Socionext Inc. 與Takayuki Okatani 教授領導的日本東北大學研究小組合作,開發了一種新方法,可以減少 SLAM(同步定位和映射)所需的處理時間, 這對於執行自主控制的設備至關重要,時間僅為傳統技術所需時間的 1/60。這種新方法使得在一些CPU 性能有限以及功耗有限的邊緣設備的 SoC進行高級 SLAM 處理成為可能,例如自動駕駛汽車、AGV(自動導引車)、機器人、無人機和其他執行自主的設備控制,以及諸如 AR(增強現實)眼鏡之類的設備。
該研究工作已被 ICCV(計算機視覺領域最負盛名的會議之一)接受為演講報告。 這種新方法在 10 月 11 日至 17 日在線舉行的ICCV 2021會議上進行了介紹。
根據用於獲取物體周圍 3D 信息的傳感方法,SLAM 可以分為兩種主要類型。 一種是 LiDAR(光探測和測距),它使用雷射測量距離。 另一種是Visual SLAM,它使用相機圖像。 視覺 SLAM 正在顯著發展,因為所使用的相機相對便宜,並且除了同時定位之外,還可以將該方法與使用圖像識別的各種控制過程相結合,從而可以期待許多應用。
近年來,隨著深度學習的引入,圖像識別技術取得了顯著的進步,深度學習的應用成為了視覺SLAM演進的重要因素。 然而,基於特徵點和相機方向優化地標的未知 3D 信息的束調整(BA)所需的大量計算是傳統方法的瓶頸。 對於 CPU 處理能力有限的邊緣型 SoC 設備,這會使實際處理變得困難。
(圖1)
為了應對這一挑戰,研究團隊提出了一種使用「圖網絡(GN)"[1] (一種圖神經網絡)通過推理進行近似計算的方法。 新方法包括從 GN block輸入的關鍵幀和地標信息中推斷更新信息(圖 2),並通過多堆棧 GN 結構收斂到最終值(圖 3)。 與使用傳統 Levenberg-Marquardt 方法的標準束平差相比,這些使得推理處理所需的計算量更少。
(圖2)
(圖3)
研究團隊使用這種新的推理方法實現了 Visual SLAM 捆綁調整,並將其與當今廣泛使用的方法「g2o」[2]進行了比較。 PC 仿真結果證實,與 g2o 相比,新方法可以將處理時間縮短至 1/60。(圖 4)
(圖4)
Socionext 將從這項研究工作中積累經驗,並將 Visual SLAM 技術確立為公司定製 SoC 解決方案的產品之一。 該公司將為工業設備和移動等需要圖像識別領域的客戶系統提出創新的性能改進方案。 此外,公司將繼續研發通過新的推理方法提高處理效率,並將其使用擴展到圖像識別以外的新客戶應用。
作者:
Tetsuya Tanaka, Yukihiro Sasagawa from Socionext, and Takayuki Okatani from Tohoku University
主題:
Learning to Bundle-adjust: A Graph Network Approach to Faster Optimization of Bundle Adjustment for Vehicular SLAM
注釋:
[1] 「關係歸納偏差、深度學習和圖網絡」來源自: https://github.com/deepmind/graph_nets, Battaglia et al.
[2] 「G2o: 圖形優化的通用框架」
來源自: 2011 IEEE International Conference on Robotics and Automation, Kmmerle et al.
關於Socionext Inc.
Socionext Inc.是一家全球性創新型企業,其業務內容涉及片上系統(System-on-chip)的設計、研發和銷售。公司專注於以消費、汽車和工業領域為核心的世界先進技術,不斷推動當今多樣化應用發展。Socionext集世界一流的專業知識、經驗和豐富的IP產品組合,致力於為客戶提供高效益的解決方案和客戶體驗。公司成立於2015年,總部設在日本橫濱,並在日本、亞洲、美國和歐洲設有辦事處,領導其產品開發和銷售。
本新聞稿中提及的所有公司或產品名稱均為其各自所有者的商標或註冊商標。以上發布的信息為截止發稿時的 信息,日後若發生變更,恕不另行通知,敬請諒解。