2. 开发环境搭建：Ubuntu系统配置、ROS2安装、Python虚拟环境、CUDA与TensorRT安装

说实话，环境搭建这事儿，看着琐碎，但真能卡住不少人。我见过太多同学在群里问“为什么我编译不过”“为什么检测模型跑不起来”，最后发现都是环境没配好。咱们这一章，就把这些基础工作一次性搞定。

我的习惯是：先搭系统，再装ROS2，然后配置Python虚拟环境，最后搞定CUDA和TensorRT。按这个顺序来，不容易出冲突。

2.1 Ubuntu系统配置

我推荐用 Ubuntu 22.04 LTS。为什么？因为ROS2 Humble正好支持它，而且CUDA 12.x也能完美运行。我之前在20.04上折腾过，有些新库不支持，后来换了22.04，省心不少。

2.1.1 系统安装要点

• 磁盘分区：建议至少给根目录 / 分配 80GB，/home 分配 100GB 以上。模型文件、数据集、编译中间产物都很占空间。
• 换源：安装完第一件事，换国内镜像源。我用的是清华源，速度稳定。
• 显卡驱动：在“软件与更新”的“附加驱动”里选NVIDIA官方驱动，别用开源的nouveau。

2.1.2 基础工具安装

# 安装编译工具和常用库
sudo apt install -y \
  build-essential \
  cmake \
  git \
  vim \
  curl \
  wget \
  net-tools \
  htop \
  terminator

嗯，这里有个坑：terminator 是我个人习惯用的终端模拟器，支持分屏，调试ROS2节点时特别方便。你可以换成自己顺手的。

2.2 ROS2 Humble 安装

ROS2版本很多，为什么选Humble？因为它对Ubuntu 22.04支持最好，而且生命周期长，到2027年才结束。咱们做机械臂项目，稳定性是第一位的。

2.2.1 安装步骤

1. 设置locale：确保系统支持UTF-8
2. 添加ROS2源：从官方仓库或镜像站添加
3. 安装ROS2基础包：我建议装 ros-humble-desktop，包含可视化工具
4. 安装编译工具：colcon 是ROS2的标配构建工具

# 设置locale
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

# 添加ROS2源
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 $(. /etc/os-release && echo $UBUNTU_CODENAME) main" | sudo tee /etc/apt/sources.list.d/ros2.list > /dev/null

# 安装ROS2 Humble
sudo apt update
sudo apt install ros-humble-desktop python3-colcon-common-extensions

2.2.2 环境变量配置

每次打开终端都要source一下，太麻烦。我习惯把它写到 ~/.bashrc 里：

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

验证安装：

ros2 run demo_nodes_cpp talker

如果能看到节点在发布消息，说明ROS2装好了。

2.3 Python虚拟环境配置

为什么要用虚拟环境？说白了，就是怕不同项目之间的Python包打架。我之前做目标检测时，一个项目用TensorFlow 1.x，另一个用PyTorch 2.0，如果不隔离，根本没法共存。

2.3.1 创建虚拟环境

我推荐用 conda 或者 venv。这里我用 venv 演示，因为它轻量，而且ROS2官方也推荐：

# 安装python3-venv
sudo apt install python3-venv python3-pip

# 创建虚拟环境
python3 -m venv ~/ros2_ws/venv

# 激活环境
source ~/ros2_ws/venv/bin/activate

2.3.2 安装Python依赖

咱们这个课程需要的核心Python库：

库名	版本要求	用途
numpy	>=1.21	数值计算
opencv-python	>=4.5	图像处理
torch	2.0+	深度学习框架
torchvision	0.15+	模型与数据预处理
onnxruntime-gpu	>=1.15	ONNX模型推理

pip install numpy opencv-python torch torchvision onnxruntime-gpu

2.4 CUDA与TensorRT安装

这部分是重头戏。目标检测模型要在机械臂上实时运行，GPU加速是必须的。TensorRT能进一步优化推理速度，说白了就是让模型跑得更快。

2.4.1 CUDA安装

先确认你的显卡支持什么版本的CUDA：

nvidia-smi

看右上角的“CUDA Version”，比如显示12.2，那你就装CUDA 12.x系列。

我推荐用 runfile 方式安装，而不是deb包。为什么？因为runfile可以自定义安装路径，方便管理多个CUDA版本。

# 下载CUDA 12.2 runfile
wget https://developer.download.nvidia.com/compute/cuda/12.2.0/local_installers/cuda_12.2.0_535.54.03_linux.run

# 运行安装
sudo sh cuda_12.2.0_535.54.03_linux.run

安装时注意：不要安装驱动（因为之前已经装过了），只选CUDA Toolkit和CUDA Samples。

配置环境变量：

echo 'export PATH=/usr/local/cuda-12.2/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.2/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

验证：

nvcc --version

2.4.2 cuDNN安装

cuDNN是深度神经网络的加速库，装完CUDA后必须配它。

# 下载cuDNN（需要NVIDIA账号，从官网下载）
# 解压并复制到CUDA目录
tar -xvf cudnn-linux-x86_64-8.9.4.25_cuda12-archive.tar.xz
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-12.2/include/
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-12.2/lib64/
sudo chmod a+r /usr/local/cuda-12.2/include/cudnn*.h /usr/local/cuda-12.2/lib64/libcudnn*

2.4.3 TensorRT安装

TensorRT是NVIDIA的推理优化引擎。咱们做目标检测，用TensorRT可以把模型推理速度提升2-5倍，这对机械臂的实时控制太重要了。

# 下载TensorRT（同样需要NVIDIA账号）
# 我用的版本是 TensorRT 8.6.1 for CUDA 12.x
tar -xzvf TensorRT-8.6.1.6.Linux.x86_64-gnu.cuda-12.0.tar.gz
sudo mv TensorRT-8.6.1.6 /usr/local/

# 配置环境变量
echo 'export LD_LIBRARY_PATH=/usr/local/TensorRT-8.6.1.6/lib:$LD_LIBRARY_PATH' >> ~/.bashrc
echo 'export PATH=/usr/local/TensorRT-8.6.1.6/bin:$PATH' >> ~/.bashrc
source ~/.bashrc

# 安装Python包
cd /usr/local/TensorRT-8.6.1.6/python
pip install tensorrt-8.6.1-cp310-none-linux_x86_64.whl

2.5 环境验证

所有东西装完后，咱们跑一个简单的验证脚本，确保环境没问题：

import torch
import tensorrt as trt
import cv2

# 检查CUDA是否可用
print(f"CUDA available: {torch.cuda.is_available()}")
print(f"CUDA version: {torch.version.cuda}")

# 检查TensorRT版本
print(f"TensorRT version: {trt.__version__}")

# 检查OpenCV
print(f"OpenCV version: {cv2.__version__}")

# 创建一个简单的张量测试GPU
if torch.cuda.is_available():
    x = torch.randn(3, 640, 640).cuda()
    print(f"GPU tensor shape: {x.shape}")
    print("GPU test passed!")

如果输出都正常，恭喜你，环境搭建完成了。