ROS2与Matlab入门教程-从Simulink生成CUDA ROS2节点

说明：

• 介绍如何配置Simulink Coder以从Simulink模型生成和构建CUDA ROS2节点

• 介绍如何配置一个模型来模拟和生成ROS2节点的CUDA代码，然后将CUDA ROS2节点部署到本地或远程设备目标

先决条件：

• 安装和设置这些 MathWorks® 产品和支持包：Simulink Coder（必需）、Embedded Coder®（推荐）、GPU Coder™ 和 GPU Coder Interface for Deep Learning Libraries（深度学习必需）

• 还可以为NVIDIA Jetson和NVIDIA DRIVE平台安装MATLAB Coder支持包（NVIDIA 硬件连接所需）

• 具有支持 CUDA 的 NVIDIA GPU 的开发计算机

• 目标设备可以是具有支持 CUDA 的 NVIDIA GPU 的本地主机，也可以是远程设备，例如 NVIDIA Jetson 板

• 使用 GPU Coder 生成 CUDA 代码，必须安装 NVIDIA 图形驱动程序、CUDA 工具包、cuDNN 库和 TensorRT 库

• 设置环境变量

步骤：

• 验证您的开发计算机是否具有 GPU 代码生成所需的驱动程序、工具、库和配置

• 在 MATLAB 命令行窗口中，输入：

gpuEnvObj = coder.gpuEnvConfig;
gpuEnvObj.BasicCodegen = 1;
gpuEnvObj.BasicCodeexec = 1;
gpuEnvObj.DeepLibTarget = "tensorrt";
gpuEnvObj.DeepCodeexec = 1;
gpuEnvObj.DeepCodegen = 1;
results = coder.checkGpuInstall(gpuEnvObj)

• 输出具有代表性。您的结果可能会有所不同

Compatible GPU           : PASSED 
CUDA Environment         : PASSED 
    Runtime   : PASSED 
    cuFFT     : PASSED 
    cuSOLVER  : PASSED 
    cuBLAS    : PASSED 
cuDNN Environment        : PASSED 
TensorRT Environment     : PASSED 
Basic Code Generation    : PASSED 
Basic Code Execution     : PASSED 
Deep Learning (TensorRT) Code Generation: PASSED 
Deep Learning (TensorRT) Code Execution: PASSED 

results = 

  struct with fields:

                 gpu: 1
                cuda: 1
               cudnn: 1
            tensorrt: 1
        basiccodegen: 1
       basiccodeexec: 1
         deepcodegen: 1
        deepcodeexec: 1
    tensorrtdatatype: 1
           profiling: 0

• 为仿真和 GPU 代码生成配置 Simulink 模型

• 配置模型以生成 CUDA ROS 2 节点

• 打开要为 GPU 代码生成配置的 Simulink 模型

• 在Simulation选项卡的Prepare部分，展开库，然后在Configuration & Simulation下选择Model Settings

• 从 Configuration Parameters 对话框的左窗格中，选择Hardware Implementation节点。将硬件板设置为Robot Operating System 2 (ROS 2)并指定硬件的设备供应商和设备类型。展开设备详细信息并验证是否选择了Support long long

• 在Simulation Target节点中，选择GPU 加速。如果您的模型具有深度学习模块，则在Deep Learning下选择适当的Target library

• 选择代码生成节点。在目标选择下，将语言设置为C++，然后选择生成 GPU 代码

• 如果您的模型具有深度学习模块，请展开代码生成节点并选择接口节点。然后，在Deep Learning下为Target library选择适当的值

• 选择GPU Code节点，然后在Libraries下启用cuBLAS、cuSOLVER和cuFFT

• 代码生成和部署，要生成 CUDA ROS 2 节点并将其部署到 ROS 2 设备