一.Docker环境配置

1.简单介绍

–docker容器技术–
简单理解：Anaconda用于隔离不同的python环境；docker可以理解成在你的机器里面安装了一个独立的系统，因此它可以隔离不同的CUDA环境，还有着独立的文件系统，防止别人删掉你的实验和环境等。

    镜像（images）的意思就是静态的镜像文件；
    容器（container）就是一个基于镜像的活跃着的系统，可以操作的实例，我们可以进去跑代码。

2.安装nvidia-docker

•     前置条件：你得有一张显卡。
•     docker sudo apt-get install docker。查看是否安装好：docker
•     Nvidia Driver. NVIDIA驱动官网。查看是否安装好：nvidia-smi
•     接下来安装nvidia-docker。

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

 sudo apt-get update
 sudo apt-get install -y nvidia-docker2

•     sudo systemctl restart docker 重启一下docker
•     接下来你就可以愉快的使用nvidia-docker了

3.拉取环境镜像

在此之前，我们需要了解一下docker hub的一些仓库地址。在下方给出：

Nvidia/cuda官方docker hub
PyTorch官方docker hub

基于此，我们可以去拉取官方仓库，可以在tag当中搜索我们所需要的版本，一般是选择devel版本，其中包含了C++/CUDA编译环境、视频解码、渲染等，会比较全面些。然后在docker镜像去配置我们的深度学习环境。就像下面这样：

sudo docker pull nvidia/cuda:11.3.1-cudnn8-devel-ubuntu20.04

如果想删除多余的docker image，可以使用指令

sudo docker rmi -f <id>

4.创建容器

sudo docker run -itd --runtime=nvidia --gpus all --name swarm -v /home/lm/docker/swarm:/home/lm/docker/swarm --net=host --env="DISPLAY" --volume="$HOME/.Xauthority:/root/.Xauthority:rw" -e NVIDIA_DRIVER_CAPABILITIES=compute,utility,graphics -e NVIDIA_VISIBLE_DEVICES=all --privileged=true 944a76565c19 /bin/bash

这个参数有点多，依次解释一下：

•     -it必备 d表示在背景里运行;
•     -v 磁盘挂载 本地绝对路径:容器的绝对路径;
•     --name 给你的container取个响亮的芳名;
•     --runtime 表示启用nvidia
•     --gpus 表示可以使用gpu，且为all
•     -e NVIDIA_DRIVER_CAPABILITIES=compute,utility,graphics,标红的三个缺一不可，我当初就是因为缺了第三个graphics，导致Pangolin的X11报错，OpenGL服务用不了
•     其他参数有的是开启GUI的，有的是支持英伟达的，大家可以自行搜索，总之按照上面的指令，就会构建好一个可以使用nvidia的容器

基于ubuntu20.04建立容器，并开启GUI功能。

进入容器后，会在root命令下，到此我们便得到了一个纯净的ubuntu环境。

可以使用sudo docker ps查看正在运行的容器，sudo docker ps -a查看所有容器

当我想要退出时，输入exit退出容器，然后使用sudo docker stop swarm来停止容器，当我想再次进入容器时，使用sudo docker start swarm启动容器，再使用sudo docker exec -it swarm bash进入容器

验证显卡是否可用

nvidia-smi

至此，你就获得了一个具有nvidia driver和cuda支持的docker.

查看当前cuda版本

cd /usr/local
ls

可以看到版本确为11.3

主机在每次开机之后都需要运行下面的指令，来指定允许连接的主机。

xhost +

运行之后，在docker容器内安装xarclock,运行指令

apt-get install xarclock
xarclock

运行后，会出现一个小时钟，表明docker内可以开启GUI服务。

二.Swarm-SLAM环境配置

1.ROS2安装

首先，Ubuntu系统一定要是20.04！！
因为所需的ROS2-foxy是属于Ubuntu20.04的ROS2版本

最简便的ROS安装方法是采用鱼香ROS编写的fishROS一键安装脚本，使用过程如下
打开终端，运行以下代码：

apt_get install wget
wget http://fishros.com/install -O fishros && sudo bash fishros

2.下载Swarm-SLAM源码

源码地址可进入链接下载，也可使用git下载：

apt install git
git clone https://github.com/MISTLab/Swarm-SLAM.git

下载好后，有这些文件

安装vcstool

apt install python3-vcstool

在你的swarm-slam文件夹新建src文件夹并通过.repos文件自动下载其他依赖源码

mkdir src
vcs import src < cslam.repos

等待下载完成，会下好三个包

3.miniconda安装

3.1安装conda

在此链接下载miniconda
选择python3.9及以上的版本

运行下载的sh文件:

sh Miniconda3-py39_24.3.0-0-Linux-x86_64.sh

3.2创建虚拟环境

创建用于c-slam的conda环境

conda create --name cslam python=3.9

出现报错

解决方法

3.3安装依赖

激活虚拟环境

conda activate cslam

然后进入创建的Swarm-SLAM工作空间，运行

apt install python3-pip
pip install -r requirements.txt 

等待安装完成

4. 安装gtsam

此网址下载安装包
推荐右侧Releases选择Swarm-SLAM测试过的4.1.1版本
解压后打开gtsam-4.1.1文件夹，运行命令

mkdir build
cd build
cmake ..
sudo make install

安装成功如下：

5.安装teaser++ with python bindings(不使用激光不用装)

此地址安装

6.安装ROS2依赖项

apt install python3-rosdep python3-colcon-common-extensions
pip install rosdepc
rosdepc init
rosdepc update
cd /YOUR_Swarm-SLAM_Workspace
rosdep install --from-paths src -y --ignore-src --rosdistro foxy

最后一句话是在包含media和src的文件夹下运行

出现报错

解决方法：

rosdepc update --include-eol-distros
rosdep install --from-paths src -y --ignore-src --rosdistro foxy

这样就可以成功安装依赖

如果不行，则另辟蹊径，直接开始编译

colcon build

根据报错信息，挨个安装foxy的运行依赖

apt-get install ros-foxy-***-***
如
apt-get install ros-foxy-rtabmap-msgs

7.编译

安装编译过程报错发现的额外依赖项catkin-pkg、empy、lark-parser

pip install catkin-pkg empy lark-parser -i https://pypi.tuna.tsinghua.edu.cn/simple

编译

colcon build

7.1报错1

会出现报错，主要为这个

因此在cslam虚拟环境下安装empy为3.3.4版本（当前为4.1）

pip install empy==3.3.4

7.2报错2

其实这类原因都是由于anaconda的兼容问题引起的，解决方法：

~/anaconda3/lib
rm libuuid.so.1
ln -s /usr/lib/x86_64-linux-gnu/libuuid.so.1.3.0 ~/anaconda/lib/libuuid.so.1

再次编译

继续解决：

cd ~/anaconda/lib
rm libcairo.so.2
ln -s /usr/lib/x86_64-linux-gnu/libcairo.so.2 ~/anaconda3/lib/libcairo.so.2

再次编译

编译完成

三.测试数据集