4. 环境搭建

自动驾驶虚拟仿真平台的开发，其本质是在软件层面构建一个可重复、可量化、可回归的物理世界替身。环境搭建的质量直接决定了后续传感器仿真、车辆动力学建模、场景泛化与算法部署的稳定性。一个配置混乱的宿主机环境，往往比算法本身的缺陷更早地暴露为“灵异问题”——例如同一份场景文件在不同机器上表现不一致、CUDA 版本与 PyTorch 不匹配导致显存报错、或仿真引擎因缺少系统库而静默崩溃。本章将围绕操作系统选型、依赖库管理、Python 虚拟环境、GPU 驱动栈以及仿真引擎（以 CARLA 和 Autoware 桥接场景为例）的安装与配置展开，帮助读者建立一套可复现、可迁移的工程化环境基线。

4.1 操作系统选型与基础配置

仿真平台对操作系统的要求集中在三点：实时调度能力、GPU 驱动兼容性、以及 ROS/ROS2 生态的完整支持。目前工业界与学术界的主流选择是 Ubuntu 20.04 LTS（搭配 ROS1 Noetic 或 ROS2 Foxy）与 Ubuntu 22.04 LTS（搭配 ROS2 Humble）。前者稳定性经过多年验证，后者对最新 NVIDIA 驱动和 CUDA 12.x 支持更佳。若团队已有基于 Ubuntu 18.04 的旧资产，建议通过 Docker 容器隔离，而非直接升级物理系统。

安装系统时需注意以下关键项：

• 内核参数：在 GRUB 配置中添加 quiet splash 即可，但必须禁用 Nouveau 开源驱动，否则 NVIDIA 驱动安装会失败。在 /etc/modprobe.d/blacklist-nouveau.conf 中写入 blacklist nouveau 与 options nouveau modeset=0，并执行 sudo update-initramfs -u。
• 交换分区：建议分配至少 16GB swap，编译大型依赖（如 UE4 源码）时内存溢出是常见问题。
• 文件系统：推荐使用 ext4，避免 Btrfs 在快照回滚时与仿真引擎的 mmap 机制产生冲突。
• 用户权限：将当前用户加入 video 和 render 组，避免访问 GPU 设备节点时出现权限错误。

4.2 GPU 驱动、CUDA 与 cuDNN 的版本匹配

GPU 驱动是仿真渲染与深度学习推理的底层基石。CARLA 基于 Unreal Engine 4.26，需要 OpenGL 4.5 以上支持；而 PyTorch 的 CUDA 扩展则要求驱动版本不低于特定阈值。版本匹配的核心原则是：驱动版本决定 CUDA 运行时的上限，CUDA 版本决定 PyTorch/TensorRT 的编译兼容性。

推荐组合如下表所示：

安装驱动时，推荐使用 sudo apt install nvidia-driver-535（Ubuntu 22.04）或从 NVIDIA 官网下载 .run 文件。安装完成后，务必执行 nvidia-smi 验证驱动状态，并检查 /proc/driver/nvidia/version 确认内核模块已加载。CUDA 的安装建议使用 runfile 方式，并选择“仅安装 Toolkit”，避免覆盖系统自带的驱动。

# 验证 CUDA 与 PyTorch 的匹配
python -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"
# 若输出 True 与显卡型号，则说明 GPU 栈配置成功

4.3 Python 虚拟环境与依赖库管理

仿真平台涉及 Python 包众多，且版本敏感。例如 CARLA 的 Python API 依赖 numpy==1.23，而 Autoware 的感知模块可能需要 numpy==1.24。使用虚拟环境隔离不同项目的依赖是唯一可靠的方案。推荐使用 Miniconda 作为环境管理器，其优势在于：

• 支持 Python 版本的无缝切换（conda create -n sim python=3.8）
• conda 包管理器能处理 CUDA 相关的非 Python 依赖（如 cudatoolkit）
• 环境导出与复现简单（conda env export > environment.yml）

创建仿真专用环境后，建议按以下顺序安装依赖：

1. 基础数值库：numpy、scipy、pandas
2. 图像与点云处理：opencv-python、open3d、pybind11
3. 深度学习框架：torch、torchvision（按 CUDA 版本选择安装命令）
4. ROS 桥接：rospkg、catkin_pkg、lark（用于解析 ROS 消息）
5. 仿真专用：carla（从 pip 或源码安装）、pygame（用于可视化）

# 创建并激活环境
conda create -n autosim python=3.8 -y
conda activate autosim

# 安装 PyTorch（以 CUDA 11.8 为例）
pip install torch==2.0.1 torchvision==0.15.2 --index-url https://download.pytorch.org/whl/cu118

# 安装 CARLA Python API
pip install carla==0.9.15

4.4 仿真引擎安装与配置（以 CARLA 为例）

CARLA 是目前学术界与工业界使用最广泛的开源自动驾驶仿真器。其安装方式分为两种：预编译包与源码编译。预编译包适合快速验证，源码编译适合需要修改渲染管线或传感器模型的团队。本节以预编译包为主，并给出源码编译的关键参数。

预编译包安装流程：

1. 从 CARLA 官方 GitHub Releases 下载 CARLA_0.9.15.tar.gz（约 20GB，包含地图与资源）。
2. 解压至 /opt/carla，并设置环境变量 export CARLA_ROOT=/opt/carla。
3. 启动服务器端：./CarlaUE4.sh -quality-level=Low（低画质模式可减少显存占用）。
4. 启动客户端测试：python -c "import carla; client = carla.Client('localhost', 2000); print(client.get_server_version())"。

源码编译关键参数：若需编译 UE4 与 CARLA 源码，需确保系统内存 ≥ 32GB，磁盘剩余 ≥ 100GB。编译命令如下：

# 克隆 CARLA 源码
git clone --depth=1 -b 0.9.15 https://github.com/carla-simulator/carla.git
cd carla
# 更新子模块（UE4 补丁）
./Update.sh
# 编译 Python API
make PythonAPI
# 编译服务器端
make launch

编译过程中最常见的错误是 fatal error: GL/glew.h: No such file or directory，此时需安装 libglew-dev libglm-dev libpng-dev。另外，UE4 编译对 GCC 版本敏感，Ubuntu 22.04 自带的 GCC 11 可能导致编译失败，建议使用 GCC 9（sudo apt install gcc-9 g++-9）。

4.5 环境验证与常见误区复盘

环境搭建完成后，必须进行系统性验证，而非仅检查单个组件是否安装成功。建议执行以下验证清单：

在实际项目中，环境问题往往以“玄学”形式出现。以下是三个高频误区：

• 误区一：盲目追求最新版本。CUDA 12.2 虽然性能更好，但 PyTorch 官方尚未提供对应预编译包，导致需要从源码编译，耗时且易错。建议以 PyTorch 的 pip install torch --index-url 列表为准，反向选择 CUDA 版本。
• 误区二：忽略系统库依赖。CARLA 依赖 libomp5、libxerces-c-dev 等系统库，缺少时不会报错，但会在运行特定地图时崩溃。建议执行 ldd CarlaUE4/bin/CarlaUE4 检查动态库链接。
• 误区三：环境变量污染。多个虚拟环境共存时，PYTHONPATH 可能指向错误路径。建议在启动脚本中显式设置 export PYTHONPATH=$CARLA_ROOT/PythonAPI/carla/dist/carla-0.9.15-py3.8-linux-x86_64.egg:$PYTHONPATH。