3、环境准备：Python、ROS/ROS2、CUDA、OpenCV、PyTorch/TensorFlow等开发环境的安装与配置

机器人AI项目的交付质量，很大程度上取决于开发环境是否干净、版本是否匹配、依赖是否可复现。很多项目在算法验证阶段运行良好，一到现场部署就出现“在我机器上明明能跑”的尴尬局面，根源往往在于环境配置缺乏系统化管理。本章围绕Python、ROS/ROS2、CUDA、OpenCV、PyTorch/TensorFlow这五类核心组件的安装与配置展开，帮助读者建立一套可迁移、可复现、可排障的环境准备方法论。

3.1 环境准备的核心原理与整体策略

机器人AI项目的环境准备，本质上是一个分层依赖管理问题。从底层到顶层依次为：操作系统与硬件驱动、基础运行时（Python、CUDA）、机器人中间件（ROS/ROS2）、AI框架与视觉库（PyTorch/TensorFlow、OpenCV）、项目业务代码。每一层都依赖下一层的正确安装，且各层之间存在严格的版本兼容关系。例如，PyTorch 1.13 需要 CUDA 11.7 及以上，而 CUDA 11.8 又要求 NVIDIA 驱动版本 ≥ 520.61.05；ROS2 Humble 官方支持 Ubuntu 22.04，而 ROS1 Noetic 仅支持 Ubuntu 20.04。这种“牵一发而动全身”的特性，决定了环境准备不能靠零散安装，而必须采用系统化策略。

3.2 Python 开发环境的安装与配置

Python是机器人AI项目的主要编程语言，但系统自带的Python版本往往不满足项目需求，且多个项目之间容易产生依赖冲突。推荐使用Miniconda或Python venv进行环境管理。Miniconda适合需要频繁切换Python版本、管理CUDA相关包的场景；venv更轻量，适合单一项目部署。

3.2.1 安装流程

1. 安装Miniconda：从官网下载对应架构的安装脚本，执行 bash Miniconda3-latest-Linux-x86_64.sh，按提示完成安装。
2. 创建独立环境：conda create -n robot_ai python=3.8，激活环境 conda activate robot_ai。
3. 配置pip国内镜像：编辑 ~/.pip/pip.conf，设置清华或阿里云镜像，加速依赖安装。
4. 验证安装：python --version 确认版本，pip list 查看已安装包。

3.2.2 版本选择建议

3.3 CUDA 与 GPU 加速环境的安装配置

CUDA是NVIDIA GPU的并行计算平台，PyTorch/TensorFlow的GPU版本依赖CUDA运行库。安装CUDA前，必须先确认GPU型号、驱动版本与CUDA版本的兼容关系。一个常见误区是“驱动越新越好”，实际上驱动版本与CUDA版本存在对应关系，驱动过新或过旧都可能导致PyTorch无法调用GPU。

3.3.1 安装步骤

1. 检查GPU与驱动：执行 nvidia-smi 查看驱动版本和CUDA版本（注意：这里的CUDA是驱动支持的版本，不是已安装的CUDA Toolkit）。
2. 安装CUDA Toolkit：从NVIDIA官网下载对应版本，选择runfile方式安装，避免覆盖系统驱动。安装时取消勾选“Driver”选项，只安装Toolkit。
3. 配置环境变量：在 ~/.bashrc 中添加 export PATH=/usr/local/cuda-11.8/bin:$PATH 和 export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH。
4. 安装cuDNN：下载与CUDA版本匹配的cuDNN，解压后将文件复制到CUDA目录。
5. 验证：执行 nvcc -V 查看CUDA版本，运行 python -c "import torch; print(torch.cuda.is_available())" 验证PyTorch能否调用GPU。

3.3.2 版本兼容性速查表

3.4 ROS/ROS2 的安装与工作空间配置

ROS（Robot Operating System）是机器人开发的事实标准中间件。ROS1适合教学和传统机器人项目，ROS2则面向生产级、多机协同场景。选择哪个版本，取决于项目需求、硬件平台和团队技术栈。

3.4.1 ROS1 Noetic 安装要点

1. 系统要求：仅支持Ubuntu 20.04，使用 apt 安装。
2. 安装命令：sudo apt install ros-noetic-desktop-full，安装完成后执行 source /opt/ros/noetic/setup.bash。
3. 初始化工作空间：使用 catkin_make 或 catkin build 编译项目。

3.4.2 ROS2 Humble 安装要点

1. 系统要求：支持Ubuntu 22.04，使用 apt 安装。
2. 安装命令：sudo apt install ros-humble-desktop，执行 source /opt/ros/humble/setup.bash。
3. 使用colcon构建：colcon build 替代catkin，支持更灵活的包管理。

3.4.3 常见问题与排障

• 找不到ROS命令：检查是否执行了 source 命令，建议将source语句写入 ~/.bashrc。
• 依赖缺失：使用 rosdep install --from-paths src --ignore-src -r -y 自动安装缺失依赖。
• Python版本冲突：ROS1 Noetic默认使用Python 3.8，如果conda环境是3.10，需要先 conda deactivate 再编译。

3.5 OpenCV 与 AI 框架（PyTorch/TensorFlow）的安装

OpenCV是机器人视觉处理的基础库，PyTorch和TensorFlow是主流的深度学习框架。这三者的安装相对简单，但需要注意与ROS、CUDA的版本匹配。

3.5.1 OpenCV 安装

推荐使用 pip install opencv-python 安装预编译版本，避免源码编译的复杂性。如果需要使用ROS的cv_bridge功能，必须确保OpenCV版本与ROS自带的OpenCV版本一致，否则会出现 cv_bridge 导入错误。

# 安装OpenCV Python包
pip install opencv-python==4.8.1.78 opencv-contrib-python==4.8.1.78

# 验证安装
python -c "import cv2; print(cv2.__version__)"

3.5.2 PyTorch 安装

PyTorch的安装必须指定CUDA版本，否则默认安装CPU版本，无法利用GPU加速。

# 安装CUDA 11.8对应的PyTorch
pip install torch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 --index-url https://download.pytorch.org/whl/cu118

# 验证GPU可用性
python -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"

3.5.3 TensorFlow 安装

TensorFlow的GPU版本安装相对简单，但需要注意与Python版本的兼容性。

# 安装TensorFlow GPU版本
pip install tensorflow==2.13.0

# 验证GPU
python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

3.6 实战案例：从零搭建一个机器人抓取项目的完整环境

下面通过一个具体的机器人抓取项目，演示如何将上述组件整合为一个可运行的环境。项目背景：使用UR5机械臂 + Intel RealSense深度相机 + PyTorch目标检测模型，在ROS2环境下实现物体识别与抓取。

3.6.1 项目环境需求

3.6.2 安装过程与排障记录

第一步：安装基础环境。先安装Ubuntu 22.04，更新系统后安装NVIDIA驱动（版本530），然后安装CUDA 11.8 Toolkit和cuDNN 8.9。验证 nvidia-smi 显示CUDA 11.8。

第二步：安装ROS2 Humble。按照官方文档执行 apt 安装，配置 ~/.bashrc 中的source语句。测试 ros2 run demo_nodes_cpp talker 确认ROS2正常运行。

第三步：创建conda环境并安装Python依赖。执行 conda create -n grasp_env python=3.10，激活后安装PyTorch、OpenCV、NumPy等。此时遇到一个问题：cv_bridge 无法导入，报错提示OpenCV版本冲突。原因是ROS2自带的OpenCV是4.5.3，而conda环境安装的是4.8.1。

第四步：解决cv_bridge冲突。解决方案有两种：一是将conda环境中的OpenCV降级到4.5.3；二是从源码编译cv_bridge。考虑到项目需要OpenCV 4.8的新特性，选择从源码编译cv_bridge，在ROS2工作空间中执行 colcon build --packages-select cv_bridge，编译时指定使用conda环境的Python和OpenCV路径。

第五步：验证完整链路。启动相机驱动节点，发布图像话题；运行PyTorch检测节点，订阅图像话题并输出检测结果；最后通过MoveIt控制机械臂执行抓取。整个链路运行稳定，GPU利用率约65%，帧率25FPS。

3.7 常见误区与总结复盘

环境准备阶段最常见的误区包括：盲目追求最新版本（如安装CUDA 12.x导致PyTorch不兼容）、忽略版本锁定（使用 pip install 不带版本号，导致依赖漂移）、混合使用多个Python环境（系统Python、conda、venv混用导致路径混乱）、不记录安装过程（出现问题后无法回溯）。

正确的做法是：编写环境安装脚本，将每一步安装命令和版本号固化；使用Docker或conda-lock锁定依赖；在项目文档中记录环境验证命令（如 nvidia-smi、python -c "import torch" 等）。环境准备不是一次性的工作，而是伴随项目迭代持续维护的过程。建议在项目启动时投入20%的时间做好环境规划，可以避免后期80%的排障时间。