0. 简介
在了解完上面8讲内容后，基本上ROS和Matlab最关键的部分已经介绍完毕。我们最后一讲就来简单的讲述一下如何在Matlab中结合ROS来完成障碍物的识别与检测。
1. 在Matlab中使用CUDA
配置SimulinkCoder以从Simulink模型生成和构建的CUDA的ROS节点是我们这一小节需要讲的内容。以便于将模型完成配置并生成含有ROS节点的CUDA代码。然后将CUDA ROS节点部署到本地或远程设备目标。
首先需要验证您的开发计算机具有GPU代码生成所需的驱动程序、工具、库和配置，这里我们在MATLAB命令窗口中输入以下命令:
gpuEnvObj = coder.gpuEnvConfig;
gpuEnvObj.BasicCodegen = 1;
gpuEnvObj.BasicCodeexec = 1;
gpuEnvObj.DeepLibTarget = "tensorrt";
gpuEnvObj.DeepCodeexec = 1;
gpuEnvObj.DeepCodegen = 1;
results = coder.checkGpuInstall(gpuEnvObj)
下面我们就可以看到类似的输出，即
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
然后用Simulink完成仿真模型和GPU代码生成，具体分为以下几个步骤：
-
打开要配置用于GPU代码生成的Simulink模型。
-
首先选择Simulation选项，在Prepare部分，展开图库，在Configuration & Simulation下，选择Model Settings。
-
在“配置参数”对话框的左窗格中，选择Hardware Implementation节点。Hardware Board选择Robot Operating System (ROS)，并指定硬件的Device Vendor和Device Type。展开“设备详细信息”，确认“Support long long”已选中。
-
在Simulation Target节点中，选择GPU acceleration。如果你的模型有深度学习块，那么，在Deep Learning下，选择适当的Target library。
选择Code Generation节点。在Target selection中选择Language为“c++”，选择Generate GPU代码。
如果模型有深度学习块，展开 Code Generation节点并选择Interface节点。然后，在Deep Learning中为Target library选择适当的值。
选择GPU Code节点，在Libraries下启用cuBLAS、cuSOLVER和cuFFT等加速模块
然后按照Matlab与ROS(1/2)—Simulink(二)中的配置完成即可输出C++的代码。