基于 1D CNN 神经网络的 2D 激光雷达 SLAM

SLAM Demo

carla_nn_scan_matching 是一个完全基于神经网络的 SLAM 前端模块。它使用 1D CNN 处理连续两帧 2D 激光雷达（LaserScan）数据，预测它们之间的相对位姿（Scan Matching），从而彻底摆脱对仿真器“上帝视角”真值坐标的依赖，实现真正的定位与建图。

差异化说明：现有部分 Carla SLAM 方案直接读取仿真器的真实坐标来建图。本模块实现了真正的 Neural Scan Matching，神经网络仅通过雷达数据就能推算出小车的运动轨迹并完成建图。

功能模块

  • lidar_simulator.py：生成虚拟的 2D 环境和 LiDAR 扫描数据（10Hz）。
  • nn_odometry.py：加载 1D CNN 模型，订阅 /scan，输出相对位姿并发布 /odom 和 TF 变换。
  • mapper.py：订阅 /scan 和 /odom，实时维护并发布二维占据栅格地图（/map）。
  • src/model.py：1D CNN 模型定义。
  • src/train.py：合成数据生成与模型训练脚本。

神经网络原理

网络输入为两帧连续的 360 维雷达极坐标数据，拼接成 (2, 360) 的矩阵。 网络结构： - 1D 卷积层 × 2（提取局部特征） - 最大池化层 × 2 - 全连接层 × 2 - 输出层：3 维向量 (dx, dy, dtheta)，代表相对位移和旋转角。

损失函数：均方误差（MSE）。

编译与运行

1. 编译

mkdir -p ~/carla_nn_slam_ws/src
cd ~/carla_nn_slam_ws/src
ln -sfn ~/ros2/src/ground/carla_nn_scan_matching carla_nn_scan_matching
cd ~/carla_nn_slam_ws
source /opt/ros/noetic/setup.bash
catkin_make
source devel/setup.bash

2. 运行 SLAM（自带预训练权重）

conda activate carla38
source /opt/ros/noetic/setup.bash
source ~/carla_nn_slam_ws/devel/setup.bash
roslaunch carla_nn_scan_matching main.launch

3. RViz 查看建图效果

新开终端运行 RViz：

source /opt/ros/noetic/setup.bash
source ~/carla_nn_slam_ws/devel/setup.bash
rosrun rviz rviz

将 Fixed Frame 设置为 odom，添加 Map (话题: /map) 和 LaserScan (话题: /scan) 即可看到实时建图效果。

已知限制与改进方向

由于本模块仅实现了 SLAM 的前端（Scan Matching），未加入后端位姿图优化与回环检测（Loop Closure），因此长时间运行后会产生累积误差（漂移），导致建图出现重影或扭曲。这属于纯里程计的正常现象。后续可通过引入回环检测模块来消除累积误差。

环境依赖

  • Ubuntu 20.04 + ROS Noetic
  • Python 3.8 + PyTorch 2.0.1 + NumPy