第三章：软件环境配置：Ubuntu系统安装与优化、ROS/ROS2环境搭建、CUDA/cuDNN深度学习环境配置

说实话，搞自动驾驶系统集成，第一步不是写代码，而是把“厨房”收拾利索。软件环境配不好，后面全是坑。我见过太多团队，算法写得漂亮，结果一部署到实车上，驱动冲突、库版本不对，直接翻车。这一章，咱们就把地基打牢。

3.1 Ubuntu系统安装与优化

我个人习惯用Ubuntu 20.04 LTS作为主力系统。为什么？因为ROS1的Noetic版本和ROS2的Foxy版本都完美支持它，而且NVIDIA的驱动支持也最稳定。你想想看，要是装个最新版Ubuntu 22.04，虽然新潮，但很多工业级传感器驱动还没适配，那不是给自己找麻烦吗？

3.1.1 系统安装要点

安装时，我建议你注意以下几点：

  • 分区方案：至少分三个区——/（根目录）给50GB，/home给剩余空间，swap给内存大小即可。我在项目中遇到过有人不分/home，结果系统重装时所有数据全丢了，那叫一个惨。
  • 软件源选择：安装时选“中国”地区，系统会自动配置阿里云或清华镜像源。如果没选对，后面apt update能慢到你怀疑人生。
  • 磁盘加密：实车调试时，车辆可能被多人接触。我建议对/home分区启用LUKS加密。虽然每次开机要输密码，但数据安全比那几秒钟重要得多。
我的小技巧：安装完成后，第一时间执行 sudo apt update && sudo apt upgrade -y。然后安装 ubuntu-restricted-extras 包，里面包含了MP3解码、Flash插件等常用组件。别问我为什么知道——有一次在客户现场演示，车载系统播不了测试音频，场面一度非常尴尬。

3.1.2 系统优化三板斧

系统装好了，还得调优。我总结了三步：

  1. 关闭不必要的服务：sudo systemctl disable bluetooth.service（车载一般用CAN总线，蓝牙用不上）。sudo systemctl disable cups.service（打印服务？自动驾驶车上哪来的打印机）。
  2. 调整内核参数：在/etc/sysctl.conf里加上这几行：
# 提高网络缓冲区，处理激光雷达点云数据
net.core.rmem_max = 134217728
net.core.wmem_max = 134217728
# 降低swappiness，减少SSD磨损
vm.swappiness = 10
  1. 安装实时内核（可选）：如果你要做底层控制，比如线控底盘驱动，我强烈建议装linux-image-rt。普通内核的调度延迟可能达到几十毫秒，而实时内核能控制在1毫秒以内。嗯，这里要注意：实时内核会牺牲一点吞吐量，但控制系统的确定性更重要。
我曾经踩过的坑：有一次我图省事，直接在虚拟机里装Ubuntu做环境搭建。结果一跑激光雷达驱动，点云数据频繁丢包。后来才发现，虚拟机的USB控制器对高速数据传输支持很差。所以，实车调试请务必用物理机，或者至少给虚拟机直通USB控制器。

3.2 ROS/ROS2环境搭建

ROS（机器人操作系统）在自动驾驶圈子里，就像瑞士军刀——不一定最好用，但大家都用。我个人更推荐新项目直接上ROS2，原因很简单：ROS1的通信机制是中心化的，一旦roscore挂了，整个系统就瘫痪了。ROS2用的是DDS，去中心化，每个节点都能独立运行。

3.2.1 ROS1 Noetic安装

如果你要维护老项目，或者用一些只支持ROS1的传感器驱动，那还是得装ROS1。安装命令很简单：

# 设置软件源
sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" > /etc/apt/sources.list.d/ros-latest.list'
sudo apt-key adv --keyserver 'hkp://keyserver.ubuntu.com:80' --recv-key C1CF6E31E6BADE8868B172B4F42ED6FBAB17C654

# 安装完整版（包含rviz、gazebo等）
sudo apt update
sudo apt install ros-noetic-desktop-full -y

# 初始化rosdep
sudo rosdep init
rosdep update

# 设置环境变量
echo "source /opt/ros/noetic/setup.bash" >> ~/.bashrc
source ~/.bashrc
注意：rosdep init这一步经常因为网络问题失败。我建议你手动下载rosdep的配置文件，或者用代理。实在不行，可以跳过rosdep，手动安装依赖包。虽然麻烦点，但能保证环境可用。

3.2.2 ROS2 Foxy安装

ROS2的安装比ROS1更规范一些。我推荐用Foxy版本，它和Ubuntu 20.04是官方配对：

# 设置locale（ROS2要求UTF-8）
sudo apt update && sudo apt install locales
sudo locale-gen en_US en_US.UTF-8
sudo update-locale LC_ALL=en_US.UTF-8 LANG=en_US.UTF-8

# 添加ROS2源
sudo apt update && sudo apt install curl gnupg2 lsb-release
sudo curl -sSL https://raw.githubusercontent.com/ros/rosdistro/master/ros.key  -o /usr/share/keyrings/ros-archive-keyring.gpg
echo "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/ros-archive-keyring.gpg] http://packages.ros.org/ros2/ubuntu $(lsb_release -cs) main" | sudo tee /etc/apt/sources.list.d/ros2.list > /dev/null

# 安装桌面版
sudo apt update
sudo apt install ros-foxy-desktop -y

# 设置环境变量
echo "source /opt/ros/foxy/setup.bash" >> ~/.bashrc

安装完成后，你可以用ros2 run demo_nodes_cpp talker和ros2 run demo_nodes_py listener测试一下。如果能看到节点在通信，那就说明环境搭好了。

3.2.3 工作空间创建

不管是ROS1还是ROS2，我都建议用colcon来构建工作空间。它比catkin_make快得多，而且支持并行编译：

# 安装colcon
sudo apt install python3-colcon-common-extensions

# 创建工作空间
mkdir -p ~/autoware_ws/src
cd ~/autoware_ws
colcon build --symlink-install

这里有个细节：--symlink-install参数会创建符号链接，这样你修改Python脚本后不需要重新编译。我在调试感知算法时，经常改几行代码就测试一下，这个参数帮我省了不少时间。

3.3 CUDA/cuDNN深度学习环境配置

自动驾驶离不开深度学习——目标检测、语义分割、路径规划，哪个环节都得用GPU。我建议你装CUDA 11.3搭配cuDNN 8.2，这个组合对TensorFlow 2.8和PyTorch 1.10的支持最好。

3.3.1 安装NVIDIA驱动

首先，你得知道自己的显卡型号。用lspci | grep -i nvidia查看。如果是Jetson系列，那驱动是定制的，不能通用。如果是桌面级显卡（比如RTX 3090），我推荐用nvidia-driver-470：

# 添加显卡驱动PPA
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update

# 查看推荐版本
ubuntu-drivers devices

# 安装推荐驱动
sudo apt install nvidia-driver-470 -y

# 重启
sudo reboot

# 验证
nvidia-smi
我曾经犯过的错：有次我直接在已有驱动的系统上装了新驱动，结果两个驱动冲突，系统直接黑屏。后来我学乖了——安装新驱动前，一定先 sudo apt purge nvidia-* 清理干净。另外，如果你用的是笔记本，记得在BIOS里把显卡模式设为“独显直连”，否则CUDA可能识别不到GPU。

3.3.2 安装CUDA Toolkit

我建议用runfile方式安装，这样你可以选择安装路径，方便管理多个版本：

# 下载CUDA 11.3 runfile
wget https://developer.download.nvidia.com/compute/cuda/11.3.0/local_installers/cuda_11.3.0_465.19.01_linux.run

# 运行安装（注意：不要安装驱动，只装toolkit）
sudo sh cuda_11.3.0_465.19.01_linux.run --toolkit --silent --override

# 设置环境变量
echo 'export PATH=/usr/local/cuda-11.3/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.3/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

# 验证
nvcc --version

你可能会问：为什么不直接用apt安装？因为apt安装的CUDA版本通常比较旧，而且不方便切换版本。我在项目中经常需要在CUDA 10.2和11.3之间切换（有些老模型只支持10.2），用runfile安装后，改个环境变量就行了。

3.3.3 安装cuDNN

cuDNN是NVIDIA的深度学习加速库。你需要去NVIDIA官网注册账号才能下载。下载后，解压并复制到CUDA目录：

# 解压
tar -xzvf cudnn-11.3-linux-x64-v8.2.1.32.tgz

# 复制文件到CUDA目录
sudo cp cuda/include/cudnn*.h /usr/local/cuda-11.3/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda-11.3/lib64/
sudo chmod a+r /usr/local/cuda-11.3/include/cudnn*.h
sudo chmod a+r /usr/local/cuda-11.3/lib64/libcudnn*

# 验证
cat /usr/local/cuda-11.3/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
我的经验：cuDNN的版本一定要和CUDA版本匹配。你可以用 dpkg -l | grep cudnn 查看已安装的cuDNN版本。如果发现版本不对，别慌——重新下载对应版本，覆盖安装就行。另外，我建议你保留cuDNN的压缩包，因为官网下载需要登录，每次重新下载很麻烦。

3.3.4 验证深度学习环境

环境配好了，得跑个测试看看。我习惯用PyTorch来验证：

# 安装PyTorch（CUDA 11.3版本）
pip install torch==1.10.0+cu113 torchvision==0.11.0+cu113 -f https://download.pytorch.org/whl/torch_stable.html

# 测试
python -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"

如果输出True和你的显卡型号，那就说明环境配好了。如果输出False，嗯，别急——先检查nvidia-smi能不能看到GPU，再看nvcc --version的版本对不对。我遇到过最奇葩的问题是：PyTorch默认安装的是CPU版本，因为pip源里没有CUDA版本的包。这时候你需要指定+cu113这样的tag。

3.4 环境配置检查清单

最后，我整理了一个检查清单。每次搭建新环境时，我都会按这个列表过一遍：

检查项 命令/方法 预期结果
Ubuntu版本 lsb_release -a 20.04 LTS
NVIDIA驱动 nvidia-smi 显示GPU信息
CUDA版本 nvcc --version 11.3
cuDNN版本 cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR 8.2
ROS1环境 roscore 启动后无报错 正常启动
ROS2环境 ros2 run demo_nodes_cpp talker 正常发布消息
PyTorch GPU支持 python -c "import torch; print(torch.cuda.is_available())" True

说实话，环境配置这件事，看起来琐碎，但真不能马虎。我见过太多团队，算法模型在服务器上跑得飞起，一部署到实车就各种报错。原因往往就是CUDA版本不对、ROS环境没配好。所以，花点时间把这一步做扎实，后面调试的时候你会感谢自己的。

下一章，咱们开始聊传感器驱动集成——激光雷达、摄像头、毫米波雷达，这些硬件怎么跟ROS系统对接。到时候我会分享一些我在实车调试中遇到的“血泪史”，保证让你少走弯路。

← 上一章 📖 返回目录 下一章 →