眾所周知，傳感器在配合使用時效果最佳。對于同步定位與地圖構建 （SLAM） 來說更是如此。SLAM 在 AR/VR 領域扮演著重要的角色，可以根據用戶的姿勢調整場景，避免無人機或機器人這樣的應用在使用過程中的碰撞，用途廣泛。SLAM市場預計到2023年將增長至4.65億美元，年復合增長率為36%，為大多數開發者提供了絕佳機遇。在手機上將 SLAM 應用于室內導航可能會在規模龐大的基礎平臺市場中占據主導地位。GPS 不能在室內工作，基于信標的導航只能在具有信標基礎設施的區域工作。而 SLAM 則可以在任何提供室內地圖的地方工作，符合大多數樓宇自控管理系統的低成本期望。將該區域的場景與用戶在該區域行走時的姿勢和運動融合到了一起，使得在此處應用 SLAM 成為了應用傳感器融合的絕佳示例。

 

 

我將首先描述如何在我們的 CEVA SensPro Sensor Hub DSP 硬件的基礎上，結合我們的 SLAM 和 MotionEngine 軟件模塊，集成并測試這個解決方案，以調節和管理運動輸入。我們需要一個攝像頭和慣性測量傳感器，一個 CPU 和 DSP 。我們將 CPU 用來承載MotionEngine 和 SLAM 框架，并用 DSP 來執行 SLAM 算法來減輕任務負擔。

 

為了更簡單的解釋，我將首先從 OrbSLAM 算法開始，這是一種廣泛使用的執行開放源代碼的算法。它將執行三個主要功能。跟蹤做（視覺的）逐幀注冊，并在當前地圖上定位新的幀。構圖將點添加到地圖，并通過創建和求解一組復雜的線性方程進行局部優化。循環閉合通過在返回到曾經到達過的點上進行修正來進行全局優化。這是通過求解一組大型線性方程式來實現的。

 

其中一些功能可以非常有效地運行在CPU內核的主機應用程序內，同時還有你的應用程序所特有的控制和管理功能。某些功能必須在 DSP 處理器中運行才實用或獲得競爭優勢。例如，跟蹤在可能在CPU 中管理 1 幀/秒 （fps），其中特征提取占算法運行時間的 40%。相比之下，DSP 實現可管理 30幀/秒 （fps），這種分辨率對于視頻和 IMU 之間的細粒度關聯非常重要。

 

這種優勢的原因很容易理解。DSP 實現提供了非常高的并行處理能力，提供定點數/浮點數支持，這在跟蹤和求解線性方程中至關重要。此外，還有一個特殊指令集來加速特征提取。主機和 DSP 之間的簡單鏈接可以將 DSP 看作加速器，從而將密集型計算分流到 SensPro。

 

我們提供了兩個關鍵組件：使用 CEVA-SLAM SDK 產品的視覺SLAM 和 CEVA MotionEngine 軟件，該軟件可以非常精確地處理六個自由度中的三個自由度的IMU輸入。IMU 和視頻信息的融合取決于迭代算法，該算法通常是根據應用要求定制的。最后一步將視覺數據與運動數據聯系起來，以生成精確的定位和映射估計值。  CEVA 提供成熟的視覺SLAM 和 IMU MotionEngine軟件作為開發融合算法的堅實基礎。構成這樣的算法密集型功能將在DSP上運行最快，比如我們的SensPro2平臺。

 

 

構建原型平臺后，將如何去測試？有多個 SLAM 數據集可用。Kitti 就是其中一個，EuroC 是另一個。在下面的例子中，我展示了 OpenCV 的實現與我們的 CEVA-SLAM SDK 實現的精度比較。您會想對您的產品做類似的分析。