企业官网建设流程全解析

1. 为什么Apollo 6.0值得在Ubuntu 20.04上折腾一番

如果你正在做自动驾驶相关的开发或者学习，大概率绕不开百度Apollo这个开源平台。Apollo 6.0是其中一个比较经典的长期支持版本，它在感知、预测、规划、控制这几个核心模块上都做了不少工程化打磨，社区文档和踩坑记录也相对丰富。而Ubuntu 20.04作为目前最主流的LTS发行版之一，软件源新、内核版本合适、长期维护有保障，把这两者搭在一起，算是目前自动驾驶入门和二次开发的一个稳妥组合。

但说实话，Apollo的安装过程对新手并不算友好。它不像装个Python库那样一行pip就能搞定，整个流程涉及Docker容器、GPU驱动、NVIDIA Container Toolkit、镜像拉取、编译构建、地图数据下载等多个环节，任何一个环节出问题都可能导致卡住。我自己第一次装的时候，光是Docker和GPU的兼容问题就折腾了大半天。所以这篇内容我会把整个安装链路拆开，从系统准备到最终跑通Demo，把每一步的意图、参数含义、容易踩的坑都讲清楚。

这篇文章适合谁看？如果你是自动驾驶方向的学生、刚转行做自动驾驶开发的工程师、或者想在自己机器上跑通Apollo做算法验证的研究人员，那这篇内容基本可以当作一份实操手册来用。前提是你需要有一台装了Ubuntu 20.04的机器，最好带一块NVIDIA显卡，因为Apollo的感知模块很多依赖GPU加速，纯CPU跑虽然也能编译，但实际体验会差很多。

整个安装流程我把它分成四大块：系统环境准备、Docker与GPU环境配置、Apollo源码获取与镜像构建、以及最后的编译验证与Demo运行。下面逐块展开。

2. 系统环境准备与基础依赖安装

2.1 硬件与系统版本确认

在动手之前，先确认你的机器满足基本条件。Apollo 6.0官方推荐的配置是：CPU 4核以上、内存16GB起步（32GB更稳）、硬盘至少100GB可用空间（因为Docker镜像和编译产物很占地方）、NVIDIA显卡（显存4GB以上，推荐8GB+）。

系统方面，必须是Ubuntu 20.04，而且建议是全新安装的干净系统。如果你之前装过其他版本的CUDA或者Docker，可能会有残留冲突。我试过在一台之前装过CUDA 11的机器上直接装Apollo，结果Docker里的CUDA版本和宿主机的驱动版本对不上，编译一直报错，最后重装系统才解决。

确认系统版本：

lsb_release -a

输出应该是Ubuntu 20.04.x LTS。如果不是20.04，后面的步骤不保证能跑通。

确认显卡和驱动：

nvidia-smi

这条命令会输出显卡型号、驱动版本、CUDA版本。如果提示命令找不到，说明驱动没装，需要先装NVIDIA驱动。Apollo 6.0对驱动版本的要求是>= 455，CUDA版本>= 11.1。我实测用470系列的驱动比较稳。

2.2 安装NVIDIA驱动与CUDA

如果你的机器还没装驱动，最省事的方式是通过Ubuntu的“附加驱动”工具安装，或者用命令行：

sudo apt update sudo apt install nvidia-driver-470

装完重启，再跑nvidia-smi确认。

CUDA不需要单独装，因为Apollo的Docker镜像里已经包含了CUDA运行时。宿主机只需要保证驱动版本够新就行。这一点很多人会搞混，以为要在宿主机装CUDA Toolkit，其实没必要，反而可能引起版本冲突。

注意：如果你之前手动装过CUDA Toolkit，建议把/usr/local/cuda相关的环境变量从.bashrc里注释掉，避免干扰Docker内的CUDA环境。

2.3 安装Docker与NVIDIA Container Toolkit

Apollo 6.0的整个开发和运行环境都封装在Docker容器里，所以Docker是必须的。安装Docker的步骤：

sudo apt update sudo apt install apt-transport-https ca-certificates curl gnupg lsb-release curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg echo "deb [arch=amd64 signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null sudo apt update sudo apt install docker-ce docker-ce-cli containerd.io

装完之后把当前用户加入docker组，这样不用每次sudo：

sudo usermod -aG docker $USER

然后注销重新登录，或者执行newgrp docker让组权限生效。

接下来装NVIDIA Container Toolkit，这是让Docker容器能访问GPU的关键：

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 update sudo apt install nvidia-docker2 sudo systemctl restart docker

验证GPU是否能在Docker里用：

docker run --rm --gpus all nvidia/cuda:11.1-base nvidia-smi

如果能看到显卡信息，说明GPU透传配置成功。这一步非常关键，如果这里不通，后面Apollo的感知模块编译会直接失败。

2.4 其他基础工具

还需要装一些辅助工具，比如git、curl、wget等，一般系统自带，缺的话补一下：

sudo apt install git curl wget unzip

另外，Apollo的构建脚本依赖Python 3.6+，Ubuntu 20.04自带Python 3.8，满足要求。但建议装一下pip和virtualenv，方便后续管理Python依赖：

sudo apt install python3-pip python3-venv

3. Apollo源码获取与Docker镜像构建

3.1 克隆Apollo仓库

Apollo的源码托管在GitHub上，直接clone就行。但要注意分支，Apollo 6.0对应的分支是v6.0.0：

git clone -b v6.0.0 https://github.com/ApolloAuto/apollo.git cd apollo

如果网络不稳定，clone可能会断，可以试试加--depth 1只拉最新一次提交，减少数据量：

git clone -b v6.0.0 --depth 1 https://github.com/ApolloAuto/apollo.git

clone完成后，目录结构大概是这样的：modules放各个功能模块，docker放Docker相关脚本，scripts放构建和启动脚本，tools放一些辅助工具。

3.2 配置Docker镜像加速

Apollo的Docker镜像有好几个GB，从官方源拉取在国内网络环境下可能很慢甚至超时。建议配置一下Docker镜像加速器。编辑/etc/docker/daemon.json：

{ "registry-mirrors": ["https://your-mirror.example.com"], "runtimes": { "nvidia": { "path": "nvidia-container-runtime", "runtimeArgs": [] } } }

把your-mirror.example.com替换成你实际可用的镜像加速地址。改完重启Docker：

sudo systemctl daemon-reload sudo systemctl restart docker

提示：runtimes那段是给NVIDIA Container Toolkit用的，有些版本的nvidia-docker2会自动加，如果没有就手动补上。

3.3 启动Apollo开发容器

Apollo提供了一个脚本docker/scripts/dev_start.sh来启动开发容器。这个脚本会自动拉取镜像、创建容器、挂载源码目录。执行：

bash docker/scripts/dev_start.sh

第一次执行会拉取镜像，时间取决于网速。拉完之后会启动一个名为apollo_dev_$USER的容器，并进入容器的bash环境。

如果一切正常，你会看到命令行提示符变成类似[user@in-dev-docker:/apollo]$的样子，说明已经进到容器里了。

这里有个细节：dev_start.sh默认会拉取apolloauto/apollo:dev-x86_64-18.04-20210517_1530这样的镜像标签。如果你想指定版本，可以用-t参数。但一般不用管，脚本会根据分支自动选。

注意：如果你在启动容器时看到Cannot connect to the Docker daemon，说明Docker服务没起来，执行sudo systemctl start docker。如果看到GPU相关的报错，回头检查NVIDIA Container Toolkit是否装好。

3.4 容器内的环境初始化

进入容器后，先执行一下环境初始化脚本：

bash /apollo/scripts/apollo_base.sh

这个脚本会设置一些环境变量，比如APOLLO_ROOT、GLOG_logtostderr等。其实不执行也行，因为.bashrc里已经配好了，但手动跑一次可以确认没有报错。

然后检查一下容器内的CUDA和GPU是否可用：

nvidia-smi nvcc --version

nvidia-smi应该能正常输出，nvcc的版本应该是11.1左右。如果nvcc找不到，可能需要手动加一下PATH，但Apollo的镜像一般都已经配好了。

4. 编译构建与常见报错处理

4.1 全量编译Apollo

Apollo使用Bazel作为构建工具。在容器内执行：

./apollo.sh build

这个命令会编译整个Apollo项目，包括感知、规划、控制等所有模块。编译时间取决于机器性能，我在一台16核32GB的机器上大概花了40分钟，如果是4核机器可能要2小时以上。

如果你想只编译某个模块，比如只编译感知：

./apollo.sh build_perception

或者只编译规划：

./apollo.sh build_planning

这样可以节省时间。但第一次建议全量编译，确保环境没问题。

编译过程中最常见的报错有几类：

第一类是内存不足导致的OOM。Bazel默认会开很多并行任务，如果内存不够，编译到一半会被系统kill掉。解决办法是限制并行数：

./apollo.sh build --jobs=4

或者直接加swap分区。我一般会预留至少8GB swap，防止编译中途崩掉。

第二类是GPU相关的编译错误，比如cuda_runtime.h not found。这通常是因为Docker容器里的CUDA路径没配好。检查/usr/local/cuda是否存在，以及LD_LIBRARY_PATH是否包含/usr/local/cuda/lib64。

第三类是网络问题导致的依赖下载失败。Bazel在编译时会下载一些第三方库，如果网络不通会报Failed to fetch。解决办法是配置Bazel的代理，或者提前把依赖下载好放到缓存目录。Apollo的WORKSPACE文件里定义了所有外部依赖，可以手动下载后放到~/.cache/bazel对应的位置。

4.2 编译产物的位置

编译成功后，产物在/apollo/bazel-bin目录下。各个模块的可执行文件分别在对应的子目录里，比如感知模块的libperception.so在bazel-bin/modules/perception下。

你可以用ls bazel-bin/modules/看看各个模块是否都编译出来了。如果某个模块目录是空的，说明那个模块没编译成功，需要单独排查。

4.3 常见编译报错速查表

实操心得：如果编译失败后想重新编译，建议先执行./apollo.sh clean清理缓存，否则可能因为残留的中间文件导致奇怪的错误。但clean之后所有东西都要重编，时间会比较长。

5. 运行Demo与地图数据准备

5.1 下载地图数据

Apollo运行需要地图数据，官方提供了一些示例地图。在容器内执行：

bash scripts/apollo_map.sh download

这个脚本会下载一些示例地图到/apollo/modules/map/data目录下。如果下载失败，也可以手动从Apollo的GitHub Release页面下载地图包，解压到对应目录。

常用的示例地图有sunnyvale（美国加州某区域）、san_mateo（另一个美国区域）等。每个地图目录下会有base_map.bin、sim_map.bin等文件。

5.2 启动Dreamview

Dreamview是Apollo的可视化界面，用来查看车辆状态、传感器数据、规划轨迹等。启动方式：

bash scripts/bootstrap.sh start

这个脚本会启动Dreamview的后端和前端。启动完成后，在浏览器里访问http://localhost:8888就能看到界面。

如果是在远程服务器上跑的，需要做端口转发或者用ssh -L 8888:localhost:8888把端口映射到本地。

Dreamview启动后，在界面上选择车型和地图。车型一般选Lincoln MKZ，地图选你下载的那个，比如sunnyvale。

5.3 播放Demo数据

Apollo提供了一些录制好的数据包（record文件），可以用来回放测试。数据包一般在/apollo/docs/demo_guide目录下，或者需要单独下载。

播放数据包的命令：

cyber_recorder play -f demo_3.5.record --loop

这个命令会循环播放数据包，Dreamview界面上就能看到车辆动起来，感知模块会识别出障碍物，规划模块会生成轨迹。

如果Dreamview里看不到任何反应，检查以下几点：数据包路径是否正确、Dreamview是否选了正确的地图、各个模块是否已经启动。可以用cyber_monitor工具查看各个channel是否有数据。

5.4 模块启动与调试

Apollo的各个模块可以单独启动，比如只启动感知：

bash scripts/perception.sh start

或者只启动规划：

bash scripts/planning.sh start

启动后可以用cyber_monitor查看模块的输出。cyber_monitor是Apollo自带的命令行工具，能实时显示各个topic的数据。

如果某个模块启动失败，查看日志：

tail -f data/log/perception.log

日志里一般会有详细的报错信息，根据报错去排查。

6. 实操避坑经验与性能调优

6.1 磁盘空间管理

Apollo的Docker镜像、编译产物、地图数据、日志文件加起来很容易超过100GB。建议定期清理：

# 清理bazel缓存 ./apollo.sh clean # 清理Docker无用镜像 docker system prune -a # 清理日志 rm -rf data/log/*

但注意docker system prune -a会删掉所有未使用的镜像，包括Apollo的镜像，下次启动容器又要重新拉。所以执行前确认一下。

6.2 GPU显存优化

Apollo的感知模块比较吃显存，如果显存不够，可以把一些模型换成轻量版。在modules/perception/production/conf/perception_camera.conf里可以配置使用哪个模型。另外，Dreamview界面上也可以关闭一些不必要的可视化选项，减少GPU占用。

6.3 编译加速技巧

如果机器核心多，可以适当增加jobs数：

./apollo.sh build --jobs=8

但要注意内存，一般每个job需要2GB左右内存。16GB内存建议jobs不超过6。

另外，Bazel支持增量编译，改一个文件后重新编译只会编改动的部分，速度很快。所以不要动不动就clean。

6.4 常见运行时问题

我个人踩过最坑的一个问题是：Docker容器里的时间跟宿主机不一致，导致一些依赖时间戳的模块报错。解决办法是在启动容器时加-v /etc/localtime:/etc/localtime:ro把宿主机时区挂进去。Apollo的dev_start.sh脚本其实已经处理了这个问题，但如果你手动用docker run启动容器，就要自己加。

6.5 关于Apollo 6.0的一些个人体会

Apollo 6.0相比之前的版本，在Docker化方面做得更彻底了，基本上所有依赖都封装在镜像里，宿主机只需要装好Docker和GPU驱动就行。这降低了环境配置的复杂度，但也带来一个问题：镜像体积很大，拉取和构建都比较耗时。

另外，Apollo的文档虽然比较全，但有些细节更新不及时，比如某些脚本的参数变了但文档没改。遇到这种情况，直接看脚本源码比看文档靠谱。docker/scripts/dev_start.sh和scripts/apollo.sh这两个脚本我建议通读一遍，能省很多排查时间。

最后再分享一个小技巧：如果你只是想做算法验证，不需要完整的感知+规划+控制链路，可以只编译你关心的模块，然后用cyber_recorder录制自己的数据包来测试。这样能大大缩短编译时间，也减少资源占用。Apollo的模块化设计其实挺灵活的，没必要每次都全量编译。