第1章：环境搭建——工欲善其事，必先利其器

说实话，做自动驾驶这几年，我见过太多同学卡在环境搭建这一步。明明代码逻辑没问题，跑起来却各种报错。说白了，环境没配好，后面全是坑。这一章，我带你一步步把地基打牢。

本章核心目标：从零搭建一套完整的端到端自动驾驶开发环境，包括操作系统、Python生态、GPU加速库和深度学习框架。

1.1 Ubuntu系统安装——为什么选它？

你可能想问：为什么非要用Ubuntu？Windows不行吗？我个人习惯用Ubuntu，原因很简单——自动驾驶领域的主流框架（比如ROS、Apollo、Carla）对Ubuntu支持最好。你想想看，要是装个库都得折腾半天，哪还有心思搞算法？

推荐版本：Ubuntu 20.04 LTS 或 22.04 LTS

  • 20.04：稳定，兼容性好，PyTorch官方支持到CUDA 11.x
  • 22.04：新特性多，但部分老库可能不兼容

我的建议：新手直接上20.04。我在项目中遇到过22.04下某些驱动死活装不上的情况，折腾了两天才发现是内核版本问题。嗯，别给自己找麻烦。

安装步骤（简述）：

  1. 下载Ubuntu 20.04 ISO镜像
  2. 制作启动U盘（推荐用Rufus或balenaEtcher）
  3. BIOS设置U盘启动，进入安装界面
  4. 分区建议：/ 分区50GB+，swap分区=内存大小，/home分区留剩余空间
  5. 安装完成后执行 sudo apt update && sudo apt upgrade

注意：双系统用户记得先备份数据！我曾经手滑把Windows分区格了，那叫一个酸爽。

1.2 Python与Conda环境配置

Python版本管理是个大问题。项目A要Python 3.8，项目B要3.10，怎么办？用Conda。它就像一个环境管家，每个项目独立一套Python版本和包，互不干扰。

安装Miniconda（推荐，比Anaconda轻量）：

# 下载安装脚本
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# 运行安装
bash Miniconda3-latest-Linux-x86_64.sh

# 一路yes，最后重启终端或 source ~/.bashrc

创建自动驾驶专用环境：

conda create -n autodrive python=3.8
conda activate autodrive

小技巧：我习惯把环境名起得有意义，比如 autodrive、bevfusion，别用 test1、test2——三个月后你自己都分不清。

常用Conda命令速查：

命令 作用
conda list 查看当前环境已安装的包
conda install numpy 安装包
conda remove numpy 卸载包
conda env export > environment.yaml 导出环境配置（分享给队友）

1.3 CUDA与cuDNN安装——GPU加速的关键

端到端自动驾驶离不开深度学习，深度学习离不开GPU。CUDA是NVIDIA的并行计算平台，cuDNN是专门为深度神经网络优化的加速库。说白了，没有它们，你的显卡就是个高级显示器。

第一步：检查显卡驱动

nvidia-smi

如果显示GPU信息，说明驱动已装好。如果没有，执行：

sudo apt install nvidia-driver-470  # 根据显卡型号选择版本

我曾经踩过的坑：驱动版本和CUDA版本不匹配。比如驱动是470，却装了CUDA 12.0，结果报错说找不到设备。记住：nvidia-smi 顶部显示的CUDA Version是驱动支持的最高版本，你装的CUDA不能超过它。

第二步：安装CUDA

推荐用runfile方式安装，灵活可控：

wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run
sudo sh cuda_11.8.0_520.61.05_linux.run

安装时不要勾选驱动（我们已经装过了），只选CUDA Toolkit。

第三步：配置环境变量

echo 'export PATH=/usr/local/cuda-11.8/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

第四步：安装cuDNN

需要去NVIDIA官网注册下载（免费），然后：

# 解压并复制到CUDA目录
tar -xzvf cudnn-linux-x86_64-8.9.0.131_cuda11-archive.tar.xz
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.8/include/
sudo cp cudnn-*-archive/lib/libcudnn* /usr/local/cuda-11.8/lib64/
sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h /usr/local/cuda-11.8/lib64/libcudnn*

验证安装：

nvcc --version  # 查看CUDA版本
cat /usr/local/cuda-11.8/include/cudnn_version.h | grep CUDNN_MAJOR -A 2  # 查看cuDNN版本

1.4 PyTorch框架安装

PyTorch是目前自动驾驶研究的主流框架。BEVFormer、UniAD这些顶会模型，清一色PyTorch。安装其实就一行命令，但版本得选对。

安装命令（CUDA 11.8 + PyTorch 2.0）：

pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118

为什么不用conda安装？我个人习惯用pip。conda的PyTorch版本更新慢，而且有时候依赖解析会卡死。pip直接、快速，出了问题也好排查。

验证PyTorch是否能用GPU：

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，恭喜，环境配好了！

常见问题排查：

  • 报错 "No module named torch" —— 检查是否激活了conda环境
  • torch.cuda.is_available() 返回 False —— CUDA版本不匹配或驱动没装好
  • 显存不足 —— 减小batch size，或者换小模型先测试

知识体系总览

下面这张图，帮你把本章的知识点串起来。环境搭建不是孤立的一步一步，而是一个环环相扣的系统工程。

端到端自动驾驶环境搭建知识体系 Ubuntu 20.04 LTS Miniconda + Python 3.8 NVIDIA驱动 + CUDA 11.8 + cuDNN 8.9 PyTorch 2.0 + torchvision 关键检查点 ✅ nvidia-smi 显示GPU ✅ nvcc --version 显示CUDA ✅ cuDNN版本号正确 ✅ conda环境激活 ✅ torch.cuda.is_available()=True ⚠ 常见错误： • 驱动/CUDA版本不匹配 • 忘记激活conda环境 • pip安装时CUDA版本选错

看到这张图你应该明白了：底层是操作系统，往上依次是Python环境、GPU加速库，最上层才是深度学习框架。每一层都依赖下一层正常工作。所以，别急着装PyTorch，先确认驱动和CUDA没问题。

最后说一句：环境搭建是最枯燥但最重要的一步。我见过太多人花一周配环境，结果发现是驱动版本不对。按照上面的步骤来，每一步验证通过再往下走，基本不会出大问题。嗯，动手试试吧。

可可精品资料库

← 上一章 📖 返回目录 下一章 →