SLAM（同步定位與建圖）對移動機器人和VR/AR耳機等應用至關重要，這些應用通常都是在室內進行的，而GPS或慣性測量裝置要么無效，要么不夠精確。SLAM是一個雞生蛋還是蛋生雞的問題，在這個問題中，系統需要映射它的環境來確定它在該環境中的位置和姿勢，而姿勢反過來又影響映射。今天有多種方法來做SLAM的傳感，其中經常會聽到的是激光雷達作為主要的傳感輸入。

但是激光雷達價格昂貴，即使對于新興的固態激光雷達來說也是如此，因此它仍然不適用于VR/AR。可以用于倉庫自動化的工業機器人經常被忽視的一個問題是，概念看起來很好，但目前的成本仍然過高。據說沃爾瑪訂購了兩個這樣的機器人，每個25萬美元，它們甚至可以用來構建倉庫地圖，但并不能幫助擴大規模。實際的系統顯然必須在售價、維護和停機時間上更便宜。

降低成本的一部分需要轉向低成本、低功耗的傳感和快速、低功耗的SLAM計算。傳感可能是一個簡單的單目或RGBD相機，因此這成為基于視覺的SLAM，這似乎是當今最流行的方法。對于SLAM算法本身，最著名的參考文獻是ORBSLAM，它毫無疑問是為CPU平臺設計的。這款軟件在計算上非常昂貴，想象一下，在改進3D地圖的同時，你在檢測不斷變化的場景中的特征時，需要進行的所有數學運算和迭代。這就會產生相當高的功耗和較低的有效幀速率。換句話說，除非機器人移動得不是很快，否則電池的使用壽命不會很長，映射也不是很靈敏。

SLAM有三個主要組件：跟蹤、映射和循環閉包。跟蹤估計相機的位置和方向，這必須是實時響應，以支持高幀速率（例如30FPS或60FPS）。該組件在很大程度上依賴于圖像處理和特征檢測、描述和匹配的定點操作（將新幀中的特征與參考幀中的特征進行比較）。特征可以是桌子的邊緣、柱子、門或類似的物體，甚至是在地板或天花板上為這個目的而做的獨特的標記。

然后映射估計這些特征點的三維位置；如果機器人移動了或者場景改變了，可能需要在地圖上添加點，并且還會細化現有的點。這里的計算必須是實時的，但不一定是每一幀，并且主要是使用浮點數據類型的大量轉換（線性代數）。

在第三步，循環閉包中，需要返回到之前的一個位置，按照構建的映射原則應該顯示在相同的位置。這是一個糾正錯誤的過程，這就需要大量的計算。早期的步驟是概率性的，因此可能會有誤差和錯誤檢測。循環閉包是減少錯誤和細化映射的一個過程。這個階段還主要依賴浮點計算。

所以需要快速的圖像處理并提供30或60FPS的定點數學，大量的浮點線性代數，以及更強大的浮點數學。而且VR/AR和倉庫機器人需要低功耗。但是在CPU或CPU集群中都不能這樣做。或許GPU可以，但會比較費電。可以解決這個問題的自然架構是DSP。矢量DSP非常適合這種圖像處理，但是通用的解決方案使用起來很有挑戰性。

這是因為其中很多工作都是在捕獲的（2D）圖像的特性周圍使用小補丁。這些補丁不太可能很好地將自己定位到內存中的連續位置，因此它們對矢量不友好。因此對這些特性的操作變成稀疏矩陣操作對向量也不友好。這意味著傳統的基于緩存的優化方法就起不了作用了。我們需要一種使用本地內存的特定于應用程序的方法來確保訪問的延遲接近于零，這需要基于對應用程序需求的理解精心設計DMA預取。

這是可行的，但是由于本地內存是有限的，我們必須小心分割圖像，這可能導致需要處理的對象之間重疊，從而增加DDR流量。而且與CPU的協調增加了挑戰，包括與CPU虛擬內存共享內存、管理數據傳輸以及CPU和DSP之間的控制、同步和監視。

CEVA在其應用程序開發工具包（Application Developer Kit， ADK）中添加了一個SLAM SDK，用于成像和計算機視覺，旨在與其CEVA- xm和NeuPro處理器一起運行。SLAM SDK支持CPU接口，允許將重型SLAM構建塊卸載到DSP。提供的塊包括特征檢測、特征描述符和特征匹配、線性代數（矩陣操作和方程求解）、用于束調整的快速稀疏方程求解等。

ADK還包括一個基于OpenCV的函數的標準庫CEVA – VX，它可以管理系統資源需求，包括那些棘手的數據傳輸和DMA優化，以優化內存帶寬和功率，以及用于DSP的RTOS和調度器，用于抽象和簡化CPU-DSP接口。

責任編輯：ct