为嵌入式系统简化视觉SLAM开发

同步定位与建图（SLAM）技术使设备（无论是机器人、无人机还是自动驾驶汽车）能够实时构建周围环境地图，同时确定自身在该地图中的位置。SLAM可通过多种算法和传感器实现，包括摄像头、激光雷达、声纳、雷达和惯性测量单元（IMU）。

视觉SLAM的核心优势

低成本、紧凑型摄像头的普及使单目视觉SLAM成为众多机器人的首选方案，应用范围涵盖火星探测器、农业作业机器、配送无人机到城市自主平台。视觉SLAM在GPS信号受阻或衰减的环境中表现出色，如室内仓库或高楼林立的城市中心。

直接法与特征法SLAM对比

所有视觉SLAM系统都通过跟踪连续相机帧间的点来三角测量其三维位置，同时估计相机位姿，并持续最小化重投影误差——即投影特征位置与实际位置的差异。主要区别在于图像信息的使用方式。

直接法SLAM对比整幅图像，提供丰富的环境细节，但计算负载较高。特征法SLAM（本文重点）提取图像中的显著特征——角点、斑点等显著点，仅依赖这些特征进行位姿估计。尽管特征法丢弃部分图像数据，但它提供了更简单、更快速、更节能的解决方案，特别适合嵌入式硬件。

图1：直接法与特征法SLAM对比（来源：https://vision.in.tum.de/research/vslam/lsdslam）

视觉SLAM工作流程

特征法SLAM包含四个关键阶段：1）特征提取，2）特征描述，3）特征匹配，4）回环检测。这些阶段建立在一组成熟的基础模块之上，可适配多种SLAM实现。

特征提取

特征提取将图像提炼为一组简洁的显著点——角点、边缘、斑点及门窗等复杂结构，并以紧凑向量表示。常用算法包括高斯差分（DoG）和快速实时的FAST9角点检测器。

图2：SLAM特征提取（来源：https://medium.com/towards-artificial-intelligence/oriented-fast-and-rotated-brief-orb-1da5b2840768）

特征描述

定位特征后，将周围像素块转换为描述子——一种可与其他描述子比较的紧凑表示。ORB和FREAK是广泛使用的描述子算法，在独特性与计算效率间取得平衡。

特征匹配

通过计算位向量间的汉明距离匹配连续帧的描述子。该指标可利用硬件上的XOR和pop-count操作高效计算，即使在资源受限设备上也能实现快速匹配。

回环检测

回环检测识别系统重访先前位置的时刻。通过在非相邻帧间引入约束，大幅减少累积漂移。最先进的回环技术包括捆绑调整、卡尔曼滤波和粒子滤波。

特征法SLAM特别适合嵌入式方案，提供更快处理速度、更低内存占用，并在光照变化、运动模糊和遮挡等条件下保持鲁棒性能。具体算法选择取决于应用的地图类型、传感器套件、精度要求及其他约束。

实现挑战

视觉SLAM的计算密度可能压垮传统CPU，推高功耗并限制帧率。专用视觉处理单元（VPU）如CEVA-XM6提供加速视觉任务所需的专用架构，具备低功耗、强大ALU、高吞吐内存访问和专用图像处理指令。

图3：CEVA XM6视觉处理单元（来源：CEVA）

即使有VPU，开发者仍面临挑战：为特征匹配、捆绑调整等线性代数密集型操作编写高效代码；管理内存布局避免昂贵的非连续访问；以及将VPU与主机CPU集成。高层库和优化例程对于释放VPU全部潜力至关重要。

利用CEVA-SLAM SDK加速开发

CEVA-SLAM SDK是一个综合工具链，将CEVA-XM6硬件与丰富的视觉库相结合。它提供特征检测、描述子提取、匹配、捆绑调整和线性代数运算的预优化例程。独特的并行加载指令解决非连续内存访问问题，专用汉明距离指令加速匹配。

图4：CEVA SLAM SDK（来源：CEVA）

在基准实现中，SDK实现了60 fps的SLAM跟踪，功耗仅86 mW——这是通用CPU难以达到的性能水平。

结语

视觉SLAM正迅速成为自主机器人、无人机和智能车辆的基石技术。随着嵌入式部署增加，编码效率和功耗成为决定性因素。虽然VPU卸载繁重视觉工作负载，但开发高性能、低功耗SLAM仍非易事。利用CEVA-SLAM SDK等专用工具包，开发者可加快上市时间，交付可靠、节能的SLAM解决方案。