3. 软件环境配置：Ubuntu系统安装、ROS2 Humble部署、CUDA/cuDNN/TensorRT环境搭建

好，咱们进入第三章。这一章，说白了就是给机器人装上“大脑”和“眼睛”。

你想想看，硬件平台搭好了，就像一个人有了身体。但身体要动起来，得靠神经系统和大脑来指挥。Ubuntu就是操作系统，ROS2是神经中枢，CUDA这些是视觉皮层。缺一个，整个系统就玩不转。

我个人习惯，在开始任何联调之前，先把这三层环境理清楚。否则后面出了问题，你根本不知道是代码写错了，还是环境没配好。我在项目中遇到过太多次，花了两天查一个bug，最后发现是CUDA版本和驱动不匹配。嗯，这种坑，踩一次就够了。

3.1 Ubuntu系统安装——打好地基

ROS2 Humble官方推荐的是Ubuntu 22.04 LTS。别问我为什么不用20.04或者24.04，Humble就是为22.04量身定做的。你非要用别的版本，也能跑，但你会遇到各种奇奇怪怪的依赖问题。我建议，老老实实装22.04。

安装过程其实不复杂，但有几个关键点要注意：

• 分区方案：我个人习惯给根目录（/）分50GB，给/home分剩下的。如果你要存大量数据集，/home可以多分点。
• 交换分区：如果你的内存小于16GB，建议设置交换分区，大小等于内存大小。我遇到过内存不够导致编译到一半卡死的情况，很尴尬。
• 网络配置：安装时确保网络通畅，因为安装过程中会下载语言包和驱动。我曾经在离线环境下装系统，后来补驱动补到怀疑人生。

3.2 ROS2 Humble部署——神经中枢上线

ROS2 Humble的安装，官方文档写得很清楚。但我还是想说说我自己的流程，因为官方文档有时候太啰嗦了。

首先，设置语言环境。这一步很多人会跳过，但我不建议。我曾经因为语言环境没设对，导致ROS2的某些节点启动时报编码错误，查了半天才发现是locale的问题。

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
export LANG=en_US.UTF-8

然后，添加ROS2的软件源。这里要注意，ROS2的源和ROS1的源是分开的，别搞混了。

sudo apt install software-properties-common
sudo add-apt-repository universe
sudo apt update && sudo apt install curl -y
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
sudo apt update

接下来，安装ROS2 Humble。我建议安装桌面版（desktop），因为包含了常用的工具和可视化库。如果你硬盘空间紧张，可以只装基础版（ros-base）。

sudo apt install ros-humble-desktop

安装完成后，别忘了设置环境变量。我个人习惯把它写到.bashrc里，这样每次打开终端就不用重新source了。

echo "source /opt/ros/humble/setup.bash" >> ~/.bashrc
source ~/.bashrc

验证安装是否成功，可以跑一个简单的talker-listener测试：

# 终端1
ros2 run demo_nodes_cpp talker

# 终端2
ros2 run demo_nodes_py listener

如果能看到“I heard: Hello World”之类的输出，说明ROS2已经跑起来了。

3.3 CUDA/cuDNN/TensorRT环境搭建——给机器装上“视觉皮层”

这部分是感知联调的核心。没有CUDA，你的深度学习模型跑在CPU上，那速度……嗯，你懂的。

3.3.1 安装NVIDIA驱动

在装CUDA之前，必须先装NVIDIA驱动。我建议用官方的.run文件安装，或者用Ubuntu的“附加驱动”工具。我个人更倾向于用.run文件，因为版本控制更灵活。

先查看你的显卡型号和推荐驱动版本：

ubuntu-drivers devices

然后安装推荐版本：

sudo apt install nvidia-driver-535  # 具体版本号根据推荐来

安装完成后，重启系统，用nvidia-smi命令验证。如果能看到显卡信息，说明驱动装好了。

3.3.2 安装CUDA

ROS2 Humble对CUDA版本没有硬性要求，但TensorRT对CUDA版本有要求。我建议安装CUDA 11.8或12.1，这两个版本对TensorRT 8.x和9.x支持都很好。

从NVIDIA官网下载.run文件，或者用deb包安装。我习惯用deb包，因为卸载方便。

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb
sudo dpkg -i cuda-keyring_1.0-1_all.deb
sudo apt update
sudo apt install cuda-11-8  # 或者 cuda-12-1

安装完成后，设置环境变量：

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

验证CUDA是否安装成功：

nvcc --version

3.3.3 安装cuDNN

cuDNN是深度神经网络的加速库。安装cuDNN需要先注册NVIDIA开发者账号，然后下载对应的deb包。

下载完成后，安装：

sudo dpkg -i cudnn-local-repo-ubuntu2204-8.9.7.29_1.0-1_amd64.deb
sudo cp /var/cudnn-local-repo-*/cudnn-local-*-keyring.gpg /usr/share/keyrings/
sudo apt update
sudo apt install libcudnn8 libcudnn8-dev libcudnn8-samples

验证cuDNN：

cp -r /usr/src/cudnn_samples_v8/ $HOME
cd $HOME/cudnn_samples_v8/mnistCUDNN
make clean && make
./mnistCUDNN

如果看到“Test passed!”，说明cuDNN安装成功。

3.3.4 安装TensorRT

TensorRT是NVIDIA的推理优化引擎。对于感知联调来说，TensorRT可以把训练好的模型优化成推理引擎，大幅提升推理速度。

我建议用deb包安装TensorRT，因为依赖管理更方便。

sudo dpkg -i nv-tensorrt-local-repo-ubuntu2204-8.6.1-cuda-11.8_1.0-1_amd64.deb
sudo cp /var/nv-tensorrt-local-repo-*/nv-tensorrt-local-*-keyring.gpg /usr/share/keyrings/
sudo apt update
sudo apt install tensorrt

验证TensorRT：

dpkg -l | grep TensorRT

如果能列出TensorRT的版本信息，说明安装成功。

3.4 环境验证——确保一切就绪

所有环境都装好了，怎么确认它们能协同工作？我一般会写一个简单的测试脚本，同时调用ROS2和CUDA。

比如，创建一个ROS2节点，里面调用一个简单的CUDA核函数，计算两个向量的和。如果节点能正常启动，并且计算结果正确，说明环境是通的。

# 伪代码示例
import rclpy
from rclpy.node import Node
import numpy as np
import ctypes

# 加载CUDA库
cuda_lib = ctypes.CDLL("./libcuda_test.so")

class EnvTestNode(Node):
    def __init__(self):
        super().__init__('env_test_node')
        self.timer = self.create_timer(1.0, self.timer_callback)
    
    def timer_callback(self):
        # 调用CUDA函数
        result = cuda_lib.vector_add(ctypes.c_int(10))
        self.get_logger().info(f'CUDA test result: {result}')

def main(args=None):
    rclpy.init(args=args)
    node = EnvTestNode()
    rclpy.spin(node)
    node.destroy_node()
    rclpy.shutdown()

如果这个节点能正常运行，并且输出结果正确，那恭喜你，环境配置基本没问题了。

3.5 本章小结

这一章我们走完了Ubuntu安装、ROS2 Humble部署、CUDA/cuDNN/TensorRT环境搭建的全流程。说实话，这部分工作很繁琐，但非常重要。环境配好了，后面的联调工作才能顺利进行。

我记得第一次配这个环境的时候，花了整整两天。不是因为难，而是因为各种版本不匹配、依赖缺失。后来我把每一步都记录下来，形成了自己的checklist。现在再配，基本上一个小时就能搞定。

嗯，环境配置就到这里。接下来，你可以开始真正接触感知联调的核心内容了。