1. 新机到手为何选择Ubuntu 22.04最近刚拿到ROG幻16Air这款性能猛兽第一件事就是给它装上Ubuntu系统准备搭建我的机器人强化学习开发环境。相信很多朋友和我一样拿到新电脑尤其是这种硬件配置很新的型号第一反应就是去官网查兼容性。Isaac Gym的官方文档白纸黑字写着“支持Ubuntu 18.04和20.04”这让我心里咯噔一下。难道为了用Isaac Gym我得退回一个旧系统然后忍受新硬件比如那个超好用的触控板和Wi-Fi 6E的AX211网卡无法驱动的痛苦吗我一开始也不信邪尝试安装了Ubuntu 20.04。结果不出所料开机后触控板完全没反应只能外接鼠标。更麻烦的是AX211无线网卡也识别不了这意味着我连上网下载驱动和软件都成问题。网上有教程说可以通过强制升级内核到6.3版本来解决硬件兼容性我照着做了内核是升上去了触控板和网卡也确实能用了但新的问题来了NVIDIA显卡驱动装不上了系统会提示各种libc6、libssl库版本不匹配的错误。我花了大半天时间尝试降级库版本、寻找兼容驱动最后发现这是一个深不见底的“依赖地狱”为了一个驱动你可能需要调整半个系统的库版本得不偿失。所以我果断放弃了在Ubuntu 20.04上死磕。转而投向Ubuntu 22.04 LTS的怀抱。它的内核版本更新我安装时是6.5.0-27对新硬件的原生支持好得多。实测下来ROG幻16Air的所有硬件包括键盘背光、触控板、AX211网卡、声卡全部都是开箱即用无需任何额外操作。这为我们后续的软件安装扫清了最大的障碍。至于Isaac Gym对22.04的“不支持”我的想法是很多时候官方文档的更新会滞后于社区的实际探索。只要底层依赖驱动、CUDA的版本选对了上层应用是有很大概率可以正常工作的。这次实战就是要验证这个想法并为你铺平道路。2. 驱动与CUDA套件打好地基是关键搞AI开发尤其是机器人仿真和强化学习稳定的GPU计算环境是生命线。这一步如果没走稳后面所有的框架和代码都会摇摇欲坠。在ROG幻16Air Ubuntu 22.04这个组合上我摸索出了一套非常稳定的版本搭配你可以直接抄作业。2.1 安装NVIDIA驱动推荐使用APT仓库安装驱动有很多方法比如从NVIDIA官网下载.run文件或者用Ubuntu自带的“附加驱动”工具。但我最推荐、也最不容易出问题的方法是使用Ubuntu的APT仓库直接安装。这个方法能更好地处理内核模块的编译和系统集成。首先更新你的软件包列表然后安装驱动。我使用的是535系列驱动这个版本比较新对40系显卡支持良好同时也兼容我们后面要装的CUDA 12.2。sudo apt update sudo apt install nvidia-driver-535安装过程可能会持续几分钟期间会编译内核模块。完成后一定要重启电脑。重启后打开终端输入nvidia-smi。如果你看到类似下面的输出显示了你的GPU型号比如GeForce RTX 4070 Laptop GPU、驱动版本535.161.07和CUDA版本12.2那么恭喜你驱动安装成功了。--------------------------------------------------------------------------------------- | NVIDIA-SMI 535.161.07 Driver Version: 535.161.07 CUDA Version: 12.2 | |------------------------------------------------------------------------------------- | GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. | | | | MIG M. | || | 0 NVIDIA GeForce RTX 4070 ... Off | 00000000:01:00.0 Off | N/A | | N/A 47C P8 10W / 115W | 6MiB / 8192MiB | 0% Default | | | | N/A | -------------------------------------------------------------------------------------注意如果nvidia-smi命令找不到或者报错很可能是因为驱动没有正确加载。可以尝试用sudo apt purge nvidia-*彻底清除后再重新安装。另外确保你的系统在安装驱动前已经更新到最新sudo apt update sudo apt upgrade。2.2 安装CUDA Toolkit选择12.2版本驱动装好只是第一步我们还需要CUDA Toolkit来提供编译和运行CUDA程序的工具链。这里有个关键点NVIDIA驱动自带的CUDA版本上图中nvidia-smi显示的12.2是一个“驱动API”版本它代表驱动支持的最高CUDA运行时版本。而我们实际安装的CUDA Toolkit版本可以低于或等于这个值。我选择安装CUDA Toolkit 12.2与驱动版本保持一致这样可以最大程度避免兼容性问题。不要去官网下载最新的12.4或12.5新版本可能会引入未知问题。访问NVIDIA CUDA Toolkit Archive找到12.2.2版本选择“Linux” - “x86_64” - “Ubuntu” - “22.04” - “runfile (local)”。你会得到一个类似cuda_12.2.2_535.104.05_linux.run的文件。下载后给它添加执行权限并运行安装sudo sh cuda_12.2.2_535.104.05_linux.run安装过程中会出现一个很长的许可协议按q跳过然后输入accept。接下来是安装选项这里非常重要当询问是否安装NVIDIA Accelerated Graphics Driver时一定要选No因为我们已经用APT安装了更好的驱动版本这里再安装可能会冲突。其他选项比如CUDA Toolkit、Samples等保持默认按回车即可。安装完成后需要将CUDA添加到系统环境变量。编辑你的~/.bashrc文件如果你用zsh就是~/.zshrcnano ~/.bashrc在文件末尾添加以下几行export PATH/usr/local/cuda-12.2/bin${PATH::${PATH}} export LD_LIBRARY_PATH/usr/local/cuda-12.2/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}}保存退出后让配置立即生效source ~/.bashrc。现在在终端输入nvcc -V你应该能看到CUDA编译器的版本信息确认CUDA Toolkit安装成功。2.3 安装cuDNN深度学习加速库cuDNN是NVIDIA专门为深度神经网络设计的加速库像PyTorch、TensorFlow这些框架都依赖它。安装cuDNN需要先在NVIDIA官网注册账号并下载。选择与CUDA 12.2对应的版本我下载的是“Local Installer for Linux x86_64 (Tar)”版本号是8.9.3。下载得到一个压缩包比如cudnn-linux-x86_64-8.9.3.28_cuda12-archive.tar.xz。安装过程其实就是把文件复制到CUDA的目录里# 解压 tar -xvf cudnn-linux-x86_64-8.9.3.28_cuda12-archive.tar.xz # 复制头文件 sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-12.2/include # 复制库文件 sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-12.2/lib64 # 设置文件权限 sudo chmod ar /usr/local/cuda-12.2/include/cudnn*.h /usr/local/cuda-12.2/lib64/libcudnn*这样就完成了。你可以写一个简单的CUDA程序来测试但更简单的办法是等后面安装PyTorch后用几行代码验证CUDA和cuDNN是否可用。3. 构建Python环境Anaconda与虚拟环境直接往系统Python里装包是开发大忌尤其是做AI项目不同项目对库版本的依赖可能天差地别。用Anaconda来管理独立的虚拟环境是保持系统干净、项目可复现的最佳实践。3.1 安装Anaconda去Anaconda官网下载最新的Linux安装脚本.sh文件。下载后在终端里运行bash Anaconda3-2024.02-1-Linux-x86_64.sh安装过程基本就是一路回车阅读许可协议按q跳过然后输入yes同意。当安装程序问你是否要“初始化Anaconda3”时强烈建议选择yes。这会在你的~/.bashrc文件末尾添加conda的初始化脚本这样每次打开终端conda的基础环境就会自动激活你会看到命令行前缀有个(base)。如果你不小心选了no可以手动执行source ~/anaconda3/bin/activate然后运行conda init来补救。安装完成后关闭终端再重新打开或者执行source ~/.bashrc你应该就能使用conda命令了。3.2 创建专属虚拟环境接下来我们为Isaac Gym项目创建一个干净的虚拟环境。Isaac Gym官方推荐Python 3.6, 3.7, 或 3.8。我选择Python 3.8这是一个在稳定性和库兼容性上取得很好平衡的版本。conda create -n isaacgym_env python3.8这个命令会创建一个名为isaacgym_env的新环境并安装Python 3.8。创建完成后激活这个环境conda activate isaacgym_env激活后命令行前缀会从(base)变成(isaacgym_env)这表示你之后所有pip install的操作都只影响这个独立的环境不会污染系统或其他项目。4. 安装PyTorch版本兼容的“魔法”这是整个配置过程中最微妙、也最容易出错的一步。我们之前安装了CUDA 12.2但如果你去PyTorch官网会发现官方预编译的PyTorch版本最高只支持到CUDA 12.1。这该怎么办难道要降级CUDA吗其实不用。经过我的实测在CUDA 12.2的系统上安装为CUDA 12.1编译的PyTorch完全可以正常工作。这是因为CUDA的向后兼容性做得比较好12.2的驱动和运行时能够兼容12.1的库。所以我们直接安装CUDA 12.1版本的PyTorch即可。在激活的isaacgym_env环境中运行以下命令conda install pytorch torchvision torchaudio pytorch-cuda12.1 -c pytorch -c nvidia这个命令会从PyTorch和NVIDIA的官方频道安装PyTorch及其视觉、音频库并指定CUDA版本为12.1。安装完成后我们进入Python交互界面验证一下python -c import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.version.cuda)如果一切正常你会看到PyTorch的版本号如2.1.2True表示CUDA可用以及12.1表示PyTorch链接的CUDA运行时版本是12.1。这就完美了系统CUDA是12.2PyTorch用的是12.1两者和谐共处。5. 安装与配置Isaac Gym攻克官方限制重头戏来了。Isaac Gym的安装其实并不复杂但因为它官方不宣称支持Ubuntu 22.04所以我们需要更小心地处理。5.1 下载与安装首先去Isaac Gym的官方下载页面获取最新的版本。下载后解压进入解压后的目录。官方提供了一个setup_conda_env.sh脚本理论上可以一键创建环境并安装。但我实测在ROG幻16Air的Ubuntu 22.04上这个脚本会失败主要是环境检测和某些依赖包的问题。所以我们采用更可控的手动安装方式。确保你已经激活了我们之前创建的isaacgym_env环境然后进入Isaac Gym的Python包目录cd /path/to/your/isaacgym/python pip install -e .-e参数代表“可编辑模式”安装这样你对Isaac Gym源代码的任何修改都会直接反映在环境中非常适合后续的开发和调试。安装过程会下载并编译一些依赖比如PhysX这可能需要一些时间。安装完成后用pip show isaacgym确认一下版本信息。5.2 运行测试与问题修复安装成功不代表就能用我们得跑个例子试试。进入示例目录运行一个简单的democd /path/to/your/isaacgym/examples python joint_monkey.py你很可能会遇到第一个坑ImportError: libpython3.8m.so.1.0: cannot open shared object file。这是因为系统缺少Python 3.8的开发库。解决起来很简单sudo apt install libpython3.8如果apt仓库里找不到这个包可以尝试添加一个第三方仓库后再安装sudo add-apt-repository ppa:deadsnakes/ppa sudo apt update sudo apt install libpython3.8解决库问题后再次运行demo可能又会遇到第二个警告UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argument.。这个警告来自PyTorch不影响运行但很烦人。Isaac Gym的某些代码调用了旧版的meshgrid函数。要消除这个警告我们需要修改一处源代码。根据错误提示的路径找到你虚拟环境isaacgym_env下的site-packages/torch/functional.py文件。用文本编辑器打开它搜索meshgrid函数定义。找到类似下面这行代码return _VF.meshgrid(tensors, **kwargs) # type: ignore[attr-defined]将它修改为return _VF.meshgrid(tensors, **kwargs, indexingij) # type: ignore[attr-defined]保存文件后再次运行joint_monkey.py。这次你应该能看到一个弹窗里面有一个简单的机械臂模型在随机运动。看到这个画面心里的一块大石头就落地了——Isaac Gym在Ubuntu 22.04上成功跑起来了6. 安装强化学习库以legged_gym为例Isaac Gym本身是一个物理仿真环境我们通常要结合像legged_gym这样的强化学习训练框架来使用。这里以这个流行的四足机器人训练库为例展示后续的配置。6.1 克隆与安装依赖首先克隆legged_gym的仓库并安装其依赖git clone https://github.com/你的legged_gym仓库地址.git cd legged_gym pip install -r requirements.txt6.2 关键版本锁定rsl_rl在安装legged_gym自己的依赖rsl_rl时有一个至关重要的坑必须避开。你不能直接用pip install或者默认的git clone主分支。必须使用以下命令来获取特定版本git clone https://github.com/你的rsl_rl仓库地址.git cd rsl_rl git checkout v1.0.2 # 这一步是关键 pip install -e .rsl_rl的主分支可能已经更新到了与当前legged_gym不兼容的API版本。如果不切换到v1.0.2这个标签版本几乎百分之百会在导入或训练时遇到各种函数签名错误或属性错误。这是我踩过的最实在的一个坑务必照做。完成这些后理论上你就可以参照legged_gym的README开始训练你自己的四足机器人模型了。从配置环境到启动训练每一步都充满了挑战但当你看到虚拟的机器狗在仿真环境中从跌跌撞撞到自如行走时那种成就感是无与伦比的。整个配置过程从驱动到最终的应用就像是在玩一个精密的拼图游戏。ROG幻16Air的新硬件是拼图的边框Ubuntu 22.04是底板而NVIDIA驱动、CUDA、PyTorch和Isaac Gym则是那些需要你找到正确角度和顺序才能严丝合缝嵌入其中的关键碎片。这份指南就是我帮你预先试错、找到正确拼法的那张图纸。环境配好了接下来更精彩的算法和训练就等你来探索了。如果在后续步骤中遇到其他问题多看看项目的Issue页面和社区讨论大部分坑都已经有人踩过并留下了宝贵的经验。