★ FEATURED ARTICLE 刚在同事那台N卡机器上从头把 Ubuntu 18.04 Autoware 1.14 GPU版 环境重新过了一遍差不多折腾了一个下午才把感知Demo跑起来。网上写安装教程的人不少但大部分都断在最关键的一步前面说“依赖全装好了”后面直接“等编译完就能开跑”中间的驱动、CUDA、ROS版本匹配没人讲透。这篇就把这个组合的环境配置流程完整梳理一遍覆盖版本怎么选、NVIDIA驱动和CUDA怎么装、ROS Melodic怎么搭、Autoware源码怎么编译、Demo怎么验证再把我踩过的报错和排查思路放出来。适合刚接触Autoware但不想在环境上浪费太多时间的开发者直接参考。1. 安装前的整体设计与版本选型1.1 为什么整套环境要锁定在老版本Autoware 1.14 是很多算法包还停留在早期形态时的那一代版本官方说明和绝大多数公开资料都默认它在 Ubuntu 18.04 上配合 ROS Melodic 使用。这个锁定关系不是随便拍的。ROS的发行版和Ubuntu的版本严格对应Melodic对应18.04换成20.04就得用ROS Noetic而Autoware 1.14源码里的很多构建脚本和消息定义都是从Melodic时代遗留下来的直接放到新版本环境里编译通常会在一些不起眼的依赖上出问题。有人会问为什么不干脆装新版AutowareAutoware后续版本架构改动很大要重新学新的模块组织方式而且GPU相关节点的编译方式也变了。如果目标是跑一个老项目或者复现早期自动驾驶感知流程1.14这套组合反而是最快速、最不容易出错的选择。我这里所说的“不容易出错”指的是在已有版本匹配的前提下遇到问题更容易搜到同款解决方案而不是说它完全不会踩坑。1.2 版本对应关系与硬件确认先列一份我实测可用的版本对应表避免后面每一步都在试错组件推荐版本备注Ubuntu18.04.5 或 18.04.6桌面版服务器版都可以推荐桌面版方便看RvizROSMelodic必须配套18.04不能用其他ROS发行版CUDA10.2对应NVIDIA驱动实测编译和运行都正常cuDNN7.6.5匹配CUDA 10.2注意不是最新版TensorRT7.x可选但GPU推理节点建议装Autoware1.14用对应tag拉取不要直接拿masterNVIDIA驱动版本不需要刻意追新我的原则是跟着CUDA要求走。CUDA 10.2 对驱动的最低要求是440版本左右实际装470或者450这类驱动都能用。装好之后一定要先确认nvidia-smi能正常输出GPU信息这一步不做后面CUDA和Autoware编译都无从谈起。硬件方面内存至少16GB因为Autoware编译时并行度上来了很容易吃满内存我见过8GB机器在编译阶段直接卡死最后加了8GB交换空间才勉强跑完。显存建议至少4GB跑点云匹配和感知节点的时候显存不够会频繁触发显示驱动重置。磁盘剩余空间要预留40GB以上源码、中间产物加上数据集增长比你预想得快。1.3 系统安装方式的建议如果机器上已经是干净的Ubuntu 18.04这一步跳过。如果是双系统建议提前确认引导方式Autoware涉及大量内核模块操作双系统下驱动冲突的排查成本很高。我的建议是单独找一块硬盘装或者在原有系统上处理好分区以后再来。装好系统之后先执行sudo apt update sudo apt upgrade然后立刻确认内核版本。Autoware编译对内核没有苛刻要求但NVIDIA驱动安装时如果内核和驱动版本差太多dkms会编译失败所以尽量保持系统刚装完的状态不要急着升级到完全不熟悉的内核。2. 基础环境搭建驱动、CUDA与ROS Melodic2.1 NVIDIA驱动安装与nouveau处理这块是GPU版环境最容易翻车的起点。默认Ubuntu的桌面环境会使用开源的nouveau驱动NVIDIA官方驱动和它不能共存不处理掉后面装驱动就会碰到各种黑屏和登录循环。先把内核模块列入黑名单。编辑/etc/modprobe.d/blacklist-nouveau.confsudo vim /etc/modprobe.d/blacklist-nouveau.conf写入两行blacklist nouveau options nouveau modeset0然后更新initramfs并重启sudo update-initramfs -u sudo reboot重启之后先用lsmod | grep nouveau确认模块已经不再加载。如果还有输出说明黑名单没生效仔细核对文件路径和拼写。这个环节很多人漏掉后面驱动装上以后一编译CUDA就花屏其实就是nouveau在捣乱。确认没问题后可以用系统自带的工具查看推荐的驱动包名ubuntu-drivers devices也可以直接指定版本安装sudo apt update sudo apt install nvidia-driver-470装完重启依次执行nvidia-smi和nvidia-settings。只要能看到显卡型号和显存信息驱动部分就算过了。此时不要急着继续我建议让机器静置一会让驱动真正初始化一遍再做下面的步骤。2.2 CUDA Toolkit与cuDNN安装驱动装好以后CUDA Toolkit就好办多了。我选的是CUDA 10.2因为Autoware 1.14编译时大量节点是通过CMake的find_package(CUDA)去探测的10.2在很多老项目里兼容性做得好。下载的时候选择runfile方式不要用deb方式runfile可以自定义安装路径后续切换版本也方便。安装命令大致是sudo sh cuda_10.2*.run --toolkit --silent --override这里--toolkit只安装工具包不覆盖驱动避免把刚装好的驱动又改掉。安装完成后在/usr/local下会出现cuda-10.2目录同时可能保留cuda这个软链接。如果软链接不是指向10.2就手动改一下sudo ln -sf /usr/local/cuda-10.2 /usr/local/cuda环境变量是后续所有编译的关键写入~/.bashrcexport PATH/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH/usr/local/cuda/lib64:$LD_LIBRARY_PATH然后执行source ~/.bashrc用nvcc -V验证版本。cuDNN这里有个常见误区直接去下载最新版。Autoware 1.14编译和运行时的库依赖是CUDA 10.x时代的用太新的cuDNN反而会在运行时报符号找不到。我用的是7.6.5解压后把include、lib64下的内容拷贝到CUDA目录或者用deb包装上都可以。装完以后可以在/usr/local/cuda/lib64下看到libcudnn.so.7这类文件。2.3 TensorRT的安装与定位TensorRT 7.x 对Autoware里的vision_ssd_detect、vision_yolo3_detect等推理节点很重要这些节点编译时会尝试寻找TensorRT的头文件和库文件。如果找不到部分节点会被跳过虽然整体能编译过但GPU推理能力就废了一半。安装TensorRT 7.x可以直接用官方提供的deb包装完以后路径一般在/usr/lib/x86_64-linux-gnu/下。为了让CMake顺利找到可以把路径加进LD_LIBRARY_PATH也可以设置TensorRT_ROOT环境变量。我的做法是把这几个库路径全部写进~/.bashrc一劳永逸。如果只是想先跑通不带深度学习检测的感知DemoTensorRT可以后装但后面一旦需要启用检测节点还是得回来补这一步。到那时再重编Autoware编译时间又得重来一遍倒不如一开始就装上。2.4 ROS Melodic安装与依赖初始化ROS的部分反而是整个环境里最不容易出问题的。先添加ROS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然后配置密钥更新索引安装桌面完整版sudo apt update sudo apt install ros-melodic-desktop-full这里我给的是通常意义上的安装步骤具体源地址以你所在网络能正常访问的为准。装完之后初始化rosdepsudo rosdep init rosdep update这个命令偶尔会提示超时或者拉取失败我的处理方式是等一会儿再执行一次或者检查网络连接是否正常不要反复强制重试容易把缓存弄乱。rosdep的作用是解析源码包的依赖关系这一步不跑后面Autoware编译时会遇到大量Missing依赖。2.5 基础依赖库补齐ROS桌面完整版会带上OpenCV、PCL、Eigen这些常用库但Autoware还需要一些额外的系统库直接一次性装好sudo apt install nlohmann-json3-dev libyaml-cpp-dev libboost-all-dev libpcl-dev python3-catkin-tools python3-osrf-pycommon ros-melodic-velodynenlohmann-json3-dev在Autoware的几个感知节点中是硬依赖Ubuntu 18.04默认源里的版本够用。如果源里没有这个包名可以试试nlohmann-json-dev。libyaml-cpp-dev处理参数文件解析libpcl-dev是点云库。用catkin build作为编译工具所以要装python3-catkin-tools。ros-melodic-velodyne后面跑雷达Demo时会用到。装完后可以顺手检查一下dpkg -L ros-melodic-desktop-full | grep pcl确认核心库已经就位。基础环境到这里就算封闭了下一步进入Autoware本体。3. Autoware 1.14源码编译3.1 源码拉取与分支选择Autoware 1.14的源码建议从官方Git仓库拉取拉取时指定tag或者分支。我用的命令长这样mkdir -p ~/autoware cd ~/autoware git clone 官方仓库地址 autoware cd autoware git checkout 1.14之所以强调分支是因为master上的代码可能已经混入了新版本架构的部分直接编译大概率会碰到版本不一致。用tag拉下来至少源码是官方标记过的版本和网上教程对得上。我的建议是把官方仓库地址替换为实际能访问到的官方仓库地址北方地区有的网络访问比较慢可以换个时间段拉取。拉取完成后先看目录结构。ros子目录才是ROS工作区后面所有依赖安装和编译都在这个目录里进行。如果发现源码拉取不完整比如某些子模块是空的可以先执行git submodule update --init --recursive。3.2 rosdep自动安装依赖进入ros目录后用rosdep一次性解析并安装全部ROS依赖cd ~/autoware/autoware/ros rosdep install -y --from-paths src --ignore-src --rosdistro melodic这一步会输出一大堆apt-get install的包名过程中如果出现unable to locate package的报错说明前面基础依赖没补全。最稳妥的方式是安装完了再跑一遍rosdep因为不同节点的依赖可能有交叉。rosdep跑完后我习惯再加一轮手动的依赖检查。常见的漏网之鱼包括一些只出现在编译期的头文件包比如libqt4-dev或qtbase5-devRviz和Runtime Manager界面都依赖Qt装全了能避免运行时弹窗报段错误。3.3 编译配置与GPU检测Autoware的编译我直接用catkin工具编译前建议设置Release模式不然Debug模式会带来非常大的二进制体积和意外的运行时开销。命令如下cd ~/autoware/autoware/ros catkin build --cmake-args -DCMAKE_BUILD_TYPERelease如果想要限制同时编译的包数量避免内存不够catkin build -j2 --cmake-args -DCMAKE_BUILD_TYPERelease这里的-j2是限制并行的编译进程数量可以按机器和内存情况调整。如果磁盘写入慢比如机械硬盘降低并行数也能减少IO压力。GPU相关节点在编译时会自动检测CUDA不需要额外打开某个开关。CMake会寻找/usr/local/cuda、nvcc以及libcudnn只要前面的环境变量没问题编译日志里会出现Found CUDA的提示这就说明GPU支持被正确启用了。如果日志里出现CUDA NOT FOUND说明环境变量或者软链接不对回到上一章检查不要强行继续往下。编译整个Autoware是个体力活第一次编译通常要一个小时以上。在等待时把终端日志用tee保存下来后面排查会方便很多。3.4 编译产物与环境初始化编译结束以后工作区会生成devel目录里面是编译产物和setup脚本。运行前需要显式加载环境source ~/autoware/autoware/ros/devel/setup.bash之后就可以在终端里执行autoware_start或者runtime_manager。注意每次新开终端都要重新source否则ROS找不到包会直接报package not found。到这里如果不做验证直接跑Demo大概率会在运行时才暴露问题。所以下一步还是要老老实实用官方Demo数据走一遍。4. 运行验证与GPU效果测试4.1 准备Demo数据与点云地图Autoware官方提供了一个经典的演示流程加载点云地图、回放rosbag、启动ndt_matching和感知节点在Rviz里看车辆定位和障碍物检测结果。点云地图和rosbag数据可以自己录制也可以用社区流传的样本数据。准备工作就是把.pcd地图文件和.bag文件放到一个好记的路径。我的习惯是放在~/autoware_demo/下面不要用中文路径也不要把文件放在桌面挂载目录运行时权限问题会很烦。另外rosbag里的话题名要和Autoware节点默认监听的雷达话题一致不一致的话后面点云根本不会显示。4.2 启动Runtime ManagerRuntime Manager是整个Autoware图形化的控制入口。启动命令cd ~/autoware/autoware/ros source devel/setup.bash ./run界面起来之后左侧会有一排Tab分别是Map、Sensing、Localization、Perception、Planning等。加载点时在Map页选择Point Cloud指定刚才的.pcd文件。Simulation页加载rosbag文件点击Play开始回放。实际跑通感知Demo时我的选择顺序一般是这样Sensing页打开velodyne_nodeLocalization页打开ndt_matchingPerception页打开lidar_kf_contour_track或points_downsampler。不用一次全开逐步验证每个节点是否正常输出。4.3 用nvidia-smi确认GPU真正在干活这一步是GPU版最有成就感的时刻。在感知节点运行起来之后另开一个终端执行nvidia-smi如果能看到一个带Autoware或CUDA关键字的进程占用了GPU显存和计算单元说明GPU加速确实生效了。单看Rviz界面是分不清CPU和GPU的必须用这个命令验证。我遇到过一种情况是节点虽然在跑但nvidia-smi里看不到进程后来发现是编译时CMake没找到CUDA所有GPU相关节点被静默编译成CPU版本。解决办法是检查编译日志找到包含cuda的节点是否真的显示Found CUDA然后重新编译对应包。4.4 可视化与效果对比在Rviz里加载Autoware提供的视图配置加入PointCloud2、ndt_map、BoundingBox等显示项。如果点云地图和雷达数据时间戳对齐ndt_matching输出轨迹会贴合地图感知节点会画出障碍物框。想要直观对比GPU和CPU的差异可以在编译选项里去掉CUDA支持再编一次同一个节点观察CPU占用和检测帧率。实测下来GPU加速的推理节点帧率提升非常明显这也是为什么非要用GPU版的原因。在跑检测节点时GPU版的每个检测框更新更流畅CPU版则明显拖拽尤其点云数量上来以后差距更大。5. 常见问题与避坑整理5.1 编译期报错实录编译阶段最常见的几类错误我分开列一下第一类CMake Error: The following variables are used in this project, but they are set to NOTFOUND。多数情况是某个ROS包或系统库没装。解决办法是先跑一遍rosdep再对照catkin build的报错信息找到缺的package.xml依赖并手动安装。第二类Could NOT find CUDA。这个最让人头疼因为Autoware不要求你显式指定GPU但编译日志会告诉你CUDA路径找不到。我当时的处理办法是检查/usr/local/cuda软链接、nvcc -V和LD_LIBRARY_PATH三个都对上以后重新编译。注意重新编译前最好清一下build目录里的缓存否则CMake可能还是沿用旧的失败结果。第三类Segmentation fault或internal compiler error极大概率是内存或者磁盘空间不够。用free -h和df -h确认再适当减少并行度或者增加swap。5.2 运行时缺库与路径问题运行阶段最容易碰到的是error while loading shared libraries: libcudnn.so.7: cannot open shared object file这个几乎都是LD_LIBRARY_PATH没有包含cuDNN库路径。新版cuDNN默认装到CUDA的lib64下只要环境变量正确这种错误应该不会出现。如果还报找不到可以直接在/etc/ld.so.conf.d下建一个文件把路径写进去执行sudo ldconfig。还有一个比较隐蔽的问题是运行时提示qt.qpa.plugin: could not load ...这是Qt平台插件缺失安装qtbase5-dev和libqt5svg5-dev就能解决。这个问题常常出现在用精简桌面环境的机器上完整桌面版一般不会触发。5.3 Runtime Manager启动失败./run脚本启动后界面不出来先看终端有没有Python报错。Autoware 1.14里有一些脚本是Python2写的如果系统默认python指向了Python3脚本可能直接崩溃。我碰到的解决方案是给python做一个指向Python2的软链接或者找到对应的启动脚本手动调整解释器路径。用ls -l /usr/bin/python可以快速确认当前指向。还有一种可能是依赖的Qt库版本不对可以试着用ldd查看相关二进制文件的依赖是否完整缺哪个就装哪个。5.4 常见问题速查表现象可能原因处理方式编译时找不到CUDA未设置环境变量或软链接错误检查nvcc -V和/usr/local/cuda设置PATH与LD_LIBRARY_PATH运行时报libcudnn.so找不到cuDNN未安装或路径没加载确认cuDNN版本执行ldconfigRviz启动后黑屏无点云坐标系/话题名不匹配检查TF树和话题名称加载正确视图配置Runtime Manager起不来Python版本或Qt库问题检查python软链接安装qt依赖编到一半虚拟机被杀死内存或磁盘不足加swap减少-j并行度清理磁盘这里每一行都是我实际遇到过或者周围同事遇到过的不是从文档里抄出来的。速查表只能帮你定位方向具体细节还是得看日志建议养成编完一包就看一眼日志的习惯。5.5 写在最后的体会这套环境我前前后后装了三遍第一遍卡在CUDA第二遍卡在TensorRT第三遍才完整跑通。个人最大的体会是Autoware 1.14本身并不算难编难的是把CUDA、cuDNN、TensorRT和ROS这几个组件的时间线对齐。少一个版本精确匹配后面报错的样式千奇百怪。最后再分享一个省钱省时间的小技巧把编译时用到的命令整理成脚本每执行完一步就把输出追加到日志文件。比如catkin build ... 21 | tee build.log这样哪一步出错、哪个节点没有正确识别CUDA翻日志比猜快得多。如果你正准备在Ubuntu 18.04上装这一套GPU环境希望这份流程能帮你少走几个来回。
阅读完成 · 觉得有帮助？
