1. 环境准备从零搭建Ubuntu20.04基础平台刚接触自动驾驶开发的朋友们今天我要分享的是如何在Ubuntu20.04系统上通过Docker快速部署Autoware.AI开发环境。这个方案最大的优势是能避免复杂的依赖冲突特别适合需要快速搭建原型的研究团队。我自己在三个不同配置的工作站上实测过这个方案最快30分钟就能跑通第一个Demo。硬件配置建议显卡NVIDIA GTX 1060及以上需要支持CUDA内存建议16GB以上运行仿真时会占用10GB存储空间至少预留50GB地图数据很占空间系统层面需要做好这些准备已完成Ubuntu20.04的完整安装推荐使用官方镜像配置好国内软件源清华/阿里云都行安装NVIDIA官方驱动建议通过ubuntu-drivers devices命令自动安装推荐版本有个容易忽略的细节BIOS需要开启虚拟化支持。最近帮学弟调试时发现他的联想工作站默认关闭了VT-d功能导致Docker容器性能异常。检查方法很简单grep -E svm|vmx /proc/cpuinfo如果有输出就说明支持如果没输出需要进BIOS开启。2. Docker安装与优化配置虽然Ubuntu软件源里有Docker包但我强烈建议用官方源安装。上周在 Jetson AGX Orin 上测试时发现Ubuntu自带的旧版本会出现奇怪的cgroup问题。下面是经过验证的安装流程# 先卸载可能存在的旧版本 sudo apt remove docker docker-engine docker.io containerd runc # 安装核心依赖 sudo apt update sudo apt install -y ca-certificates curl gnupg lsb-release # 添加Docker官方GPG密钥 sudo mkdir -p /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg # 设置稳定版仓库 echo deb [arch$(dpkg --print-architecture)] https://mirrors.aliyun.com/docker-ce/linux/ubuntu $(lsb_release -cs) stable | sudo tee /etc/apt/sources.list.d/docker.list /dev/null安装完成后有个关键操作把当前用户加入docker组否则每次都要sudosudo usermod -aG docker $USER newgrp docker # 立即生效镜像加速配置是另一个痛点。直接修改/etc/docker/daemon.json没有就新建{ registry-mirrors: [ https://docker.mirrors.ustc.edu.cn, https://hub-mirror.c.163.com ], runtimes: { nvidia: { path: nvidia-container-runtime, runtimeArgs: [] } } }保存后执行sudo systemctl restart docker。可以用docker pull hello-world测试下载速度。3. GPU支持配置的深度优化要让Autoware.AI的感知算法跑在GPU上需要正确配置NVIDIA Container Toolkit。这里有个版本陷阱CUDA12和Autoware.AI的兼容性问题。经过多次测试推荐以下组合# 添加NVIDIA仓库 distribution$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list # 安装工具包注意版本锁定 sudo apt update sudo apt install -y nvidia-container-toolkit1.13.0-1 sudo apt-mark hold nvidia-container-toolkit # 防止自动升级验证环节很多人会忽略docker run --rm --gpus all nvidia/cuda:11.4.3-base-ubuntu20.04 nvidia-smi如果看到显卡信息输出说明配置成功。如果报错大概率是驱动版本不匹配。我遇到过RTX 3090需要470以上驱动的情况。4. Autoware.AI容器部署实战官方镜像目前最新是1.14.0版本基于Ubuntu18.04ROS Melodic。虽然宿主系统是20.04但Docker的隔离特性让这不成问题。部署时注意git clone --depth1 https://github.com/autowarefoundation/autoware_ai_docker.git cd autoware_ai_docker/generic关键修复修改run.sh脚本第142行附近的GPU检测逻辑。原脚本检查nvidia-docker命令已过时应改为if [ $CUDA on ]; then SUFFIX$SUFFIX-cuda if [[ ! $DOCKER_VERSION 19.03 ]]; then RUNTIME--gpus all else RUNTIME--runtimenvidia fi fi启动命令推荐这样写./run.sh --ros-distro melodic --cuda on -v /tmp/.X11-unix:/tmp/.X11-unix -e DISPLAY$DISPLAY-v参数是为了让容器内能显示RViz等可视化工具。第一次启动会下载约8GB的镜像取决于网络状况。5. 示例数据与Demo运行技巧官方提供的测试数据有两个主要来源3D点云地图autoware-data/Moriyama_DataROS Bag数据autoware-data/Moriyama_150324.tar.gz下载建议用容器内的脚本# 在容器内执行 wget https://autoware-ai.s3.us-east-2.amazonaws.com/Moriyama_150324.tar.gz tar zxvf Moriyama_150324.tar.gz避坑指南地图解压后需要修改pointcloud_map.launch中的路径播放bag时建议限制频率rosbag play --clock -r 0.5 Moriyama_150324.bag如果出现TF报错尝试先启动roslaunch runtime_manager runtime_manager.launch最近发现个实用技巧用--shm-size2g参数增大共享内存能显著降低RViz崩溃概率。完整的运行命令示例docker run -it --gpus all --shm-size2g -v /tmp/.X11-unix:/tmp/.X11-unix -e DISPLAY$DISPLAY autoware/autoware:latest-melodic-cuda6. 常见问题排查手册Q1启动时报GLIBC_2.29 not found原因宿主系统glibc版本高于容器解决在容器内apt install libc62.27-3ubuntu1.6Q2RViz无法显示点云检查步骤确认xhost 已执行检查容器内echo $DISPLAY应为:0尝试export LIBGL_ALWAYS_INDIRECT1Q3感知模块报CUDA错误典型表现CUDA error: no kernel image is available for execution解决方案在宿主系统安装与容器匹配的CUDA版本容器内是10.2最近遇到个棘手案例某戴尔工作站上的Docker容器无法访问GPU。最终发现是BIOS里需要关闭Secure Boot。这类硬件兼容性问题建议优先检查dmesg | grep -i nvidiajournalctl -u docker --no-pager7. 开发环境个性化配置基础环境搭好后可以做一些效率优化持久化工作空间docker run -v $PWD/autoware:/home/autoware/catkin_ws/src自定义ROS包在/home/autoware/catkin_ws/src下新建目录执行catkin build容器内已预装IDE集成方案VS Code配合Remote-Containers扩展配置.devcontainer.json{ image: autoware/autoware:latest-melodic-cuda, runArgs: [--gpusall, --shm-size2g], extensions: [ms-azuretools.vscode-docker] }对于需要频繁调试的场景建议把常用命令写成脚本。比如我的start_autoware.sh#!/bin/bash xhost local:docker docker run -it --rm --gpus all --shm-size2g \ -v /tmp/.X11-unix:/tmp/.X11-unix \ -v $PWD/autoware:/home/autoware \ -e DISPLAY$DISPLAY \ autoware/autoware:latest-melodic-cuda8. 性能调优实战经验经过多次测试总结出这些性能提升技巧内存管理启动容器时添加--memory8g --memory-swap10g限制在/etc/sysctl.conf中设置vm.overcommit_memory1 vm.swappiness10GPU利用率优化监控工具nvidia-smi -l 1 # 实时监控 tegrastats # Jetson设备专用环境变量调节export CUDA_LAUNCH_BLOCKING1 # 调试时用 export TF_FORCE_GPU_ALLOW_GROWTHtrue网络延迟优化使用--networkhost模式运行容器在ROS中设置param name/use_sim_time valuetrue/ param name/rosbridge/port value9090/上周在部署一套多机系统时发现把地图数据放在RAM磁盘能大幅降低延迟。创建方法sudo mkdir /mnt/ramdisk sudo mount -t tmpfs -o size5g tmpfs /mnt/ramdisk然后把bag文件复制到这里播放帧率能提升30%左右。