Ubuntu20.04+Docker+Autoware.AI：一站式部署与避坑指南

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：

1. 已完成Ubuntu20.04的完整安装（推荐使用官方镜像）
2. 配置好国内软件源（清华/阿里云都行）
3. 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sudo：

sudo 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-toolkit=1.13.0-1 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Ubuntu18.04（ROS 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 --depth=1 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="--runtime=nvidia" 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_Data
• ROS 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：

1. 地图解压后需要修改pointcloud_map.launch中的路径
2. 播放bag时建议限制频率：rosbag play --clock -r 0.5 Moriyama_150324.bag
3. 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-size=2g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-size=2g -v /tmp/.X11-unix:/tmp/.X11-unix -e DISPLAY=$DISPLAY autoware/autoware:latest-melodic-cuda

6. 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 libc6=2.27-3ubuntu1.6

Q2：RViz无法显示点云

• 检查步骤：
  1. 确认xhost +已执行
  2. 检查容器内echo $DISPLAY应为:0
  3. 尝试export LIBGL_ALWAYS_INDIRECT=1

Q3：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 nvidia
• journalctl -u docker --no-pager

7. 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：

1. 持久化工作空间：

   docker run -v $PWD/autoware:/home/autoware/catkin_ws/src

2. 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）

3. IDE集成方案：

   • VS Code配合Remote-Containers扩展
   • 配置.devcontainer.json：

     { "image": "autoware/autoware:latest-melodic-cuda", "runArgs": ["--gpus=all", "--shm-size=2g"], "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-size=2g \ -v /tmp/.X11-unix:/tmp/.X11-unix \ -v $PWD/autoware:/home/autoware \ -e DISPLAY=$DISPLAY \ autoware/autoware:latest-melodic-cuda

8. 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--memory=8g --memory-swap=10g限制
• 在/etc/sysctl.conf中设置：

  vm.overcommit_memory=1 vm.swappiness=10

GPU利用率优化：

1. 监控工具：

   nvidia-smi -l 1 # 实时监控 tegrastats # Jetson设备专用

2. 环境变量调节：

   export CUDA_LAUNCH_BLOCKING=1 # 调试时用 export TF_FORCE_GPU_ALLOW_GROWTH=true

网络延迟优化：

• 使用--network=host模式运行容器
• 在ROS中设置：

  <param name="/use_sim_time" value="true"/> <param name="/rosbridge/port" value="9090"/>

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 size=5g tmpfs /mnt/ramdisk

然后把bag文件复制到这里播放，帧率能提升30%左右。