Ubuntu 22.04下ROS 2与CARLA自动驾驶仿真环境搭建指南

1. 项目概述

在自动驾驶和机器人仿真领域，ROS 2和CARLA的结合已经成为行业标准配置。作为一名长期从事自动驾驶系统开发的工程师，我经常需要搭建这个开发环境。本文将分享我在Ubuntu 22.04系统上配置ROS 2和CARLA的完整流程，包含从基础环境准备到最终联调的每个细节。

这个环境搭建的核心价值在于：它提供了一个高保真的传感器仿真平台，能够在不使用真实车辆的情况下测试感知算法、规划控制模块。CARLA提供的高质量3D环境和物理引擎，配合ROS 2强大的通信框架，构成了自动驾驶开发的黄金组合。

2. 系统准备与依赖安装

2.1 Ubuntu 22.04基础配置

Ubuntu 22.04是目前ROS 2 Humble官方支持的最新LTS版本。在开始前，请确保：

1. 系统已更新至最新状态：

bash复制sudo apt update && sudo apt upgrade -y

2. 安装必要的开发工具链：

bash复制sudo apt install -y build-essential cmake git wget curl

注意：建议使用全新安装的Ubuntu系统，避免因已有软件包冲突导致问题。我曾遇到过因残留的ROS 1包导致编译失败的情况。

2.2 显卡驱动与CUDA安装

CARLA需要NVIDIA显卡支持，推荐使用RTX 3060及以上显卡：

1. 检查显卡型号：

bash复制lspci | grep -i nvidia

2. 安装官方驱动（以515版本为例）：

bash复制sudo apt install -y nvidia-driver-515

3. 安装CUDA Toolkit 11.7（CARLA 0.9.13推荐版本）：

bash复制wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/3bf863cc.pub
sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/ /"
sudo apt install -y cuda-11-7

安装完成后，验证驱动和CUDA：

bash复制nvidia-smi
nvcc --version

3. ROS 2 Humble安装与配置

3.1 安装ROS 2 Humble

ROS 2 Humble是当前最稳定的LTS版本，完全支持Ubuntu 22.04：

1. 设置软件源：

bash复制sudo apt install -y software-properties-common
sudo add-apt-repository universe
sudo apt update && sudo apt install -y curl
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

2. 安装完整版ROS 2：

bash复制sudo apt update
sudo apt install -y ros-humble-desktop

3. 设置环境变量：

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

3.2 创建工作空间

建议为CARLA相关开发创建独立的工作空间：

bash复制mkdir -p ~/carla_ws/src
cd ~/carla_ws
colcon build

提示：我习惯使用colcon build --symlink-install，这样可以避免每次修改后重新安装Python包。

4. CARLA安装与配置

4.1 安装CARLA 0.9.13

当前稳定版本是0.9.13，建议从源码编译：

1. 安装依赖：

bash复制sudo apt install -y clang-8 lld-8 g++-7 cmake ninja-build libvulkan1 python3-pip python3-dev python3-opengl

2. 获取源码：

bash复制git clone --depth 1 --branch 0.9.13 https://github.com/carla-simulator/carla.git
cd carla

3. 编译：

bash复制make PythonAPI
make launch

注意：编译过程可能需要1-2小时，取决于硬件配置。我曾在一台32核服务器上看到编译时间缩短到25分钟。

4.2 配置CARLA Python客户端

CARLA提供了Python API，需要单独安装：

bash复制pip3 install carla==0.9.13

验证安装：

python复制python3 -c "import carla; print(carla.__version__)"

5. ROS 2与CARLA桥接

5.1 安装ros-carla-bridge

这是官方维护的ROS 2与CARLA通信桥接包：

bash复制cd ~/carla_ws/src
git clone https://github.com/carla-simulator/ros-bridge.git
cd ..
rosdep install --from-paths src --ignore-src -r -y
colcon build

5.2 配置环境变量

确保CARLA和ROS 2的环境变量正确设置：

bash复制echo "export CARLA_ROOT=/path/to/carla" >> ~/.bashrc
echo "export PYTHONPATH=$PYTHONPATH:${CARLA_ROOT}/PythonAPI/carla/dist/carla-0.9.13-py3.8-linux-x86_64.egg" >> ~/.bashrc
source ~/.bashrc

5.3 启动联合仿真

1. 在一个终端启动CARLA：

bash复制cd ~/carla
./CarlaUE4.sh

2. 在另一个终端启动ROS桥接：

bash复制source ~/carla_ws/install/setup.bash
ros2 launch carla_ros_bridge carla_ros_bridge.launch.py

6. 常见问题排查

6.1 CARLA启动失败

问题现象：启动时崩溃或黑屏

解决方案：

1. 检查显卡驱动是否安装正确
2. 尝试添加渲染参数：

bash复制./CarlaUE4.sh -vulkan -RenderOffScreen

6.2 ROS桥接无法连接

问题现象：出现"Connection refused"错误

解决方案：

1. 确认CARLA服务器已启动
2. 检查端口设置：

bash复制ros2 param set /carla_ros_bridge host 127.0.0.1

6.3 Python API导入错误

问题现象：ImportError: No module named 'carla'

解决方案：

1. 确认egg文件路径正确
2. 重新生成PythonAPI：

bash复制cd ~/carla
make PythonAPI

7. 性能优化建议

经过多次实践，我发现以下配置可以显著提升仿真性能：

1. CARLA渲染设置：

bash复制./CarlaUE4.sh -quality-level=Low -benchmark -fps=20

2. ROS 2参数优化：

yaml复制/carla_ros_bridge:
  ros__parameters:
    synchronous_mode: true
    fixed_delta_seconds: 0.05

3. 系统层面优化：

bash复制sudo sysctl -w vm.swappiness=10
sudo cpupower frequency-set -g performance

在实际项目中，这个环境已经支持我们团队完成了多个自动驾驶模块的开发和测试。从传感器数据采集到控制算法验证，整套流程的仿真效率比实车测试提升了至少5倍。特别是在复杂场景测试中，可以快速创建雨雪天气、交通拥堵等特殊条件，大大加速了开发迭代周期。