自动驾驶平台Apollo 2.5环境搭建

89 阅读 0 评论 59 点赞

我是靠谱客的博主陶醉台灯，最近开发中收集的这篇文章主要介绍自动驾驶平台Apollo 2.5环境搭建，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

原文地址：https://blog.csdn.net/jinzhuojun/article/details/80210180

我们知道，自动驾驶在学界其实已经是个很老的topic了。而这几年，伴随着以深度学习为主力的第三次AI浪潮，大家似乎看到了自动驾驶商业化的重大机会，于是无论是学界还是工业界都开始将注意力转向该领域。放眼望去，满大街似乎都在搞自动驾驶。前段时间，百度又发布了自动驾驶平台Apollo的2.5版本。要想搭个环境玩一下的话，其实官方文档里挺详细了。这里主要是备忘一下主要流程和一些小坑的解决方法。大体可分为以下几步：

docker

为了免除环境差异造成的各种问题，apollo运行环境依赖于docker。因此如果还没有安装docker的话，需要先安装docker，可以参考：https://github.com/ApolloAuto/apollo/blob/master/docker/scripts/README.md#install-docker

如果之后启动container时遇到下面错误：

docker: Error response from daemon: cgroups: cannot find cgroup mount destination: unknown.

参考https://github.com/boot2docker/boot2docker/issues/1301，解决方法是执行：

sudo mkdir /sys/fs/cgroup/systemd
sudo mount -t cgroup -o none,name=systemd cgroup /sys/fs/cgroup/systemd

Apollo

首先下载apollo源代码。可以选择直接从github上拉，也可以下载release包。这里选择后者，从https://github.com/ApolloAuto/apollo/releases/tag/v2.5.0 下载代码，然后解压。假设解压后目录为APOLLO_HOME。进入该目录后，运行以下脚本初始化apollo的开发和运行环境。

bash docker/scripts/dev_start.sh

其中会去从网上拉几个所需的docker image并基于这些image启动container。拉完后用docker images命令可以看到以下的几个新增image：

REPOSITORY
TAG
IMAGE ID
CREATED
SIZE
apolloauto/apollo
dev-x86_64-20180413_2000
2d338b6e1942
3 weeks ago
7.17GB
apolloauto/apollo
localization_volume-x86_64-latest
75cf8c77134c
4 weeks ago
6.94MB
apolloauto/apollo
map_volume-sunnyvale_big_loop-latest
9d9581178ffe
6 weeks ago
995MB
apolloauto/apollo
yolo3d_volume-x86_64-latest
562d2b2b5a71
7 weeks ago
70.6MB
apolloauto/apollo
map_volume-sunnyvale_loop-latest
36dc0d1c2551
3 months ago
906MB

用docker ps可以看到启动了以下container：

0f2a5bccc9f3
apolloauto/apollo
"/bin/bash"
3 hours ago
Up 3 hours
apollo_dev
0c1f64813be2
apolloauto/apollo:yolo3d_volume-x86_64-latest
"/bin/sh"
3 hours ago
Up 3 hours
apollo_yolo3d_volume
b42bfef51984
apolloauto/apollo:localization_volume-x86_64-latest
"/bin/sh"
3 hours ago
Up 3 hours
apollo_localization_volume
5d6ea903455c
apolloauto/apollo:map_volume-sunnyvale_loop-latest
"/bin/bash"
3 hours ago
Up 3 hours
apollo_map_volume-sunnyvale_loop
dc4f8219a2b9
apolloauto/apollo:map_volume-sunnyvale_big_loop-latest
"/bin/sh"
3 hours ago
Up 3 hours
apollo_map_volume-sunnyvale_big_loop

接下来就可以通过以下命令进入开发环境了，其实就是进入前面pull下来的dev-x86_64-20180413_2000那个image创建的container（名为apollo_dev）。前面的apollo代码根目录APOLLO_HOME会被映射到container中的/apollo目录下。

bash docker/scripts/dev_into.sh

然后就可以编译整个系统了。不过由于感知（perception）模块很多依赖于CUDA，所以最好先按下一节中的方法enable CUDA后再编译。等编译完后，根据官方文档How to Launch and Run Apollo就可以用下面命令启动Apollo并运行可视化工具Dreamview：

bash scripts/bootstrap.sh

正常情况下可以看到“Dreamview is running at http://localhost:8888”的输出，然后用浏览器打开http://localhost:8888 应该就能看到界面了。

这里，我们按官方文档先跑下demo。先下载回放数据包：

sudo bash docs/demo_guide/rosbag_helper.sh download

下载完成后，回放数据位于docs/demo_guide目录下。Apollo基于ROS，而rosbag是其中的数据记录和回放工具。用该命令可以开始回放：

rosbag play -l ./docs/demo_guide/demo_2.0.bag

从刚才启动的Dreamview中即可看到回放数据的图形化输出了：
这里写图片描述

CUDA

通过前面命令进入apollo_dev这个container中，可以看到官方image中自带CUDA 8.0了。但由于没有driver，所以还无法使用GPU进行加速。参考官方文档How to Run Perception Module on Your Local Computer，下载驱动（最好和host装的版本一致，driver版本可以通过nvidia-smi命令查看）和cudnn进行安装。如果直接运行下载的驱动安装文件碰到问题，比如：

An NVIDIA kernel module 'nvidia-drm' appears to already be loaded in
your kernel.

需要先将图形界面干掉（因为它会使用GPU）：

sudo service lightdm stop

再如果碰到下面问题：

nvidia: version magic '4.4.0-116-generic SMP mod_unload modversions ' should be '4.4.0-116-generic SMP mod_unload modversions retpoline '

可以参考https://devtalk.nvidia.com/default/topic/1030325/nvidia-driver-installation-v387-26-on-ubuntu-16-04/。亲测有效。

另一种安装driver的方法是通过apt-get：

sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update
sudo apt-get install nvidia-384

因为安装了驱动，即对原image有了修改，如果不commit的话退出后这些改动都没有了，下次进来还要重新做一遍。因此需要通过以下命令commit改动（假设commit后的image tag为v1.0）：

docker commit CONTAINER_ID apolloauto/apollo:v1.0

其中CONTAINER_ID可以通过docker ps | grep apollo_dev查看。命令执行后再用docker images命令应该可以看到新增的image：

apolloauto/apollo
v1.0
3812b26eb3c8
41 hours ago
8.11GB

之后就可以用以下命令就可以基于改动后的image创建container：

./docker/scripts/dev_start.sh -l -t v1.0

然后可以试下CUDA是不是正常工作。在container中进入/usr/local/cuda/samples/1_Utilities/deviceQuery目录，执行：

sudo make
sudo ./deviceQuery

如果看到GPU信息就说明OK了。还不放心的再在samples目录里随便挑几个编译运行试试。接下来可以编译apollo系统了：

./apollo.sh build_opt_gpu

apollo系统使用的编译系统是bazel（就是TensorFlow用的那个）。编译完后的binary都放在/apollo/bazel-bin目录下。让我们随意找个test试一下，比如用yolo神经网络模型进行物体检测的测试：

./bazel-bin/modules/perception/obstacle/camera/detector/yolo_camera_detector/yolo_camera_detector_test

输出结果：

...
I0506 18:23:41.356957
218 util.cc:54] Supported types:
I0506 18:23:41.356976
218 util.cc:62]
VEHICLE
I0506 18:23:41.356989
218 util.cc:62]
BICYCLE
I0506 18:23:41.356993
218 util.cc:62]
PEDESTRIAN
I0506 18:23:41.357002
218 util.cc:62]
UNKNOWN_UNMOVABLE
I0506 18:23:41.357015
218 util.cc:64]
4 in total.
E0506 18:23:41.369910
218 yolo_camera_detector.cc:256] 'objects' is a null pointer.
I0506 18:23:41.372014
218 yolo_camera_detector.cc:303] Pre-processing: 2.01507 ms
I0506 18:23:41.408946
218 yolo_camera_detector.cc:309] Running detection: 36.8999 ms
I0506 18:23:41.409906
218 yolo_camera_detector.cc:356] Post-processing: 0.927424 ms
I0506 18:23:41.409914
218 yolo_camera_detector.cc:357] Number of detected obstacles: 1
[
OK ] YoloCameraDetectorTest.multi_task_test (315 ms)
[----------] 3 tests from YoloCameraDetectorTest (1398 ms total)
[----------] Global test environment tear-down
[==========] 3 tests from 1 test case ran. (1399 ms total)
[
PASSED
] 3 tests.