第二章：环境搭建——先把地基打牢

说实话，做ACT模型训练和嵌入式部署，最让人头疼的往往不是算法本身，而是环境配置。我见过太多同学卡在第一步——装个PyTorch装了一整天，最后发现CUDA版本不对。嗯，咱们今天就把这事一次性说清楚。

2.1 Python环境配置——别用系统自带的Python

你可能会问：「我电脑里已经有Python了，为啥还要折腾？」

原因很简单：系统自带的Python通常版本老旧，而且你装一堆包进去，万一搞崩了，系统工具也会跟着遭殃。我当年就干过这种蠢事——把系统Python的site-packages搞得一团糟，最后重装了系统。

我的建议：用Miniconda或者Anaconda来管理Python环境。我个人偏爱Miniconda，轻量、干净。

# 下载Miniconda（Linux为例）
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

# 创建独立环境
conda create -n act_env python=3.9
conda activate act_env

# 验证
python --version
# 输出：Python 3.9.x

2.2 PyTorch安装——版本匹配是门学问

PyTorch的安装其实很简单，但坑都在版本匹配上。说白了，你要搞清楚三件事：你的显卡型号、CUDA版本、PyTorch版本，这三者必须对齐。

我记得有一次，帮一个师弟配环境，他拿着RTX 4090，却装了PyTorch 1.8，结果死活跑不起来。后来一看，PyTorch 1.8根本不支持Ada Lovelace架构。

# 查看显卡驱动支持的CUDA版本
nvidia-smi
# 输出中会显示 CUDA Version: 12.x

# 安装匹配的PyTorch（以CUDA 12.1为例）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# 验证安装
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"
# 输出应为：2.x.x 和 True

2.3 CUDA与cuDNN配置——别被版本号吓到

CUDA和cuDNN的配置，其实没那么玄乎。我刚开始接触时也被那一堆版本号搞晕了——CUDA 11.8、12.1、12.4，cuDNN 8.9、9.0……到底该用哪个？

我的经验：先看PyTorch官方支持的CUDA版本，然后选最新的稳定版。比如PyTorch 2.3推荐CUDA 12.1，那就用这个。

# 下载CUDA 12.1（以Ubuntu 22.04为例）
wget https://developer.download.nvidia.com/compute/cuda/12.1.0/local_installers/cuda_12.1.0_530.30.02_linux.run
sudo sh cuda_12.1.0_530.30.02_linux.run

# 配置环境变量
echo 'export PATH=/usr/local/cuda-12.1/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

# 验证CUDA
nvcc --version

# 下载cuDNN（需要注册NVIDIA账号）
# 解压后复制到CUDA目录
sudo cp cudnn-linux-x86_64-8.9.7.29_cuda12-archive/include/cudnn*.h /usr/local/cuda-12.1/include/
sudo cp cudnn-linux-x86_64-8.9.7.29_cuda12-archive/lib/libcudnn* /usr/local/cuda-12.1/lib64/
sudo chmod a+r /usr/local/cuda-12.1/include/cudnn*.h /usr/local/cuda-12.1/lib64/libcudnn*

2.4 ROS基础安装——机器人开发者的必备工具

ROS（Robot Operating System）说白了，就是一套让机器人各个部件能「说话」的框架。咱们做ACT模型部署到机器人上，ROS是绕不开的坎。

ROS有两个主流版本：ROS 1（Noetic）和ROS 2（Humble/Foxy）。我个人建议直接上ROS 2，因为它是未来趋势，而且对嵌入式部署更友好。

# 安装ROS 2 Humble（Ubuntu 22.04）
sudo apt update
sudo apt install ros-humble-desktop

# 设置环境
echo 'source /opt/ros/humble/setup.bash' >> ~/.bashrc
source ~/.bashrc

# 验证安装
ros2 --version

2.5 本章知识体系总览

下面这张图，是我自己梳理的环境搭建逻辑。你跟着这个流程走，基本不会出大问题。

2.6 环境验证——跑通第一个示例

环境搭好了，怎么知道对不对？我的做法是写一个极简的测试脚本，同时验证PyTorch和ROS能不能协同工作。

# test_env.py
import torch
import rclpy
from rclpy.node import Node

print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"GPU型号: {torch.cuda.get_device_name(0)}")

# 测试Tensor计算
x = torch.randn(3, 3).cuda()
y = torch.randn(3, 3).cuda()
z = x @ y
print(f"GPU计算测试通过: {z.shape}")

# 测试ROS 2
rclpy.init()
node = Node("test_node")
print(f"ROS 2节点创建成功: {node.get_name()}")
node.destroy_node()
rclpy.shutdown()

print("🎉 所有环境配置正确！")