Anygrasp部署全流程

成熟的程序员

183人浏览 · 2026-08-04 14:23:25

成熟的程序员 · 2026-08-04 14:23:25 发布

<aside>
✅

本文只记录 AnyGrasp 环境配置、依赖编译、许可证、权重放置与官方 Demo 验证，不涉及具体机器人、相机、目标分割或抓取任务代码。所有版本、命令和输出均来自一台实际完成安装并成功推理的设备。

</aside>

一、最终验证通过的环境

项目	实际版本或路径	状态
操作系统	Ubuntu 22.04	✅
显卡	NVIDIA GeForce RTX 4090，24 GB	✅
NVIDIA 驱动	595.80	✅
`nvidia-smi` 显示 CUDA	13.2	仅表示驱动最高支持版本
实际 CUDA Toolkit	12.8，`/usr/local/cuda-12.8`	✅
NVCC	12.8.61	✅
GCC / G++	12.3.0	✅
CMake	3.22.1	✅
Ninja	1.10.1	✅
Conda 环境	`anygrasp`	✅
Python	3.11.15	✅
PyTorch	2.11.0+cu128	✅
MinkowskiEngine	0.5.4，AnyGrasp 修改版 `cuda-12-1` 分支	✅
OpenBLAS	0.3.31	✅
PointNet2	本地 CUDA 扩展，CPython 3.11	✅
Open3D	0.19.0	✅
graspnetAPI	1.2.11	✅
AnyGrasp SDK	`main` 分支；安装时提交 `b8eaafc`	✅
`gsnet.so`	CPython 3.11 x86_64 版本	✅
检测权重	`checkpoint_detection.tar`，约 283 MB	✅
跟踪权重	`checkpoint_tracking.tar`，约 23 MB	✅ 已下载，非检测 Demo 必需
许可证	本机 Feature ID 对应许可证	✅ `License passed: True`

<aside>
⚠️

最关键的匹配关系是：PyTorch 使用 cu128，本机编译 CUDA 扩展使用 NVCC 12.8。 不要把 PyTorch 的 CUDA 构建版本和本机 NVCC 主版本混用。

</aside>

二、先理解三个容易混淆的版本

2.1 `nvidia-smi` 中的 CUDA 版本

运行：

nvidia-smi

本机关键输出：

NVIDIA-SMI 595.80
Driver Version: 595.80
CUDA Version: 13.2
GPU: NVIDIA GeForce RTX 4090
Memory: 24564 MiB

这里的 CUDA Version: 13.2 表示当前驱动最高支持的 CUDA 版本，不等于本机已经安装 CUDA Toolkit 13.2。

2.2 真正用于编译的 CUDA Toolkit

真正决定能否编译 MinkowskiEngine 和 PointNet2 的是：

nvcc --version

或直接检查 Toolkit 路径：

/usr/local/cuda-12.8/bin/nvcc --version

本机实际使用：

Cuda compilation tools, release 12.8, V12.8.61

2.3 PyTorch 自己的 CUDA 构建版本

运行：

python - <<'PY'
import torch
print(torch.__version__)
print(torch.version.cuda)
PY

本机结果：

2.11.0+cu128
12.8

最终三者关系：

驱动最高支持 CUDA：13.2
实际 CUDA Toolkit / NVCC：12.8
PyTorch 构建版本：cu128

这套组合已完成实际验证。

三、安装总流程

flowchart TD
    A["检查 GPU 与 NVIDIA 驱动"] --> B["确认实际 CUDA Toolkit 与 NVCC"]
    B --> C["配置临时 CUDA 环境变量"]
    C --> D["创建 Python 3.11 Conda 环境"]
    D --> E["安装 PyTorch cu128 并验证 GPU"]
    E --> F["准备 GCC、CMake、Ninja、Git"]
    F --> G["克隆 AnyGrasp SDK"]
    G --> H["安装 OpenBLAS"]
    H --> I["编译 MinkowskiEngine"]
    I --> J["安装 requirements.txt"]
    J --> K["编译 PointNet2"]
    K --> L["安装 graspnetAPI"]
    L --> M["配置 Python 3.11 对应 gsnet.so"]
    M --> N["申请并验证许可证"]
    N --> O["放置模型权重"]
    O --> P["修复并永久保存动态库加载顺序"]
    P --> Q["运行完整环境检查"]
    Q --> R["运行官方无界面及可视化 Demo"]

四、第一步：检查显卡、驱动和 CUDA

4.1 检查显卡与驱动

nvidia-smi

应重点确认：

GPU Name: NVIDIA GeForce RTX 4090
Driver Version: 595.80
CUDA Version: 13.2

只要显卡被正确识别，且无驱动报错，即可继续。

4.2 检查 NVCC

最初直接运行：

nvcc --version
which nvcc

本机最初输出：

找不到命令 “nvcc”

但这不一定说明 Toolkit 没安装。继续检查：

ls -ld /usr/local/cuda /usr/local/cuda-12.8
ls -l /usr/local/cuda-12.8/bin/nvcc
/usr/local/cuda-12.8/bin/nvcc --version

本机结果：

/usr/local/cuda -> /usr/local/cuda-12.8/
/usr/local/cuda-12.8/bin/nvcc 存在
Cuda compilation tools, release 12.8, V12.8.61

结论：CUDA 12.8 Toolkit 已完整安装，只是 PATH 没有配置。

<aside>
❌

看到系统提示后不要直接执行 sudo apt install nvidia-cuda-toolkit。应先检查 /usr/local/cuda-*，避免安装另一个版本造成混乱。

</aside>

4.3 临时配置 CUDA 12.8

export CUDA_HOME=/usr/local/cuda-12.8
export PATH=$CUDA_HOME/bin:$PATH
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:${LD_LIBRARY_PATH:-}
hash -r

验证：

echo $CUDA_HOME
which nvcc
nvcc --version

本机输出：

/usr/local/cuda-12.8
/usr/local/cuda-12.8/bin/nvcc
Cuda compilation tools, release 12.8, V12.8.61

五、第二步：创建独立 Python 3.11 环境

本机系统 base 环境中 Python 为 3.13，因此单独创建 Python 3.11 环境：

conda create -n anygrasp python=3.11 pip -y
conda activate anygrasp

检查：

python --version
which python
echo $CONDA_DEFAULT_ENV
echo $CUDA_HOME
which nvcc
nvcc --version

本机输出：

Python 3.11.15
/home/hjadmin/miniconda3/envs/anygrasp/bin/python
anygrasp
/usr/local/cuda-12.8
/usr/local/cuda-12.8/bin/nvcc
Cuda compilation tools, release 12.8, V12.8.61

后续所有命令都应在终端前缀为 (anygrasp) 时执行。

六、第三步：安装 PyTorch cu128

python -m pip install torch torchvision \
  --index-url <https://download.pytorch.org/whl/cu128>

安装完成后验证：

python - <<'PY'
import torch

print("PyTorch版本:", torch.__version__)
print("PyTorch编译CUDA版本:", torch.version.cuda)
print("CUDA是否可用:", torch.cuda.is_available())

if torch.cuda.is_available():
    print("GPU名称:", torch.cuda.get_device_name(0))
    print("GPU计算能力:", torch.cuda.get_device_capability(0))
PY

本机输出：

PyTorch版本: 2.11.0+cu128
PyTorch编译CUDA版本: 12.8
CUDA是否可用: True
GPU名称: NVIDIA GeForce RTX 4090
GPU计算能力: (8, 9)

RTX 4090 对应 CUDA 架构 8.9，后续编译使用：

export TORCH_CUDA_ARCH_LIST="8.9"

七、第四步：检查并安装编译工具

检查：

g++ --version
cmake --version
ninja --version
git --version
python -m pip --version

本机初始结果：

g++ 12.3.0
cmake 3.22.1
ninja: 未找到命令
git 2.34.1
pip 26.2，Python 3.11

只缺少 Ninja，因此安装：

sudo apt update
sudo apt install -y ninja-build

验证：

ninja --version
which ninja

结果：

1.10.1
/usr/bin/ninja

八、第五步：下载 AnyGrasp SDK

cd ~
git clone <https://github.com/graspnet/anygrasp_sdk.git>
cd ~/anygrasp_sdk

检查仓库：

git branch --show-current
git log -1 --oneline
ls -la

本机安装时输出：

main
b8eaafc update readme

关键目录：

anygrasp_sdk/
├── grasp_detection/
├── grasp_tracking/
├── license_registration/
├── pointnet2/
├── requirements.txt
└── README.md

后续如果仓库最新提交变化，以实际 git log -1 --oneline 为准。

九、第六步：安装 OpenBLAS

cd ~/anygrasp_sdk
conda install -c anaconda openblas-devel -y

验证：

conda list | grep -E 'openblas|blas'
ls $CONDA_PREFIX/include/cblas.h
ls $CONDA_PREFIX/lib/libopenblas*

本机输出：

blas             1.0      openblas
libopenblas      0.3.31
openblas-devel   0.3.31
/home/hjadmin/miniconda3/envs/anygrasp/include/cblas.h
/home/hjadmin/miniconda3/envs/anygrasp/lib/libopenblas.so

只要 cblas.h 和 libopenblas.so 都存在，即可继续。

十、第七步：编译 MinkowskiEngine 0.5.4

10.1 下载 AnyGrasp 修改版

cd ~/anygrasp_sdk
mkdir -p dependencies
cd dependencies

git clone <https://github.com/chenxi-wang/MinkowskiEngine.git>
cd MinkowskiEngine
git checkout cuda-12-1

检查：

git branch --show-current
git log -1 --oneline
git status

本机输出：

cuda-12-1
3586275 fix compilation with CUDA 12.8
位于分支 cuda-12-1
工作区干净

10.2 编译前确认 PyTorch 与 CUDA

echo "CUDA_HOME=$CUDA_HOME"
echo "CONDA_PREFIX=$CONDA_PREFIX"
which gcc
which g++
gcc --version | head -n 1

python - <<'PY'
import torch
from torch.utils.cpp_extension import CUDA_HOME

print("PyTorch:", torch.__version__)
print("PyTorch CUDA:", torch.version.cuda)
print("CUDA_HOME detected:", CUDA_HOME)
print("CXX11 ABI:", torch._C._GLIBCXX_USE_CXX11_ABI)
PY

本机输出：

CUDA_HOME=/usr/local/cuda-12.8
CONDA_PREFIX=/home/hjadmin/miniconda3/envs/anygrasp
/usr/bin/gcc
/usr/bin/g++
gcc 12.3.0
PyTorch: 2.11.0+cu128
PyTorch CUDA: 12.8
CUDA_HOME detected: /usr/local/cuda-12.8
CXX11 ABI: True

10.3 CUDA 12.8 与 GCC 12 头文件兼容处理

先检查是否存在旧写法：

grep -n "__to_address(__r.get())" \
  /usr/include/c++/12/bits/shared_ptr_base.h \
  || echo "未发现需要修改的代码"

本机发现两处：

1561: auto __raw = __to_address(__r.get());
1577: auto __raw = __to_address(__r.get());

必须先备份：

sudo cp -a \
  /usr/include/c++/12/bits/shared_ptr_base.h \
  /usr/include/c++/12/bits/shared_ptr_base.h.anygrasp.bak

再修改：

sudo sed -i \
  's/\bauto __raw = __to_address(__r.get());/auto __raw = std::__to_address(__r.get());/g' \
  /usr/include/c++/12/bits/shared_ptr_base.h

验证：

grep -n "__raw =" \
  /usr/include/c++/12/bits/shared_ptr_base.h \
  | grep "to_address(__r.get())"

预期：

1561: auto __raw = std::__to_address(__r.get());
1577: auto __raw = std::__to_address(__r.get());

检查旧写法是否消失：

grep -nP '(?<!std::)__to_address\(__r\.get\(\)\)' \
  /usr/include/c++/12/bits/shared_ptr_base.h \
  || echo "旧写法已全部修改"

输出：

旧写法已全部修改

确认备份：

ls -l /usr/include/c++/12/bits/shared_ptr_base.h.anygrasp.bak

<aside>
⚠️

这一步会修改系统 C++ 头文件，只在确实检测到相同代码并完成备份后执行。GCC 版本不同，路径也不同，例如 GCC 11 对应 /usr/include/c++/11/。

</aside>

10.4 编译安装

cd ~/anygrasp_sdk/dependencies/MinkowskiEngine

export CUDA_HOME=/usr/local/cuda-12.8
export PATH=$CUDA_HOME/bin:$PATH
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:${LD_LIBRARY_PATH:-}
export TORCH_CUDA_ARCH_LIST="8.9"
export MAX_JOBS=4

rm -rf build

set -o pipefail
python setup.py install \
  --blas_include_dirs=${CONDA_PREFIX}/include \
  --blas_library_dirs=${CONDA_PREFIX}/lib \
  --blas=openblas \
  2>&1 | tee ~/minkowski_build.log

成功结束标志：

Finished processing dependencies for MinkowskiEngine==0.5.4

若失败，查看日志末尾：

tail -n 100 ~/minkowski_build.log

10.5 验证安装

先在源码目录中验证：

python - <<'PY'
import torch
import MinkowskiEngine as ME

print("MinkowskiEngine版本:", ME.__version__)
print("MinkowskiEngine路径:", ME.__file__)
print("PyTorch版本:", torch.__version__)
print("CUDA可用:", torch.cuda.is_available())
PY

输出：

MinkowskiEngine版本: 0.5.4
PyTorch版本: 2.11.0+cu128
CUDA可用: True

然后离开源码目录再次验证，排除“只导入了当前文件夹源码”的情况：

cd ~
python - <<'PY'
import torch
import MinkowskiEngine as ME

print("MinkowskiEngine版本:", ME.__version__)
print("MinkowskiEngine路径:", ME.__file__)
print("CUDA可用:", torch.cuda.is_available())
PY

本机最终路径：

/home/hjadmin/miniconda3/envs/anygrasp/lib/python3.11/site-packages/
MinkowskiEngine-0.5.4-py3.11-linux-x86_64.egg/...

出现 OMP_NUM_THREADS 未设置的警告不影响安装，后面统一配置。

十一、第八步：安装 AnyGrasp 基础依赖

cd ~/anygrasp_sdk
python -m pip install -r requirements.txt

验证：

python - <<'PY'
import numpy
import PIL
import scipy
import tqdm
import open3d

print("numpy:", numpy.__version__)
print("Pillow:", PIL.__version__)
print("scipy:", scipy.__version__)
print("tqdm:", tqdm.__version__)
print("open3d:", open3d.__version__)
print("基础依赖全部导入成功")
PY

本机输出：

numpy: 2.4.4
Pillow: 12.2.0
scipy: 1.17.1
tqdm: 4.70.0
open3d: 0.19.0
基础依赖全部导入成功

检查依赖完整性：

python -m pip check

输出：

No broken requirements found.

十二、第九步：编译 PointNet2 CUDA 扩展

cd ~/anygrasp_sdk/pointnet2

export CUDA_HOME=/usr/local/cuda-12.8
export PATH=$CUDA_HOME/bin:$PATH
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:${LD_LIBRARY_PATH:-}
export TORCH_CUDA_ARCH_LIST="8.9"
export MAX_JOBS=4

rm -rf build

set -o pipefail
python setup.py install 2>&1 | tee ~/pointnet2_build.log

成功结束标志：

Installed .../pointnet2-0.0.0-py3.11-linux-x86_64.egg
Finished processing dependencies for pointnet2==0.0.0

验证：

cd ~
python - <<'PY'
import torch
import pointnet2
from pointnet2 import _ext

print("PointNet2路径:", pointnet2.__file__)
print("PointNet2 CUDA扩展:", _ext.__file__)
print("PyTorch:", torch.__version__)
print("CUDA可用:", torch.cuda.is_available())
print("PointNet2导入成功")
PY

本机输出：

PointNet2路径: .../pointnet2-0.0.0-py3.11-linux-x86_64.egg/pointnet2/__init__.py
PointNet2 CUDA扩展: .../_ext.cpython-311-x86_64-linux-gnu.so
PyTorch: 2.11.0+cu128
CUDA可用: True
PointNet2导入成功

十三、第十步：安装 graspnetAPI

cd ~/anygrasp_sdk
git clone <https://github.com/graspnet/graspnetAPI.git>
cd graspnetAPI
python -m pip install .

验证：

cd ~
python - <<'PY'
import graspnetAPI
from graspnetAPI import Grasp, GraspGroup

print("graspnetAPI 路径:", graspnetAPI.__file__)
print("Grasp 类:", Grasp)
print("GraspGroup 类:", GraspGroup)
print("graspnetAPI 导入成功")
PY

正常输出：

graspnetAPI 路径: .../site-packages/graspnetAPI/__init__.py
Grasp 类: <class 'graspnetAPI.grasp.Grasp'>
GraspGroup 类: <class 'graspnetAPI.grasp.GraspGroup'>
graspnetAPI 导入成功

再检查：

python -m pip check

输出：

No broken requirements found.

可能出现以下警告：

Failed to import geometry msgs
Failed to import ros dependencies
RigidTransform ros methods will be unavailable

这些只是 ROS 接口不可用，不影响普通 AnyGrasp 推理。

十四、第十一步：配置 Python 3.11 对应的 `gsnet.so`

14.1 检查可用文件

cd ~/anygrasp_sdk
find grasp_detection -maxdepth 2 \
  -type f -name '*cpython-311*.so' -print

本机输出：

grasp_detection/gsnet_versions/gsnet.cpython-311-x86_64-linux-gnu.so

Python 3.11 必须使用 cpython-311，不能混用 cpython-310 或 cpython-312。

14.2 复制到检测目录

cd ~/anygrasp_sdk/grasp_detection
cp gsnet_versions/gsnet.cpython-311-x86_64-linux-gnu.so gsnet.so
ls -lh gsnet.so

本机结果：

-rw-rw-r-- ... 1.8M ... gsnet.so

14.3 验证 SDK 接口

python - <<'PY'
import gsnet

print("gsnet路径:", gsnet.__file__)
print("gsnet导入成功")
print("create_detector:", hasattr(gsnet, "create_detector"))
print("check_license:", hasattr(gsnet, "check_license"))
PY

本机输出：

gsnet导入成功
create_detector: True
check_license: True

新版 SDK 使用 create_detector()，没有旧版 AnyGrasp 类并不表示安装失败。

十五、第十二步：获取 Feature ID 并申请许可证

15.1 准备注册目录

cd ~/anygrasp_sdk/license_registration
cp ../grasp_detection/gsnet_versions/\
gsnet.cpython-311-x86_64-linux-gnu.so gsnet.so

获取本机 Feature ID：

python -c "from gsnet import get_feature_id; print(get_feature_id())"

会输出一个以 N 开头的机器编号。该编号与本机绑定，用于许可证申请。

15.2 收到许可证后检查压缩包

本机收到的许可证压缩包中包含：

licenseCfg.json
*.lic
*.public_key
*.signature

只查看文件名：

unzip -l license_*.zip

15.3 解压并放置到检测目录

cd ~/anygrasp_sdk
mkdir -p license_extract
unzip -q license_*.zip -d license_extract
mkdir -p grasp_detection/license

找到解压后的许可证文件夹，并将其内部四个文件复制到：

~/anygrasp_sdk/grasp_detection/license/

最终结构：

grasp_detection/license/
├── licenseCfg.json
├── *.lic
├── *.public_key
└── *.signature

15.4 验证许可证

cd ~/anygrasp_sdk/grasp_detection
python - <<'PY'
from gsnet import check_license

print("开始验证 AnyGrasp 许可证...")
result = check_license("license")
print("check_license 返回值:", result)
PY

本机结果：

License passed: True, state: PASSED
check_license 返回值: True

十六、第十三步：放置模型权重

官方提供两个权重：

checkpoint_detection.tar   约 283 MB
checkpoint_tracking.tar    约 23 MB

检测 Demo 必需的是 checkpoint_detection.tar。

16.1 检查文件类型和完整性

这两个 .tar 实际是 PyTorch ZIP 格式模型文件，不要使用 tar -xf 解压。

file checkpoint_detection.tar checkpoint_tracking.tar

会显示：

Zip archive data

使用 Python 检查 CRC：

python - <<'PY'
from pathlib import Path
import zipfile

for path in [
    Path("checkpoint_detection.tar"),
    Path("checkpoint_tracking.tar"),
]:
    with zipfile.ZipFile(path, "r") as zf:
        print(path, "内部文件数:", len(zf.namelist()))
        print("完整性:", "通过" if zf.testzip() is None else "失败")
PY

本机结果：

checkpoint_detection.tar 内部文件数: 416
完整性: 通过
checkpoint_tracking.tar 内部文件数: 375
完整性: 通过

16.2 复制检测权重

cd ~/anygrasp_sdk
mkdir -p grasp_detection/log
cp -a checkpoint_detection.tar \
  grasp_detection/log/checkpoint_detection.tar

检查：

ls -lh \
  checkpoint_detection.tar \
  grasp_detection/log/checkpoint_detection.tar

两者均约为：

283M

检查哈希：

sha256sum \
  checkpoint_detection.tar \
  grasp_detection/log/checkpoint_detection.tar

两行哈希必须完全一致。本机哈希：

a05c3690b95c8b65e78b1bb8a28f1d5ca96613391946e450afacae840bbcf7b2

十七、第十四步：解决 `CXXABI_1.3.15 not found`

17.1 问题现象

完整导入时曾出现：

ImportError: /lib/x86_64-linux-gnu/libstdc++.so.6:
version `CXXABI_1.3.15' not found

原因不是缺少 Conda 的新库，而是程序优先加载了系统旧版 libstdc++.so.6。

17.2 检查 Conda 与系统库

conda list | grep -E 'libstdcxx|libgcc|icu'
ls -l "$CONDA_PREFIX"/lib/libstdc++.so.6*

本机 Conda 环境中：

icu 78.3
libgcc 16.1.0
libstdcxx 16.1.0
libstdc++.so.6 -> libstdc++.so.6.0.35

检查支持的 ABI：

strings "$CONDA_PREFIX/lib/libstdc++.so.6" \
  | grep '^CXXABI_' | sort -V | tail

Conda 库支持到：

CXXABI_1.3.17

系统库只支持到：

CXXABI_1.3.13

17.3 临时修复

export LD_LIBRARY_PATH="$CONDA_PREFIX/lib:$CUDA_HOME/lib64"

验证：

echo "$LD_LIBRARY_PATH"

输出：

/home/hjadmin/miniconda3/envs/anygrasp/lib:/usr/local/cuda-12.8/lib64

完整导入测试随后通过。

十八、第十五步：永久保存 AnyGrasp 环境变量

创建 Conda 激活脚本：

mkdir -p "$CONDA_PREFIX/etc/conda/activate.d"

cat > "$CONDA_PREFIX/etc/conda/activate.d/anygrasp_cuda.sh" <<'EOF'
export CUDA_HOME=/usr/local/cuda-12.8
export PATH="$CUDA_HOME/bin:$PATH"

# Conda 新版 libstdc++ 必须放在 CUDA 和系统库之前
export LD_LIBRARY_PATH="$CONDA_PREFIX/lib:$CUDA_HOME/lib64"

# RTX 4090 的 CUDA 计算能力
export TORCH_CUDA_ARCH_LIST="8.9"

# MinkowskiEngine 建议低于 24
export OMP_NUM_THREADS=12
EOF

重新激活：

conda deactivate
conda activate anygrasp

检查：

echo "$CUDA_HOME"
which nvcc
echo "$LD_LIBRARY_PATH"
echo "$TORCH_CUDA_ARCH_LIST"
echo "$OMP_NUM_THREADS"

本机输出：

/usr/local/cuda-12.8
/usr/local/cuda-12.8/bin/nvcc
/home/hjadmin/miniconda3/envs/anygrasp/lib:/usr/local/cuda-12.8/lib64
8.9
12

以后每次执行：

conda activate anygrasp

这些变量都会自动生效。

十九、第十六步：完整环境验证

cd ~
python - <<'PY'
import sqlite3
print("sqlite3: OK")

import torch
print("PyTorch:", torch.__version__)
print("PyTorch CUDA:", torch.version.cuda)
print("CUDA可用:", torch.cuda.is_available())
print("GPU:", torch.cuda.get_device_name(0))

import MinkowskiEngine as ME
print("MinkowskiEngine:", ME.__version__)

import pointnet2
from pointnet2 import _ext
print("PointNet2:", _ext.__file__)

import open3d
print("Open3D:", open3d.__version__)

import graspnetAPI
from graspnetAPI import Grasp, GraspGroup
print("graspnetAPI:", graspnetAPI.__file__)

print("全部模块导入成功")
PY

本机输出：

sqlite3: OK
PyTorch: 2.11.0+cu128
PyTorch CUDA: 12.8
CUDA可用: True
GPU: NVIDIA GeForce RTX 4090
MinkowskiEngine: 0.5.4
PointNet2: .../_ext.cpython-311-x86_64-linux-gnu.so
Open3D: 0.19.0
graspnetAPI: .../site-packages/graspnetAPI/__init__.py
全部模块导入成功

ROS 相关警告可以忽略。

二十、第十七步：运行官方 Demo 验证环境

20.1 确认最终目录

anygrasp_sdk/
└── grasp_detection/
    ├── demo.py
    ├── gsnet.so
    ├── license/
    │   ├── licenseCfg.json
    │   ├── *.lic
    │   ├── *.public_key
    │   └── *.signature
    ├── log/
    │   └── checkpoint_detection.tar
    └── example_data/
        ├── color.png
        ├── depth.png
        └── seg_mask.png

20.2 无可视化运行

conda activate anygrasp
cd ~/anygrasp_sdk/grasp_detection

python demo.py \
  --checkpoint_path log/checkpoint_detection.tar

本机关键输出：

checking license on .../grasp_detection/gsnet.so
License passed: True, state: PASSED
Top 20 scores:
[0.6406076 0.55339277 0.48864532 ...]

官方 demo.py 会连续测试多种配置，因此会输出多组 Top 20 scores，这是正常现象。

20.3 可视化运行

python demo.py \
  --checkpoint_path log/checkpoint_detection.tar \
  --vis

验证结果：

Open3D 窗口正常打开；
点云正常显示；
抓取夹爪模型正常显示；
多个官方示例窗口均能正常关闭和继续运行；
终端无新的错误。

至此，AnyGrasp 环境、许可证、模型权重和官方 Demo 均已完整验证通过。

二十一、其他设备需要修改的位置

变化项	本教程值	需要修改的位置
CUDA Toolkit	12.8	`CUDA_HOME`、PyTorch 下载源、MinkowskiEngine 分支
CUDA 路径	`/usr/local/cuda-12.8`	所有 `CUDA_HOME` 和激活脚本
Python	3.11	Conda 创建命令、`gsnet.cpython-311-...so`
GPU	RTX 4090	`TORCH_CUDA_ARCH_LIST="8.9"`
GCC	12	`/usr/include/c++/12/bits/shared_ptr_base.h` 路径
Conda 环境名	`anygrasp`	所有 `conda activate` 命令
内存或 CPU 较少	`MAX_JOBS=4`	编译失败或内存不足时降为 2

21.1 计算显卡架构

其他显卡执行：

python - <<'PY'
import torch
print(torch.cuda.get_device_capability(0))
PY

例如：

(8, 9) → TORCH_CUDA_ARCH_LIST="8.9"
(8, 6) → TORCH_CUDA_ARCH_LIST="8.6"

21.2 Python 版本与 `gsnet.so`

Python	应选择的文件标识
3.10	`cpython-310`
3.11	`cpython-311`
3.12	`cpython-312`

二进制版本不匹配时，通常会出现导入失败或符号错误。

二十二、常见问题

22.1 `nvcc: command not found`

先检查：

ls /usr/local/cuda-*/bin/nvcc

如果文件存在，只需配置 CUDA_HOME 和 PATH，不必重装 CUDA。

22.2 `CXXABI_1.3.15 not found`

将 Conda 环境的 lib 放在最前：

export LD_LIBRARY_PATH="$CONDA_PREFIX/lib:$CUDA_HOME/lib64"

并写入 Conda activate.d 脚本。

22.3 `no kernel image is available for execution`

通常是编译时未包含当前显卡架构。RTX 4090 使用：

export TORCH_CUDA_ARCH_LIST="8.9"

清理 build/ 后重新编译对应 CUDA 扩展。

22.4 编译内存不足

降低并行任务：

export MAX_JOBS=2

然后重新编译。

22.5 `gsnet.so` 导入失败

检查：

python --version
ls grasp_detection/gsnet_versions

确保 Python 3.11 使用 cpython-311 文件。

22.6 `.tar` 无法被 `tar -tf` 读取

AnyGrasp 模型权重虽然扩展名是 .tar，实际是 PyTorch ZIP 格式。不要解压，程序直接读取。可使用 zipfile.ZipFile 做完整性检查。

22.7 ROS 警告

以下警告不影响普通 AnyGrasp 推理：

Failed to import geometry msgs
Failed to import ros dependencies
RigidTransform ros methods will be unavailable

22.8 Open3D 窗口打不开

先不使用 --vis，确认无界面推理正常。若无桌面或通过纯 SSH 使用，Open3D 窗口可能无法显示。

二十三、最终检查清单

[x] RTX 4090 被 nvidia-smi 正确识别
[x] 驱动版本为 595.80
[x] CUDA Toolkit 12.8 与 NVCC 12.8.61 可用
[x] Python 3.11.15 独立 Conda 环境可用
[x] PyTorch 2.11.0+cu128 可调用 RTX 4090
[x] Ninja、CMake、GCC、Git 可用
[x] OpenBLAS 头文件与动态库存在
[x] MinkowskiEngine 0.5.4 编译并独立导入成功
[x] AnyGrasp 基础依赖安装成功
[x] PointNet2 CUDA 扩展编译成功
[x] graspnetAPI 1.2.11 安装成功
[x] Python 3.11 对应 gsnet.so 配置正确
[x] Conda 与 CUDA 动态库加载顺序已修复
[x] 许可证验证通过
[x] 检测权重完整并放置正确
[x] 官方无界面 Demo 推理成功
[x] Open3D 可视化 Demo 成功

最终状态：Ubuntu 22.04 + RTX 4090 + Python 3.11.15 + CUDA Toolkit 12.8 + PyTorch 2.11.0+cu128 的 AnyGrasp 环境已完整配置并验证通过。

DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

收藏！用AI改造老生意，4人团队撬动千万营收！小白也能看懂的AI逆袭指南

DAMO开发者矩阵

国内具身智能人形机器人厂商盘点｜工业技术路线与落地选型指南｜富唯智能

DAMO开发者矩阵

机器人技术系列第19篇：产线多设备时间同步与故障日志对齐

DAMO开发者矩阵

所有评论(0)

查看更多评论

成熟的程序员

@m0_59064940

已为社区贡献2条内容

Anygrasp部署全流程

成熟的程序员

一、最终验证通过的环境

二、先理解三个容易混淆的版本

2.1 nvidia-smi 中的 CUDA 版本

2.2 真正用于编译的 CUDA Toolkit

2.3 PyTorch 自己的 CUDA 构建版本

三、安装总流程

四、第一步：检查显卡、驱动和 CUDA

4.1 检查显卡与驱动

4.2 检查 NVCC

4.3 临时配置 CUDA 12.8

五、第二步：创建独立 Python 3.11 环境

六、第三步：安装 PyTorch cu128

七、第四步：检查并安装编译工具

八、第五步：下载 AnyGrasp SDK

九、第六步：安装 OpenBLAS

十、第七步：编译 MinkowskiEngine 0.5.4

10.1 下载 AnyGrasp 修改版

10.2 编译前确认 PyTorch 与 CUDA

10.3 CUDA 12.8 与 GCC 12 头文件兼容处理

10.4 编译安装

10.5 验证安装

十一、第八步：安装 AnyGrasp 基础依赖

十二、第九步：编译 PointNet2 CUDA 扩展

十三、第十步：安装 graspnetAPI

十四、第十一步：配置 Python 3.11 对应的 gsnet.so

14.1 检查可用文件

14.2 复制到检测目录

14.3 验证 SDK 接口

十五、第十二步：获取 Feature ID 并申请许可证

15.1 准备注册目录

15.2 收到许可证后检查压缩包

15.3 解压并放置到检测目录

15.4 验证许可证

十六、第十三步：放置模型权重

16.1 检查文件类型和完整性

16.2 复制检测权重

十七、第十四步：解决 CXXABI_1.3.15 not found

17.1 问题现象

17.2 检查 Conda 与系统库

17.3 临时修复

十八、第十五步：永久保存 AnyGrasp 环境变量

十九、第十六步：完整环境验证

二十、第十七步：运行官方 Demo 验证环境

20.1 确认最终目录

20.2 无可视化运行

20.3 可视化运行

二十一、其他设备需要修改的位置

21.1 计算显卡架构

21.2 Python 版本与 gsnet.so

二十二、常见问题

22.1 nvcc: command not found

22.2 CXXABI_1.3.15 not found

22.3 no kernel image is available for execution

22.4 编译内存不足

22.5 gsnet.so 导入失败

22.6 .tar 无法被 tar -tf 读取

22.7 ROS 警告

22.8 Open3D 窗口打不开

二十三、最终检查清单

所有评论(0)

温馨提示：您尚未绑定手机号

成熟的程序员

2.1 `nvidia-smi` 中的 CUDA 版本

十四、第十一步：配置 Python 3.11 对应的 `gsnet.so`

十七、第十四步：解决 `CXXABI_1.3.15 not found`

21.2 Python 版本与 `gsnet.so`

22.1 `nvcc: command not found`

22.2 `CXXABI_1.3.15 not found`

22.3 `no kernel image is available for execution`

22.5 `gsnet.so` 导入失败

22.6 `.tar` 无法被 `tar -tf` 读取