01 环境准备

1.1 系统

  • Ubuntu 22.04（CARLA 0.9.16 官方测试版本；不建议 24.04）
  • 内存：建议 32GB+（UE4+CARLA 编译和运行较吃内存）
  • 磁盘：约 130GB（UE4 ~91GB + CARLA ~31GB + 模型/依赖）
  • GPU：NVIDIA，显存 8GB+（本教程环境为 16GB）

1.2 GPU 驱动与 CUDA

安装 NVIDIA 驱动（570+）和 CUDA 12.8（与 TensorRT 版本匹配）。验证：

1
nvidia-smi    # 应显示驱动版本和 CUDA Version: 12.8

1.3 TensorRT

安装 TensorRT 10.9（本教程使用，用于 rf-DETR 推理）。假设安装在 /opt/TensorRT-10.9.0.34。

把 Python 绑定装到系统 python3（不是 conda），并加环境变量到 ~/.bashrc / ~/.zshrc：

1
2
3
4
5
# 安装 tensorrt python 绑定 (cp310 对应 python3.10)
pip3 install /opt/TensorRT-10.9.0.34/python/tensorrt-10.9.0.34-cp310-none-linux_x86_64.whl

# 环境变量
export LD_LIBRARY_PATH=/opt/TensorRT-10.9.0.34/lib:$LD_LIBRARY_PATH

验证（系统 python）：

1
/usr/bin/python3 -c "import tensorrt; print(tensorrt.__version__)"   # 10.9.0.34

⚠️ 关键：检测节点用系统 python 跑（rclpy 是系统 python），所以 torch、tensorrt、cv_bridge 都要装在系统 python，不要装在 conda。否则 ROS2 会因找不到 ros2cli 等包而崩溃。

1.4 ROS2 Humble

按官方文档安装 ROS2 Humble（desktop full）。验证：

1
2
source /opt/ros/humble/setup.zsh
ros2 --help

额外安装感知相关包：

1
2
sudo apt install ros-humble-cv-bridge ros-humble-vision-msgs \
                 ros-humble-image-transport ros-humble-image-transport-plugins

1.5 conda + CARLA Python 客户端环境

创建一个 conda 环境专门给 CARLA Python 客户端用：

1
2
conda create -n carla python=3.10 -y
conda activate carla

这个环境只用于跑 CARLA 自带的 Python 脚本（generate_traffic.py 等），不参与 ROS2/检测。

1.6 系统依赖（CARLA 编译用）

1
2
3
4
sudo apt-get update
sudo apt-get install build-essential g++-12 cmake ninja-build libvulkan1 \
    python3 python3-dev python3-pip python3-venv autoconf wget curl rsync \
    unzip git git-lfs libpng-dev libtiff5-dev libjpeg-dev

1.7 检测/跟踪模型仓库

准备两个模型仓库（克隆或下载）：

  • rf-DETR：~/models/rf-detr（需要其中的 weights/onnx/rfdetr-medium.engine）
  • OC-SORT：~/models/OC_SORT

OC-SORT 的 Python 依赖 filterpy 需装到系统 python：

1
/usr/bin/python3 -m pip install filterpy

1.8 验证系统 python 依赖齐全

1
/usr/bin/python3 -c "import torch, tensorrt, cv2, numpy, rclpy, cv_bridge, filterpy; print('all OK')"

应输出 all OK（torch 来自 CUDA 安装，其余按上面装）。