Skip to main content

Déploiement de TP de simulation avec Dev Container

On suppose qu'on veut déployer des TP qui font appel à des environnements de simulation, comme Gazebo ou URSim. 

Pour faciliter le déploiement reproductible en général, et en particulier la réutilisation d'environnements de développement fournis par les développeurs, on utilise des conteneurs Docker. On a besoin d'accélération graphique via un GPU pour afficher ces simulations afin de ne pas surcharger le CPU. En revanche, on ne fait pas tourner d'algorithmes qui ont besoin de GPU, type Machine Learning.

Installation de Docker

On peut faire tourner le conteneur Docker sur n'importe quel environnement : Linux, Windows, Mac, ou sur un serveur

Développement local sur Linux avec X11 et pas Wayland

  • Installer par exemple Ubuntu 24 ou Linux Mint 22 Mate
  • Vérifier que le système de fenêtrage est X11 et pas Wayland
  • Installer docker.io : le paquet debian de docker
    sudo apt install -y docker.io --install-recommends

  • Ajouter votre user au groupe docker, ATTENTION ça lui donne les droits admin

    sudo usermod -aG docker $USER
  • Installer git
    sudo apt install git

Développement local sur Windows avec X11 forwarding 

  • Vérifier les prérequis à WSL2 de votre Windows
  • Installer Docker Desktop
  • Vérifier que Docker est configuré et fonctionne avec WSL2
  • Installer une distribution Linux via WSL2, par exemple Ubuntu 24 depuis le Microsoft Store
  • Lancer un Terminal Ubuntu sur WSL2 (taper ubuntu depuis le menu démarrer)
  • Installer git
    sudo apt install git

Développement sur serveur distant

  • Installer une distribution Linux Server, par exemple Yunohost 12
  • Installer Docker en mode rootless
  • Créer un utilisateur YunoHost, lui donner un accès ssh et les droits appropriés (ne pas l'ajouter au groupe admin YunoHost)

  • NE PAS ajouter votre user au groupe docker, car ça lui donnerait des droits admin

    sudo usermod -aG docker $USER
  • Lancer les commandes docker avec sudo 

Avec PWA

Une première approche est de séparer la partie calcul CPU de la partie graphique GPU. On fait tourner les calculs dans le Docker. On fait tourner les applications graphiques dans le navigateur Web de l'hôte via une PWA, par exemple via gzweb pour gazebo. Il nous faut alors un navigateur qui supporte l'accélération graphique des applications Web, seuls Chrome et dérivés supportent le WebGL :

L'énorme avantage est que l'environnement de développement Docker n'a pas besoin d'accélération graphique. Pas besoin de perdre du temps à essayer de passer la carte graphique au conteneur. Un serveur sans accélération graphique suffit.

https://discourse.ros.org/t/mini-workshop-developing-and-teaching-ros-from-a-web-browser-using-dev-containers-and-pwas/31533

https://github.com/rplayground/sandbox 

source /opt/ros/$ROS_DISTRO/setup.bash
source /usr/share/gazebo/setup.sh
GAZEBO_MODEL_PATH=$GAZEBO_MODEL_PATH:$(find /opt/ros/$ROS_DISTRO/share \
  -mindepth 1 -maxdepth 2 -type d -name "models" | paste -s -d: -)
ros2 launch ./launch/security_demo_launch.py \
  use_rviz:=False headless:=True

Pour un développement local

  • Installer Visual Studio Code, sur Linux depuis Snap ou le PPA Microsoft Noter que Codium sur Linux ne supporte par l'extension Dev Container nécessaire
  • Désactiver la collecte des données : Settings > Telemetry > Telemetry Level > off
  • Installer Docker avec le support de l'accélération graphique, cf. ci-dessus
  • Installer l'extension Dev Container. Noter que les extensions nécessaires au développement de ROS seront installées dans le VSCode-Server du container
  • Sur Windows : Lancer un Terminal Ubuntu sur WSL2 (taper ubuntu depuis le menu démarrer)
  • Sur Linux : Lancer un Terminal
  • Cloner le dépôt du Dev Container
    git clone https://github.com/rplayground/sandbox
  • Se placer dans le dossier
    cd ~/sandbox
  • Ouvrir le dossier dans Visual Studio Code
    code .
  • Lancer Dev Container: Reopen in Container

Pour un développement distant sur un serveur/PC

  • Installer le pack d'extensions Remote Development
  • Se connecter à la machine de développement distante depuis Visual Studio Code
    • Ouvrir la Command Palette Ctrl+Shift+P
    • Lancer Remote-SSH: Connect to host...
    • Configurer la connexion ssh par mot-de-passe ou clé si ce n'a pas encore été fait
  • Cloner le dépôt https://github.com/rplayground/sandbox
  • Ouvrir le dossier sandbox
  • Lancer Dev Container: Reopen in Container

Tester l'installation

Installation de Docker avec accélération graphique

AMD/Intel sous Linux

NVidia Sous Linux

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
  && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
    sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
    sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list && \
    sudo apt-get update && sudo apt-get install nvidia-container-toolkit
  • Redémarrer le PC
  • Lancer docker avec l'argument --gpus=all pour tester qu'il a bien accès au GPU
    docker run --rm -it --gpus=all nvcr.io/nvidia/k8s/cuda-sample:nbody nbody -gpu -benchmark

  • Le résultat suivant indique que la carte graphique dédiée Nvidia Quadro P620 est bien exploitée pour les calculs :

> Windowed mode
> Simulation data stored in video memory
> Single precision floating point simulation
> 1 Devices used for simulation
GPU Device 0: "Pascal" with compute capability 6.1

> Compute 6.1 CUDA device: [Quadro P620]
4096 bodies, total time for 10 iterations: 4.417 ms
= 37.987 billion interactions per second
= 759.750 single-precision GFLOP/s at 20 flops per interaction

NVidia Sous Linux Public Server (rootless docker)

https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html#rootless-mode 

NVidia Sous Windows

https://innovation.iha.unistra.fr/books/robotique-open-source/page/installation-pc-ros2#bkmrk-acc%C3%A9l%C3%A9ration-gpu-pou 

Lancement Dev Container avec accélération graphique

  • Ajouter dans .devcontainer/devcontainer.json
{
    "name": "Sandbox",
    "hostRequirements": {
        "gpu": "optional" // switch on CPU if no (NVidia?) GPU available
    },
    "runArgs": [
        "--gpus=all" // enable NVidia GPU with NVidia driver
        // "--device=/dev/dri" // enable Intel/AMD GPU
}

Avec X11 Forwarding

On peut aussi afficher les fenêtres graphiques des applications qui tournent dans le Container directement sur l'hôte, par ex. gazebo-client

Pour cela il faut :

  • Installer dans le conteneur le gestionnaire de fenêtres x11-apps (partie serveur)
  • Avoir accès à un gestionnaire de fenêtres X11 sur l'hôte (partie client)
  • Configurer correctement l'hôte et le Dev Container pour que le conteneur ait accès au client X11
  • Cela peut poser des problèmes de sécurité car le conteneur risque d'avoir accès à tout ce qu'il se passe sur l'écran de l'hôte

On ne peut plus se contenter d'une distribution Linux Serveur type YunoHost pour le développement distant

Les calculs graphiques se font alors dans le container ??

Avec VNC


Ressources

https://articulatedrobotics.xyz/tutorials/docker/dev-containers/ 

Nav2, container, PWA  https://discourse.ros.org/t/repeatable-reproducible-and-now-accessible-ros-development-via-dev-containers/31398 https://github.com/ros-navigation/docs.nav2.org/blob/master/development_guides/devcontainer_docs/devcontainer_guide.md 

No Comments
Back to top