiv, 2022. Disponível em: . Acesso em: 22 abr. 2025. [11] NVIDIA. **Jetson Nano Developer Kit**. 2019. Disponível em: . Acesso em: 22 abr. 2025. [12] NVIDIA. **Jetson TX2 Series Technical Specifications**. 2017. Disponível em: . Acesso em: 22 abr. 2025. [13] RASPBERRY PI FOUNDATION. **Raspberry Pi 4 Model B Specifications**. 2019. Disponível em: . Acesso em: 22 abr. 2025. [14] GOOGLE. **Coral Dev Board Datasheet**. 2019. Disponível em: . Acesso em: 22 abr. 2025.