Docker
Docker将一个应用与其整个用户空间环境——操作系统库、编译器、Python版本、CUDA工具包——打包进一个容器镜像中，使其能在任何Linux主机上以相同的方式运行。对SLAM工作而言，这解决了该领域中最常见的一个实际困扰：研究代码只能在某一特定组合的Ubuntu、OpenCV、Eigen、Ceres和ROS版本下构建。
一个典型的SLAM Dockerfile会精确固定这样的组合：
FROM ros:humble
RUN apt-get update && apt-get install -y \
libeigen3-dev libopencv-dev libceres-dev \
&& rm -rf /var/lib/apt/lists/*
COPY . /ws/src/my_slam
RUN cd /ws && . /opt/ros/humble/setup.sh && colcon build而一个典型的开发用run调用则结合了你几乎会用到的所有标志：
docker build -t my_slam .
docker run -it --rm \
--gpus all \ # NVIDIA Container Toolkit：在容器内使用GPU
-v ~/data:/data \ # 数据集存放在主机上
-v $(pwd):/ws/src/my_slam \ # 从主机实时编辑源代码
-e DISPLAY=$DISPLAY \
-v /tmp/.X11-unix:/tmp/.X11-unix \ # 用于可视化工具的X11转发
--network host \ # 跨主机/容器的ROS发现机制
my_slam bash需要熟悉的关键概念：
- 镜像（images）与容器（containers）——镜像是冻结的配方/结果；容器是运行中的实例。
docker build、docker run、docker exec涵盖了日常大部分用法。 - 数据卷（volumes）——从主机挂载数据集和源代码，使容器保持可随时丢弃，而数据得以持久保存。
- GPU访问——NVIDIA Container Toolkit（
--gpus all）将主机GPU暴露给容器内部，这是在容器中运行学习式前端和CUDA加速建图的方式。 - GUI/X11转发——SLAM可视化工具（Pangolin、RViz）需要显示转发（上面的
DISPLAY/X11套接字组合，通常还需要在主机上执行xhost +local:），这是一个众所周知、值得学习一次就能掌握的Docker摩擦点。 - 层缓存（layer caching）——按照从最不频繁变化到最频繁变化的顺序排列Dockerfile步骤，这样代码编辑后的重新构建只需几秒钟，而不是重新编译OpenCV耗时一小时。
- 硬件设备——实时摄像头或IMU需要显式的直通（
--device /dev/video0），这是容器少数会接触物理机器人的地方之一。
超越基础
- **多阶段构建（multi-stage builds）**将沉重的构建镜像（编译器、
-dev软件包）与精简的运行时镜像分离——这是将感知栈部署到机器人上的常见模式。 - docker compose以声明式方式描述多容器配置：一个SLAM节点、一个可视化容器、一个数据集/bag播放器组成一个可复现的整体栈。
- 跨架构构建（
docker buildx）可以在x86工作站上构建ARM镜像——这是桌面构建的镜像如何送达Jetson类机器人的方式。 - 开发容器（Dev containers）（VS Code及类似工具）让你的编辑器、调试器和智能提示能够在固定的环境内部运行，消除了”能在Docker中构建”和”能在我的IDE中构建”之间的最后一点不一致。
在实践中，几乎每一个严肃的开源SLAM仓库现在都会附带一个Dockerfile，复现一篇论文的结果通常从docker build开始。Docker也是大规模评估SLAM的方式：CI流水线在容器内运行数据集基准测试，机器人也越来越多地将感知栈以容器形式部署，以实现干净的更新和回滚。
常见陷阱
- 在挂载卷上、容器内部创建的文件归root所有；请使用
--user $(id -u):$(id -g)运行，或在镜像中修正所有权。 - 忘记加
--network host（或正确配置DDS）会导致容器内外的ROS 2节点彼此不可见。 - 在镜像中残留apt缓存和构建目录会导致数GB级别的膨胀；应在同一个
RUN层内清理。 - 容器隔离的是依赖，而不是物理规律：它本身并不能改善时序确定性，也不会赋予实时调度能力。
对SLAM的意义
SLAM系统的依赖栈素来庞大而脆弱（特定版本的OpenCV/Eigen/Ceres/ROS在不同项目间相互冲突）。Docker让你能在同一台机器上共存ORB-SLAM3、VINS-Fusion和一个基于PyTorch的前端，而不会让它们的依赖相互打架，能让你自己的研究对他人可复现，并且是CI基准测试和真实机器人部署的标准打包单元。