别再自己编译了！Ubuntu 18.04下用apt一键安装Intel RealSense D435i驱动（附避坑指南）

告别编译烦恼：Ubuntu 18.04下Intel RealSense D435i驱动一键安装全攻略

在计算机视觉和机器人开发领域，Intel RealSense系列深度相机因其出色的性能和相对亲民的价格，成为了许多开发者的首选硬件。然而，对于初次在Linux系统下配置RealSense相机的开发者来说，从源代码编译安装驱动往往是一道令人望而生畏的门槛。漫长的编译时间、复杂的依赖关系以及可能出现的各种错误，让不少开发者在这第一步就耗费了大量精力，甚至影响了后续的开发热情。

本文将彻底改变这一现状，带你体验Ubuntu 18.04下通过apt包管理器一键安装Intel RealSense D435i驱动的便捷之道。不同于官方文档中推荐的编译安装方式，我们将聚焦于更高效、更可靠的apt安装方案，涵盖从准备工作到验证安装成功的全流程，并针对可能遇到的网络问题、USB识别异常等常见痛点提供详细的解决方案。无论你是刚接触RealSense的新手，还是曾被编译过程折磨过的开发者，这篇指南都将为你节省大量宝贵时间，让你能够快速进入实质性的开发工作。

1. 为什么选择apt安装而非源码编译

在开始具体安装步骤前，有必要了解为什么我们推荐放弃官方文档中常见的源码编译方式，转而采用apt包管理器安装RealSense驱动。这种选择背后有着充分的实践依据和性能考量。

源码编译的三大痛点：

• 耗时漫长：在普通配置的开发机上，完整编译librealsense可能需要30分钟到2小时不等，期间CPU占用率极高，几乎无法进行其他工作
• 依赖复杂：编译过程需要正确安装各种开发工具链和库文件，缺少任何一个都可能导致编译失败
• 调试困难：当编译出错时，新手往往难以从冗长的错误信息中快速定位问题根源

相比之下，apt安装方案具有显著优势：

Intel官方实际上已经为Ubuntu系统维护了预编译的软件仓库，这些二进制包不仅安装快捷，而且经过了充分测试，能够确保与特定Ubuntu版本的兼容性。对于大多数开发场景，特别是快速原型开发阶段，apt安装方案完全能够满足需求，没有必要从源码开始构建。

提示：只有在需要修改驱动底层代码或进行深度定制时，才需要考虑从源码编译。对于99%的常规使用场景，apt安装都是更优选择。

2. 准备工作与系统要求

在开始安装RealSense驱动前，确保你的系统满足以下基本要求，这可以避免许多潜在问题：

硬件要求：

• USB接口：RealSense D435i必须连接到USB 3.0端口（通常为蓝色接口），USB 2.0无法提供足够的带宽
• 处理器：至少Intel Core i5级别的CPU，推荐i7或更高
• 内存：建议8GB以上，特别是需要处理高分辨率深度图像时

软件环境：

• 操作系统：Ubuntu 18.04 LTS（Bionic Beaver），这是目前最稳定的支持版本
• 内核版本：建议使用4.15.x通用内核，某些定制内核可能需要额外配置
• 网络连接：稳定的互联网连接以下载安装包（国内用户可能需要配置镜像源）

验证USB3.0连接： 在连接相机前，先确认你的USB端口确实支持USB3.0标准。执行以下命令查看USB设备信息：

lsusb -t

输出中应包含类似以下内容，其中"5000M"表示USB3.0速度：

/: Bus 02.Port 1: Dev 1, Class=root_hub, Driver=xhci_hcd/6p, 5000M

如果显示"480M"则表明是USB2.0连接，这种情况下需要更换接口或检查硬件连接。

3. 分步安装指南

现在，让我们进入核心的安装流程。整个过程分为三个主要步骤：添加软件源、安装驱动包和验证安装。我们将详细说明每个步骤的具体操作和可能出现的问题。

3.1 添加Intel官方软件源

首先需要将Intel的RealSense软件仓库添加到系统的apt源列表中：

1. 导入软件仓库的GPG密钥，用于验证软件包的真实性：

sudo apt-key adv --keyserver keys.gnupg.net --recv-key F6E65AC044F831AC80A06380C8B3A55A6F3EFCDE || sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv-key F6E65AC044F831AC80A06380C8B3A55A6F3EFCDE

2. 添加适用于Ubuntu 18.04的软件仓库：

sudo add-apt-repository "deb http://realsense-hw-public.s3.amazonaws.com/Debian/apt-repo bionic main" -u

3. 更新软件包列表：

sudo apt update

常见问题解决：

• 密钥服务器连接失败：如果遇到密钥服务器连接问题，可以尝试更换keyserver地址，或者直接使用以下命令手动添加密钥：

wget -qO - https://librealsense.intel.com/Debian/librealsense.pgp | sudo apt-key add -

• 软件源下载缓慢：由于服务器位于国外，国内用户可能会遇到下载速度慢的问题。可以尝试以下方法：
  • 使用网络代理（如有合法权限）
  • 更换网络环境
  • 在非高峰时段进行操作

3.2 安装核心软件包

添加软件源后，安装以下两个核心软件包：

sudo apt-get install librealsense2-dkms sudo apt-get install librealsense2-utils

这两个包的作用分别是：

• librealsense2-dkms：包含相机驱动内核模块，采用DKMS（Dynamic Kernel Module Support）方式安装，确保内核更新后驱动能自动重建
• librealsense2-utils：提供用于测试和调试相机的实用工具，包括图形化查看器

安装过程通常只需几分钟，具体时间取决于网络速度。如果下载速度过慢（低于100KB/s），建议中断后重试，或者考虑使用下载工具先获取deb包再本地安装。

注意：安装过程中可能会提示需要重启系统以加载新内核模块。如果急于测试，可以尝试手动加载模块而不用立即重启：

sudo modprobe uvcvideo sudo modprobe videobuf2_core sudo modprobe videobuf2_v4l2 sudo modprobe videobuf2_memops

3.3 验证安装成功

安装完成后，可以通过以下方式验证驱动是否正常工作：

1. 连接RealSense D435i相机到USB3.0接口
2. 运行官方查看器工具：

realsense-viewer

如果一切正常，你应该能看到类似如下的界面：

• 左侧是设备列表和流配置选项
• 右侧是实时图像显示区域
• 底部是帧率和其他状态信息

功能测试建议：

• 同时启用RGB和Depth流，检查图像质量
• 测试不同分辨率下的帧率表现
• 尝试保存和加载.bag格式的录制文件

如果查看器无法启动或无法识别设备，请跳转到第5章的故障排除部分。

4. 开发环境配置

成功安装驱动后，你可能还需要配置开发环境以便在自己的项目中使用RealSense相机。本节将介绍Python和C++两种常用语言的开发环境搭建。

4.1 Python开发环境

对于Python开发者，推荐使用pyrealsense2库进行开发：

1. 安装Python绑定：

pip install pyrealsense2

如果同时需要ROS支持，可以考虑使用以下命令安装完整套件：

pip install pyrealsense2[ros]

2. 验证Python绑定是否正常工作：

import pyrealsense2 as rs print(rs.__version__)

3. 基础使用示例：以下代码展示了如何获取对齐后的RGB和深度图像

import pyrealsense2 as rs import numpy as np import cv2 # 配置深度和彩色流 pipeline = rs.pipeline() config = rs.config() config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30) config.enable_stream(rs.stream.color, 640, 480, rs.format.bgr8, 30) # 启动流 profile = pipeline.start(config) # 创建对齐对象（将深度对齐到彩色） align_to = rs.stream.color align = rs.align(align_to) try: while True: # 获取帧集 frames = pipeline.wait_for_frames() # 对齐深度帧到彩色帧 aligned_frames = align.process(frames) # 获取对齐后的帧 depth_frame = aligned_frames.get_depth_frame() color_frame = aligned_frames.get_color_frame() # 转换为numpy数组 depth_image = np.asanyarray(depth_frame.get_data()) color_image = np.asanyarray(color_frame.get_data()) # 渲染图像 depth_colormap = cv2.applyColorMap( cv2.convertScaleAbs(depth_image, alpha=0.03), cv2.COLORMAP_JET ) images = np.hstack((color_image, depth_colormap)) cv2.imshow('RealSense', images) if cv2.waitKey(1) & 0xFF == ord('q'): break finally: pipeline.stop()

4.2 C++开发环境

对于C++开发者，需要配置以下环境：

1. 安装开发文件：

sudo apt-get install librealsense2-dev

2. 创建CMake项目时，在CMakeLists.txt中添加：

find_package(realsense2 REQUIRED) target_link_libraries(your_target_name realsense2::realsense2)

3. 基础使用示例：以下代码片段展示了C++中如何获取深度数据

#include <librealsense2/rs.hpp> #include <opencv2/opencv.hpp> int main() { rs2::pipeline pipe; rs2::config cfg; cfg.enable_stream(RS2_STREAM_DEPTH, 640, 480, RS2_FORMAT_Z16, 30); cfg.enable_stream(RS2_STREAM_COLOR, 640, 480, RS2_FORMAT_BGR8, 30); rs2::pipeline_profile profile = pipe.start(cfg); // 深度比例系数 float depth_scale = profile.get_device() .first<rs2::depth_sensor>() .get_depth_scale(); while (true) { rs2::frameset frames = pipe.wait_for_frames(); rs2::depth_frame depth = frames.get_depth_frame(); rs2::video_frame color = frames.get_color_frame(); cv::Mat depth_image( cv::Size(640, 480), CV_16UC1, (void*)depth.get_data(), cv::Mat::AUTO_STEP ); cv::Mat color_image( cv::Size(640, 480), CV_8UC3, (void*)color.get_data(), cv::Mat::AUTO_STEP ); // 显示图像 cv::imshow("Color", color_image); // 将深度图像转换为可视化的伪彩色 cv::Mat depth_vis; depth_image.convertTo(depth_vis, CV_8U, 255 * depth_scale); cv::applyColorMap(depth_vis, depth_vis, cv::COLORMAP_JET); cv::imshow("Depth", depth_vis); if (cv::waitKey(1) == 'q') break; } return 0; }

5. 常见问题与解决方案

即使按照指南操作，在实际部署中仍可能遇到各种问题。本章将针对最常见的问题提供解决方案。

5.1 USB识别问题

症状：

• 设备管理器中没有显示RealSense相机
• realsense-viewer无法检测到设备
• 系统日志中出现USB相关错误

解决方案：

1. 首先确认物理连接：

   • 使用原装USB线缆
   • 尝试不同的USB3.0端口
   • 避免使用扩展坞或USB集线器

2. 检查内核模块是否加载：

lsmod | grep uvcvideo

如果没有输出，需要手动加载模块：

sudo modprobe uvcvideo

3. 查看设备权限：

ls -l /dev/bus/usb/*/*

确保当前用户对设备文件有读写权限。如果没有，可以创建udev规则：

echo 'SUBSYSTEM=="usb", ATTR{idVendor}=="8086", MODE="0666"' | sudo tee /etc/udev/rules.d/99-realsense.rules sudo udevadm control --reload-rules && sudo udevadm trigger

5.2 深度图像质量问题

常见问题表现：

• 深度图像中出现大面积黑色区域（无效数据）
• 深度图像边缘出现"残影"或"黑洞"
• 深度值与实际距离明显不符

原因与解决：

1. 无效深度区域：

   • 这是立体相机的固有特性，在物体距离过近或表面缺乏纹理时会出现
   • 解决方案：调整相机与目标的距离，确保在最佳工作范围内（D435i推荐0.3-3米）

2. 边缘残影：

   • 由于左右红外相机的视场差异造成，属于正常现象
   • 可以通过软件滤波减少影响：

# 在Python中应用后处理滤波器 decimation = rs.decimation_filter() spatial = rs.spatial_filter() temporal = rs.temporal_filter() filtered_depth = decimation.process(depth_frame) filtered_depth = spatial.process(filtered_depth) filtered_depth = temporal.process(filtered_depth)

3. 深度值不准：
   • 首先进行深度校准：realsense-viewer中进入"High Accuracy"预设
   • 检查深度比例系数（通常为0.001，表示单位为米）

5.3 性能优化技巧

当需要处理高分辨率或高帧率数据时，可以考虑以下优化措施：

系统级优化：

• 关闭不必要的后台进程
• 使用性能模式电源计划：

sudo apt install cpufrequtils sudo cpufreq-set -g performance

RealSense特定优化：

1. 降低分辨率：从1080p降至720p可显著降低处理负载
2. 减少帧率：30FPS降至15FPS可节省一半处理资源
3. 启用硬件同步（需要特定型号支持）：

config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30, rs.frameset_metadata_value.frame_timestamp_domain_hardware)

4. 使用异步API避免阻塞：

pipe.start(config, callback=my_callback_function)

高级技巧：

• 对于多相机设置，建议使用同步电缆确保硬件同步
• 在ROS环境中，考虑启用enable_sync参数确保时间对齐
• 对于长时间录制，使用SSD存储并定期分割文件

6. 进阶应用与扩展

掌握了基础安装和使用后，可以进一步探索RealSense D435i的高级功能和扩展应用场景。

6.1 多相机同步

在某些应用场景（如三维重建、动作捕捉）中，可能需要使用多个RealSense相机协同工作。实现多相机系统需要注意以下要点：

1. 硬件准备：

   • 为每个相机配备独立的USB3.0控制器（建议使用PCIe扩展卡）
   • 使用同步电缆（如D435i的同步接口）实现硬件同步

2. 软件配置：

   • 为每个相机分配唯一的设备序列号
   • 设置主从模式，确保所有相机使用相同的时钟基准

# 配置主相机 master_config = rs.config() master_config.enable_device(master_serial) master_config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30) master_config.enable_stream(rs.stream.color, 640, 480, rs.format.bgr8, 30) # 配置从相机 slave_config = rs.config() slave_config.enable_device(slave_serial) slave_config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30) slave_config.enable_stream(rs.stream.color, 640, 480, rs.format.bgr8, 30) slave_config.enable_device_from_file(slave_serial, master_serial)

6.2 ROS集成

对于机器人应用，ROS（Robot Operating System）提供了完善的RealSense支持：

1. 安装ROS包（以Noetic为例）：

sudo apt-get install ros-noetic-realsense2-camera sudo apt-get install ros-noetic-realsense2-description

2. 启动相机节点：

roslaunch realsense2_camera rs_camera.launch

3. 常用ROS话题：

   • /camera/color/image_raw：RGB图像
   • /camera/depth/image_rect_raw：深度图像
   • /camera/aligned_depth_to_color/image_raw：对齐到RGB的深度图像
   • /camera/pointcloud：点云数据

4. 自定义启动文件示例：

<launch> <arg name="serial_no" default=""/> <arg name="camera" default="camera"/> <group ns="$(arg camera)"> <include file="$(find realsense2_camera)/launch/includes/nodelet.launch.xml"> <arg name="serial_no" value="$(arg serial_no)"/> <arg name="align_depth" value="true"/> <arg name="enable_pointcloud" value="true"/> <arg name="enable_sync" value="true"/> </include> </group> </launch>

6.3 点云处理

RealSense获取的深度数据可以方便地转换为三维点云，用于各种空间感知应用：

1. 实时点云生成：

# 创建点云对象 pc = rs.pointcloud() points = rs.points() while True: frames = pipeline.wait_for_frames() depth_frame = frames.get_depth_frame() color_frame = frames.get_color_frame() # 生成点云 points = pc.calculate(depth_frame) pc.map_to(color_frame) # 获取顶点和纹理坐标 v = points.get_vertices() tex = points.get_texture_coordinates() # 转换为numpy数组进行进一步处理 verts = np.asanyarray(v).view(np.float32).reshape(-1, 3) texcoords = np.asanyarray(tex).view(np.float32).reshape(-1, 2)

2. 点云可视化（使用open3d库）：

import open3d as o3d # 创建可视化窗口 vis = o3d.visualization.Visualizer() vis.create_window() # 创建点云对象 pcd = o3d.geometry.PointCloud() while True: frames = pipeline.wait_for_frames() # ...获取点云数据... # 更新点云 pcd.points = o3d.utility.Vector3dVector(verts) pcd.colors = o3d.utility.Vector3dVector(color_data) if first_frame: vis.add_geometry(pcd) first_frame = False else: vis.update_geometry(pcd) vis.poll_events() vis.update_renderer()

3. 点云处理应用：
   • 平面检测（RANSAC算法）
   • 物体分割（DBSCAN聚类）
   • 表面重建（Poisson重建）
   • 3D配准（ICP算法）

7. 实际项目经验分享

在多个RealSense相关项目中，我们积累了一些宝贵的实战经验，这些技巧往往不会出现在官方文档中，但对于项目成功至关重要。

相机标定最佳实践：

1. 自动校准：

   • 使用realsense-viewer中的"On-Chip Calibration"工具
   • 准备一个平整的墙面作为校准目标
   • 保持环境光线充足但避免直射强光

2. 手动校准：

   • 使用棋盘格标定板（建议A4尺寸）
   • 采集不同距离和角度的图像（至少20组）
   • 同时标定内外参数：

# 使用OpenCV进行相机标定 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None )

多模态数据同步技巧：

1. 硬件同步：

   • 使用D435i的IMU数据作为时间基准
   • 对于多相机系统，配置硬件触发同步

2. 软件同步：

   • 启用enable_sync选项
   • 使用时间戳对齐不同传感器数据
   • 实现自定义的同步策略：

class FrameSyncer: def __init__(self, max_delay=0.1): self.buffer = {} self.max_delay = max_delay def add_frame(self, frame_type, frame): timestamp = frame.get_timestamp() self.buffer[frame_type] = (timestamp, frame) def get_synced_frames(self): # 实现您的时间对齐逻辑 pass

性能关键型应用优化：

1. 零拷贝处理：

   • 直接访问帧数据缓冲区，避免不必要的拷贝
   • 使用rs2::frame的get_data()方法获取原始指针

2. 内存预分配：

   • 为处理流水线预先分配内存
   • 使用环形缓冲区减少动态分配

3. 多线程处理：

   • 使用生产者-消费者模式分离采集和处理
   • 为不同传感器数据分配独立线程

// C++中的多线程处理示例 std::mutex frame_mutex; rs2::frame_queue color_queue(10); rs2::frame_queue depth_queue(10); void processing_thread() { while (true) { rs2::frame color_frame, depth_frame; if (color_queue.poll_for_frame(&color_frame) && depth_queue.poll_for_frame(&depth_frame)) { // 处理同步的帧数据 } } }

长期运行的稳定性保障：

1. 自动重连机制：

   • 监控设备连接状态
   • 实现优雅的重新初始化流程

2. 温度管理：

   • 监控设备温度（通过rs2::depth_sensor::get_option(rs2_option::RS2_OPTION_ASIC_TEMPERATURE)）
   • 在高温环境下适当降低帧率或分辨率

3. 错误恢复：

   • 捕获并处理所有可能的异常
   • 实现状态检查点定期保存

def safe_capture(pipeline, max_retries=3): for attempt in range(max_retries): try: frames = pipeline.wait_for_frames(5000) # 5秒超时 return frames except RuntimeError as e: if attempt == max_retries - 1: raise pipeline.stop() time.sleep(1) pipeline.start(config)