1. 项目概述这不是“刷机”是嵌入式AI边缘计算平台的固件重置与系统重建“Nvidia AGX Xavier刷机指北”——这个标题里藏着一个被严重误读的术语。“刷机”在消费电子语境下常指更换手机或机顶盒的ROM带点DIY快感甚至风险暗示但落到Jetson AGX Xavier身上它本质是一次嵌入式AI计算平台的完整固件重置、BSPBoard Support Package部署与操作系统镜像烧录。我从2018年第一块AGX Xavier DevKit到如今手头三台量产设备跑YOLOv8DeepStream pipeline踩过至少17次启动失败、9次eMMC写入中断、5次USB-C供电不稳导致的烧录中止。所谓“刷机”其实是把NVIDIA官方提供的JetPack SDK工具链、Linux for TegraL4T系统镜像、CUDA驱动栈、TensorRT运行时、以及你自己的模型推理环境一整套原子化地、可复现地灌进这块64位ARMv8架构、8核Carmel CPU 384核Volta GPU的异构计算板卡里。核心关键词“Nvidia”“AGX Xavier”“刷机”背后的真实需求非常明确不是为了换UI或解锁Root而是要让这块价值近2000美元的边缘AI模组在脱离NVIDIA官方开发板形态后稳定运行定制化AI视觉流水线——比如工业质检的实时缺陷识别、无人配送车的多传感器融合定位、或者智慧农业的田间病虫害分析。它面向的不是极客玩家而是产线工程师、算法部署工程师、边缘计算集成商。他们需要的不是“教程”而是一份能直接抄作业、带参数依据、含避坑血泪、适配不同硬件版本EMMC vs NVMe、兼容不同JetPack版本5.0.2/5.1.1/5.1.2的生产级部署手册。Ubuntu安装Nvidia显卡驱动那是x86桌面的事AGX Xavier上压根没有“显卡驱动”这个概念——它用的是L4T内核模块nvidia-firmware、nvidia-uvm、nvidia-drm它们和GPU固件、VPI加速库深度耦合必须随镜像整体烧录。那些搜“ubuntu20.04 anzhuang nvidia”的人大概率正对着黑屏的串口终端发呆因为根本没意识到AGX Xavier不是装Ubuntu再装驱动而是用NVIDIA定制的L4T Ubuntu镜像——它本身就是驱动、内核、固件、CUDA Toolkit四合一的原子包。我见过太多团队卡在第一步下载了JetPack SDK却不知道该选哪个L4T版本。JetPack 5.1.2对应L4T 35.4.1而L4T 35.4.1只支持CUDA 11.8、TensorRT 8.6.1如果你的模型训练环境用的是PyTorch 2.1 CUDA 12.1那直接烧录就会导致torch.cuda.is_available()返回False——不是驱动没装是CUDA运行时ABI不匹配。这根本不是“安装失败0xe6000000”那种Windows错误码问题而是底层GPU微码与用户态库的硬性兼容断层。所以这份“指北”的起点必须是版本对齐矩阵你的模型框架版本、推理引擎版本、目标部署场景的实时性要求是否启用Jetson Clocks、功耗约束是否启用DTS热管理共同决定了你该锁定哪一套JetPack-L4T-CUDA-TensorRT四元组。它不是选择题是工程约束下的唯一解。2. 核心设计逻辑为什么必须用SDKManager而非dd命令为什么不能跳过SecureBoot2.1 烧录工具链的本质SDKManager不是GUI前端而是安全启动链的编排引擎很多人看到“SDKManager图形界面太重”就转头去用dd ifxxx.img of/dev/sdb bs4M这种粗暴方式。我实测过用dd烧录官方L4T镜像AGX Xavier能亮屏、能进Ubuntu桌面但nvidia-smi报错“Failed to initialize NVML”jetson_clocks命令失效dmesg | grep -i nvidia里全是firmware request failed。原因很简单AGX Xavier的启动流程是分四级的——BootROM → BPMP Firmware → CBoot → Kernel每一级都有签名验证而dd只覆盖了最后一级KernelRootFS前三级固件仍是旧版本或损坏状态。SDKManager干的远不止复制文件它通过USB-C连接设备进入Recovery模式RCM用NVIDIA签名密钥解密并加载BPMP固件、烧录eMMC分区表、校验并写入Bootloader、注入SecureBoot密钥、配置DTBDevice Tree Blob与ACPI表、最后才部署RootFS镜像。整个过程像给一台精密手术机器人做全身麻醉器官移植神经接口重连——少一步系统就处于“半瘫痪”状态。举个真实案例某安防客户用dd烧录L4T 32.7.3后摄像头采集帧率稳定在12FPS但切换到L4T 35.3.1后骤降到3FPS。查到最后发现dd烧录跳过了BPMP固件更新而新版L4T的ISPImage Signal Processor驱动依赖BPMP中新增的时钟门控策略。旧BPMP无法正确配置CSI接口电源域导致传感器供电不足自动降频。SDKManager则会强制校验BPMP版本并在必要时触发固件升级。这就是为什么所有NVIDIA官方文档都强调“必须使用SDKManager或flash.sh脚本”——它不是偷懒的GUI而是启动信任链Chain of Trust的唯一合法入口。2.2 SecureBoot不是可选项是AGX Xavier硬件强制的安全基线搜索热词里有“怎样跳过nvidia驱动的兼容检查文件”这暴露了一个致命误区AGX Xavier的SecureBoot不是软件层面的“兼容检查”而是SoC硬件熔丝eFuses控制的启动锁。当你第一次烧录镜像时SDKManager会询问是否启用SecureBoot。如果选“是”它会生成一对RSA-2048密钥用私钥签名所有启动镜像bootloader、kernel、dtb公钥则烧录进SoC的OTP区域。此后每次启动BootROM都会用公钥验签任何未签名或签名失效的镜像直接被拒之门外——连串口log都不会输出板子就是黑的。很多用户抱怨“刷机后变砖”90%是因为误操作烧录了非签名镜像或强行短接eFuses导致SecureBoot永久锁定。但SecureBoot绝非累赘。在工业现场它防止了恶意固件植入攻击者即使物理接触设备也无法用U盘替换启动镜像在车载场景它满足ISO 26262 ASIL-B功能安全要求在医疗AI设备里它是FDA认证的必备项。我服务过一家医疗影像公司他们的AGX Xavier部署在CT机旁必须通过IEC 62304 Class C认证。审计员第一问就是“SecureBoot是否启用密钥管理流程是什么”——答案不是“跳过”而是建立密钥生命周期管理开发密钥用于测试环境量产密钥由HSM硬件安全模块生成并离线存储每次固件更新需双人授权签名。所以“指北”里不会教你怎么绕过SecureBoot而是告诉你如何用openssl生成合规密钥对、如何用tegrarcm工具注入密钥、如何备份OTP状态、如何在开发阶段用--skip-signing参数临时禁用验签仅限实验室。这才是工程师该掌握的真本事。2.3 镜像选择逻辑L4T版本不是越新越好而是与你的AI Pipeline深度绑定网络热词里混杂着“ubuntu22.04离线安装nvidia显卡驱动”“orin nano刷机”等跨平台信息极易误导。AGX Xavier的L4T镜像本质是Ubuntu 20.04 LTSJetPack 5.x或Ubuntu 18.04 LTSJetPack 4.x的深度定制版内核版本固定为5.10.yL4T 35.x或4.9.yL4T 32.x。你不可能也不应该在上面装标准Ubuntu 22.04的linux-image-generic包——它的内核没有NVIDIA GPU驱动模块没有Jetson专用的tegra-gpu调度器更没有VPIVision Programming Interface加速库。所谓“离线安装驱动”在AGX Xavier上等同于“给奔驰发动机装拖拉机油泵”。正确的镜像选择逻辑是倒推确定模型推理引擎若用TensorRT部署查TensorRT Release Notes确认其支持的L4T最低版本如TRT 8.6.1要求L4T ≥35.3.1确定CUDA版本依赖PyTorch 1.13要求CUDA 11.7而L4T 35.3.1自带CUDA 11.8完美兼容但若用PyTorch 2.0则需L4T 35.4.1CUDA 11.8或更高确定硬件特性需求若要用NVENC编码4K60fps视频L4T 35.2.1起才支持若需PCIe Gen4 x4带宽跑NVMe SSDL4T 35.3.1是首个完整支持版本确定长期维护周期L4T 32.7.3JetPack 4.6.4已EOLNVIDIA不再提供安全补丁L4T 35.4.1JetPack 5.1.2是当前LTS版本支持至2025年Q2。我建议产线部署一律锁定L4T 35.4.1。它平衡了新特性如DLA Core 2.0支持INT4量化、稳定性修复了L4T 35.3.x中PCIe链路训练失败的bug和生态成熟度所有主流AI框架wheel包均已适配。那些还在用JetPack 4.x的团队不是省了事是在给未来埋雷——当你要接入新的传感器协议栈如MIPI CSI-2 v2.0或升级到ROS 2 Humble时会发现驱动层根本无法编译。3. 实操全流程从硬件准备到首屏验证的12个关键步骤3.1 硬件与环境准备USB-C线、主机配置、散热这三关决定成败别急着点SDKManager。先做三件事第一USB-C线必须是全功能雷电3线。普通充电线只有VBUSGND两根线而AGX Xavier Recovery模式需要USB 3.1 Gen210Gbps数据通道传输固件。我用过12种线缆只有Belkin Thunderbolt 3 Pro和Cable Matters Certified这两款能100%通过lsusb -t检测到xhci_hcd控制器枚举。劣质线会导致烧录中途断连eMMC写入一半中断——此时板子会进入“半砖”状态USB识别为NVIDIA Corp. APX但无法通信必须拆机短接eMMC的CLK引脚强制进入RCM风险极高。第二主机必须是x86_64 LinuxUbuntu 20.04/22.04。MacOS和Windows的SDKManager存在已知bugMacOS Catalina无法加载libusb驱动Windows WSL2因USB直通延迟过高烧录成功率不足30%。我推荐用一台老旧的ThinkPad T480i5-8250U 16GB RAM专作烧录机装纯净Ubuntu 22.04禁用所有无关服务sudo systemctl stop bluetooth ModemManager只留usbmuxd和udev。第三散热必须物理压制。AGX Xavier烧录时CPU/GPU满载板载温度传感器会触发Thermal Throttling。我实测过无散热风扇时烧录到第3个分区kernel就因过热中断加装Noctua NF-A4x10 PWM风扇接JETSON_GPIO_39/PWM后全程温度稳定在62℃。别信“贴片散热硅脂就行”——AGX Xavier的BGA封装GPU热密度超120W/cm²必须主动风冷。提示烧录前务必用万用表量AGX Xavier的VIN_PWR_BAD引脚J21 Pin 1确保输入电压在12V±5%范围内。电压不稳是eMMC写入校验失败的主因比软件问题更隐蔽。3.2 SDKManager配置关闭自动更新、指定本地镜像、禁用无关组件启动SDKManager后第一步不是点“Install”取消勾选“Automatically check for updates”。NVIDIA服务器常因CDN故障返回404导致SDKManager卡死在“Downloading components”点击“Settings”→“Download directory”设为本地高速SSD路径如/mnt/nvme/sdkmanager避免默认下载到/home引发空间不足在“Target Hardware”页选择“Jetson AGX Xavier (16GB)”或“Jetson AGX Xavier (32GB)”严格匹配你的硬件型号。16GB版eMMC是UFS 2.132GB版是UFS 3.0分区布局不同选错会导致flash.sh报错partition table mismatch在“Target Platform”页取消所有非必需组件JetPack SDK必选Jetson OS必选选L4T 35.4.1CUDA必选选11.8TensorRT必选选8.6.1cuDNN必选VPIVision Programming Interface图像处理加速库必选OpenCV可选但建议选避免后续编译耗时PyTorch可选若模型已转TensorRT则不必Docker可选但强烈建议容器化部署是工业标配Jetson Clocks可选但烧录后必须手动启用注意不要勾选“NVIDIA Container Toolkit”它依赖nvidia-docker2而L4T 35.4.1的nvidia-container-runtime已内置额外安装会冲突。3.3 烧录执行Recovery模式进入、USB连接、flash.sh参数详解硬件准备就绪后AGX Xavier断电按住REC键J21 Pin 10同时插USB-C线到主机再通电。此时板载LED应呈琥珀色呼吸灯Recovery模式激活主机端运行lsusb | grep -i nvidia应看到Bus 001 Device 012: ID 0955:7f21 NVIDIA Corp. APXSDKManager点击“Install”它会自动生成flash.sh脚本并执行。但强烈建议中断此过程手动执行flash.sh以获得完全控制权cd ~/nvidia/nvidia_sdk/JetPack_5.1.2_Linux_JETPACK/target_hw/jetson-agx-xavier sudo ./flash.sh -r -k kernel-dtb jetson-agx-xavier mmcblk0p1参数解析-r重用已下载的rootfs镜像跳过重复下载-k kernel-dtb只烧录kernel和dtb分区避免全盘擦除适合调试阶段jetson-agx-xavier目标平台代号不可写错mmcblk0p1eMMC第一个分区bootloader这是最安全的烧录起点。若需全盘烧录量产首次部署用sudo ./flash.sh --no-flash jetson-agx-xavier mmcblk0p1 # 先校验镜像完整性 sudo ./flash.sh jetson-agx-xavier mmcblk0p1 # 再执行烧录烧录过程约25分钟终端会逐行输出分区写入日志。关键观察点Writing bootloader... OKBootROM阶段成功Flashing BPMP firmware... OKBPMP固件更新成功Writing kernel... OKKernel分区写入成功Writing rootfs... OKRootFS镜像校验通过若卡在Writing rootfs...超10分钟立即CtrlC检查USB线和散热——这是eMMC写入瓶颈的典型表现。3.4 首启验证串口日志解读、网络配置、基础服务启用烧录完成后AGX Xavier自动重启。此时用USB-TTL转接线CH340芯片接J17调试串口TX/RX/GND波特率115200。不要依赖HDMI显示——首启时GPU驱动尚未加载HDMI可能无信号串口输出第一行应是[ 0.000000] Booting Linux on physical CPU 0x0证明BootROM和Kernel加载成功若出现[ 1.234567] tegra-xusb 3610000.xusb: failed to get phy说明USB 3.1 PHY初始化失败需检查/boot/extlinux/extlinux.conf中fdt参数是否指向正确dtb文件tegra194-p3668-0001-p3509-0000-a02.dtb登录后默认user:nvidiapass:nvidia立即执行sudo nvpmodel -m 0 # 切换至MAXN模式30W释放全部算力 sudo jetson_clocks # 锁定CPU/GPU频率禁用动态调频 sudo systemctl enable ssh # 启用SSH方便远程管理 sudo apt update sudo apt upgrade -y # 更新系统包注意只更新security patch不升级内核验证GPUnvidia-smi # 应显示GPU名称、温度、功耗且CUDA Version: 11.8 dpkg -l | grep nvidia- | grep 35.4.1 # 确认所有NVIDIA包版本匹配L4T若nvidia-smi报错Failed to initialize NVML90%是SecureBoot密钥不匹配或BPMP固件版本不一致。此时需重烧录或用sudo /opt/nvidia/jetson_tools/l4t_flash.sh重新注入BPMP。3.5 AI环境部署TensorRT模型转换、VPI加速、Docker容器化烧录只是开始真正价值在于AI Pipeline部署TensorRT模型转换# 假设你有ONNX模型 yolov8s.onnx trtexec --onnxyolov8s.onnx \ --saveEngineyolov8s.engine \ --fp16 \ --workspace2048 \ --minShapesinput:1x3x640x640 \ --optShapesinput:4x3x640x640 \ --maxShapesinput:16x3x640x640 \ --timingCacheFiletiming.cache参数依据--workspace2048指2GB显存用于优化AGX Xavier 16GB版实际可用显存约11GB此处留足余量--min/opt/maxShapes定义动态batch size范围工业场景必须支持batch1单帧检测到batch16多路视频流否则trtexec会报错shape tensor not supported。VPI加速图像预处理import pycuda.autoinit import numpy as np import vpi # VPI比OpenCV快3倍用VPI resize替代cv2.resize with vpi.Backend.CUDA: input_img vpi.Image((1920,1080), vpi.Format.BGR8) output_img vpi.Image((640,640), vpi.Format.BGR8) vpi.Transform.resize(input_img, output_img, backendvpi.Backend.CUDA)VPI的CUDA后端直接调用GPU纹理单元避免内存拷贝实测1080P→640P耗时从12ms降至3.8ms。Docker容器化部署FROM nvcr.io/nvidia/l4t-base:r35.4.1 RUN apt-get update apt-get install -y python3-pip COPY requirements.txt . RUN pip3 install -r requirements.txt COPY app/ /app/ WORKDIR /app CMD [python3, infer.py]构建命令sudo docker build -t yolov8-trt . sudo docker run --gpus all -it --rm -v /data:/data yolov8-trt关键点--gpus all参数让容器访问全部GPU资源-v /data:/data挂载外部存储避免模型权重写入容器层导致启动慢。4. 常见问题与排查技巧实录从黑屏到性能抖动的21个真实故障4.1 启动类故障黑屏、串口无输出、反复重启现象可能原因排查命令解决方案板子通电后LED全灭VIN_PWR_BAD电压不足或反接万用表测J21 Pin 1对地电压检查电源适配器确认12V/5A正负极无反接LED红灯常亮串口无任何输出BootROM损坏或eMMC物理故障sudo dmesg | grep -i emmc更换eMMC芯片需BGA返修或启用NVMe启动修改extlinux.conf串口输出[ 0.000000] Booting Linux...后卡住DTB文件不匹配或SecureBoot密钥错误sudo cat /proc/cmdline检查/boot/extlinux/extlinux.conf中FDT路径用ls /boot/dtb/确认文件存在重烧录并禁用SecureBoot测试启动后自动重启循环3次eMMC坏块或L4T镜像CRC校验失败sudo dmesg | grep -i crc用sudo fdisk -l /dev/mmcblk0查看分区表若/dev/mmcblk0p1大小异常需全盘擦除重烧录实操心得遇到“黑屏但USB识别为APX”90%是Recovery模式未正确进入。正确操作是断电→按住REC→插USB→通电→松开REC。若松手过早BootROM未捕获RCM指令板子直接走正常启动流程。4.2 驱动与性能类故障nvidia-smi失效、GPU利用率低、推理延迟高现象可能原因排查命令解决方案nvidia-smi报错Failed to initialize NVMLBPMP固件版本不匹配或nvidia-firmware模块未加载sudo dmesg | grep -i bpmplsmod | grep nvidia重烧录L4T镜像确保BPMP固件同步更新检查/etc/modules是否包含nvidia-uvmnvidia-smi显示GPU但nvidia-smi -l 1中GPU-Util始终0%CUDA Context未创建或TensorRT Engine未加载sudo lsof -i :8888检查是否被占用python3 -c import torch; print(torch.cuda.is_available())确保Python进程显式调用torch.cuda.set_device(0)检查TensorRT Engine是否用trtexec正确生成YOLOv5推理延迟从20ms飙升至200msJetson Clocks未启用或CPU被其他进程抢占sudo jetson_clocks --showhtop执行sudo jetson_clocks用sudo chrt -f 99 python3 infer.py设置实时调度优先级多路视频流下GPU温度达95℃触发降频散热不足或VPI未启用CUDA后端tegrastats加装PWM风扇在VPI代码中强制vpi.Backend.CUDA降低nvpmodel -m 115W模式注意tegrastats是诊断神器每秒输出CPU/GPU/EMC内存控制器频率、温度、功耗。若GR3DGPU频率长期低于1147MHzAGX Xavier MaxN频率说明GPU未被充分调度需检查CUDA Context是否泄漏。4.3 网络与外设类故障USB摄像头无法识别、PCIe NVMe不识别、GPIO无响应现象可能原因排查命令解决方案lsusb看不到USB摄像头USB 3.0端口供电不足或内核驱动未加载dmesg | grep -i uvcls /dev/video*摄像头改接USB 2.0口或添加usbcore.autosuspend-1到/boot/extlinux/extlinux.conf的APPEND行lspci | grep -i nvme无输出PCIe链路训练失败或NVMe SSD固件不兼容sudo dmesg | grep -i pciesudo nvme list升级NVMe SSD固件如Samsung 970 EVO需≥2B2QEXM7在extlinux.conf中添加pcinomsi参数禁用MSI中断echo 1 /sys/class/gpio/gpio391/value无反应GPIO编号映射错误或引脚复用冲突cat /sys/kernel/debug/gpiosudo cat /sys/firmware/devicetree/base/gpio2200000/compatible查NVIDIA官方GPIO映射表AGX Xavier的GPIO391对应物理Pin 15J21但需确认gpio2200000节点是否启用用sudo raspi-gpio get 15需安装raspi-gpio验证实操心得USB摄像头问题最常见于UVC协议版本。Logitech C920需固件升级到0x0110否则在L4T 35.x下会报uvcvideo: Failed to set UVC probe control。解决方案是下载Logitech官方固件用fwupdmgr升级。4.4 高级故障SecureBoot永久锁定、eMMC写保护、OTA升级失败现象可能原因排查命令解决方案烧录后板子彻底黑屏lsusb无APX设备eFuses熔断导致SecureBoot永久锁定sudo tegrarcm --uid若返回空则已锁无软件解法需返厂用JTAG调试器重置eFuses成本约$200sudo dd if/dev/zero of/dev/mmcblk0报错Read-only file systemeMMC硬件写保护开关启用sudo cat /sys/block/mmcblk0/device/ro检查J21跳线帽是否短接WP引脚或用sudo mmc extcsd read /dev/mmcblk0 | grep -A5 WR_PROT确认写保护状态sudo apt update提示The repository https://repo.download.nvidia.com/jetson404NVIDIA镜像源已迁移或L4T版本EOLcat /etc/apt/sources.list.d/nvidia-l4t-apt-source.list将https://repo.download.nvidia.com替换为https://nvidia.app.box.com/v/jetson-ota或改用离线包sudo apt install ./nvidia-jetpack_5.1.2_arm64.deb关键提醒AGX Xavier的OTAOver-The-Air升级必须用NVIDIA官方ota_client工具不可用apt upgrade。因为OTA会校验整个分区哈希值apt upgrade只更新deb包破坏SecureBoot签名链导致下次启动失败。我曾因此让3台产线设备集体变砖教训深刻。5. 生产部署建议从实验室到产线的5个关键升级点5.1 固件签名自动化用CI/CD pipeline管理密钥与镜像实验室手动烧录可行产线必须自动化。我们用GitLab CI构建Pipeline开发者提交.yaml配置指定L4T版本、CUDA版本、模型哈希值CI服务器拉取NVIDIA官方镜像用openssl私钥签名所有分区生成带签名的flash.sh脚本和校验清单烧录机从CI获取脚本执行sudo ./flash.sh --no-verify跳过网络校验只验本地签名。这样每台设备的固件都有唯一SHA256指纹审计时可追溯到具体Git Commit。密钥由HashiCorp Vault托管每次烧录需MFA授权。5.2 散热结构优化从被动铝片到主动液冷的演进AGX Xavier 30W功耗在密闭机箱内必然过热。我们迭代了三代散热第一代铝合金散热片单风扇温度峰值85℃GPU降频20%第二代铜质均热板双风扇温度峰值72℃但风扇噪音达52dB第三代微型液冷模块Cooler Master ML120L冷头直触GPU BGA散热器置于机箱外温度峰值58℃噪音28dB。关键设计液冷管路避开PCIe插槽冷却液用3M Novec 7000绝缘、零腐蚀流量传感器实时监控。5.3 容器化AI服务NVIDIA Triton Inference Server替代裸跑直接python infer.py部署有三大缺陷模型热加载慢、GPU显存碎片化、多模型并发难。我们全面切换到Triton# 启动Triton服务 sudo docker run --gpusall --rm -p8000:8000 -p8001:8001 -p8002:8002 \ -v /models:/models \ -e TRITON_MODEL_REPOSITORY/models \ nvcr.io/nvidia/tritonserver:23.07-py3优势模型加载时间从30秒降至2秒共享CUDA Context显存利用率从65%提升至92%统一显存池支持HTTP/gRPC多协议Python/Java/C客户端无缝接入内置Prometheus指标curl http://localhost:8002/metrics实时监控QPS、延迟、GPU利用率。5.4 安全加固禁用SSH密码登录、启用SELinux、最小化系统包L4T默认配置不满足等保2.0要求sudo sed -i s/#PasswordAuthentication yes/PasswordAuthentication no/ /etc/ssh/sshd_configsudo setenforce 1启用SELinux策略用nvidia-tegra模块sudo apt purge --auto-remove $(dpkg -l | grep ^rc | awk {print $2})清理残留配置删除/usr/bin/python软链接强制用python3避免Python 2.x漏洞。5.5 远程运维基于MQTT的设备健康监控每台AGX Xavier部署轻量级Agentimport paho.mqtt.client as mqtt import json import subprocess def get_tegrastats(): result subprocess.run([tegrastats], capture_outputTrue, textTrue) # 解析tegrastats输出提取GPU温度、CPU频率等 return {gpu_temp: 62, cpu_freq: 2265} client mqtt.Client() client.connect(mqtt.example.com, 1883) client.publish(jetson/health/agx001, json.dumps(get