伦敦帝国理工学院，爱丁堡大学，曼彻斯特大学和斯坦福大学的一大批研究人员最近合作开展了一个项目，探索机器人，自动驾驶汽车，虚拟现实(VR)的实时定位和绘图工具的应用。 )和增强现实(AR)。他们的论文发表在arXiv和IEEE会议论文集上，概述了评估同时定位和映射(SLAM)算法的方法的开发，以及许多其他有趣的工具。
“我们的工作目标是将计算机视觉，硬件和编译器社区的专家研究人员聚集在一起构建未来的机器人，VR / AR和物联网(IoT)系统，”研究人员在一封电子邮件中告诉Tech Xplore。“我们希望建立强大的计算机视觉系统，能够以非常低的功率预算感知世界，但具有所需的准确度;我们对每焦耳度量的感知感兴趣。”
参与该项目的研究人员将他们的技能和专业知识结合起来，组装了提供SLAM所需的算法，架构，工具和软件。他们的发现可以帮助那些在各个领域应用SLAM来选择和配置能够达到最佳性能，精度和能耗水平的算法和硬件。
“该项目的一个重点是跨学科研究的想法：将来自不同领域的专家聚集在一起可以实现其他方面无法实现的发现，”研究人员说。
SLAM算法是可以构建或更新未知环境的地图，同时跟踪特定代理在其中的位置的方法。该技术可以在许多领域中具有有用的应用，例如在自动驾驶车辆，机器人，VR和AR的开发中。
在他们的研究中，研究人员开发并评估了几种工具，包括编译器和运行时软件系统，以及SLAM的硬件架构和计算机视觉算法。例如，他们开发了基准测试工具，允许他们选择合适的数据集并用它来评估SLAM算法。
本文的目的是创建一个管道，使计算机视觉要求与硬件功能保持一致。本文的重点是三层：算法，编译器和运行时，以及架构。我们的目标是开发一个系统，使我们能够在每一层实现功率和能源效率，速度和运行时间改进，精度/稳健性，并通过设计空间探索和机器学习技术全面实现。图片来源：Saeedi等。
例如，他们使用名为SLAMBench的应用程序来评估几个硬件平台上的KinectFusion 算法，并使用SLAMBench2来比较不同的SLAM算法。研究人员还扩展了KinectFusion算法，使其可用于机器人路径规划和导航算法; 映射环境中的占用空间和自由空间。
“这个项目非常广泛，因此，研究结果非常多，”研究人员说。“例如，我们已经展示了实际应用，其中近似计算可以在实现每焦耳感知方面发挥重要作用，例如为智能手机开发的SLAMBench应用程序。近似计算是完成具有给定可接受误差的计算任务的想法，因此产生一个近似的解决方案。“
该项目探索了新传感技术的使用，例如焦平面传感器处理器阵列，它们被发现具有低功耗和高帧速率。此外，它研究了静态，动态和混合程序调度方法在多核系统上的应用，特别是对于KinectFusion算法。
“我们的研究已经在许多领域产生了影响，例如机器人，VR / AR和物联网，这些领域的机器始终处于开启状态，能够以合理的精度进行通信和执行任务，不会中断，功耗极低， “研究人员说。
这个综合项目已经产生了一些重要的发现，并且开发了可以在很大程度上促进SLAM在机器人，VR，AR和自动驾驶车辆中实施的新工具。
该研究还在硬件设计方面做出了许多贡献，例如，开发用于定位和评估本机和托管应用程序中的性能瓶颈的分析工具。研究人员提出了一个完整的工作流程，用于为计算机视觉应用创建硬件，可以应用于未来的平台。
“我们现在将利用我们的研究结果建立机器人和VR / AR的集成系统，” 研究人员说。“例如，斯坦福大学的Luigi Nardi博士正在继续他的研究，将类似的概念应用于深度神经网络(DNN)，即优化硬件和软件以有效地运行DNN，而伦敦帝国理工学院的Sajad Saeedi博士正在寻找替代方案模拟技术，如焦平面传感器处理器阵列(FPSP)，允许DNN以非常高的帧速率运行，订购量为1000s FPS，适用于永远在线的设备和自动驾驶汽车。“