Custom hardware architectures for embedded high-performance and low-power SLAM(一)
第二章内容总结
A brief history of SLAM
这节介绍了SLAM从最开始的SLAM的根源可以追溯到20世纪初，当时的分析方法是利用同一场景的多个视角(照片)来恢复其部分几何结构。知道最近SLAM的发展。
Principles of state of the art SLAM
这节介绍了SLAM的基本框架结构。例如Direct SLAM使用相机框架中的像素强度信息来优化姿态，这是基于两个姿态的图像校准的光度误差和一个光度梯度来指导优化。这种方法在20世纪90年代首次提出，但直到最近才具备实时运行的计算能力。
Direct semi-dense SLAM
一种半密集的SLAM算法可以生成高效但高密度的地图，并且可以在室内和室外使用，这依赖于轻便且节能的被动式单目相机传感器。在需要高端gpu和定制RGB-D摄像机传感器的密集方法和轻量级基于点的SLAM和视觉测程算法之间，它提供了一个良好的中间地带，这些算法目前是嵌入式系统的最新技术。基于这些原因，以及LSD-SLAM与其他最先进的方法相比的准确性，本文选择LSD-SLAM作为加速的最佳选择。因此，剩下的背景将集中在半致密SLAM和LSD-SLAM背后的原理，以达到与本文相关的程度。
Algorithmic overview of LSD-SLAM
SLAM的两个主要任务是跟踪和建。本节将讨论这些任务的主要输入和输出，以及它们的主要功能。LSD-SLAM中用于跟踪和建图的时候的相机帧，关键帧，算法，计算需求。
Tracking in LSD-SLAM
LSD-SLAM的基础是半密度极线跟踪，与半密度滤波深度估计算法紧密结合。跟踪的目的是恢复相机的姿态相对于世界的每一个相机帧。LSD-SLAM将观察到的世界3D点从生成的地图投射到当前的相机帧上，从而直接优化像素强度差异，这一过程称为直接全图对齐。
2.6Mapping in LSD-SLAM
在跟踪任务提供了一个姿态估计后，建图的第一步是决定映射哪些点。在SLAM文献中，对于稀疏或半稠密的SLAM，采用了不同的方法来判断点质量，通常集中在像素强度的变化表示可能的特征位置。在我们这里讨论的半密度方法中，试图建图的点是根据像素的最大梯度及其邻近点在阈值之上来选择的。具有较高局部梯度的像素被认为是很好的候选，当一个有效的地图点被成功或不成功地用于跟踪时，使用“像素有用性”度量进行跟踪，然后对其进行细化。这是一个自然的选择，因为LSD-SLAM中的半密度跟踪试图直接使用图像强度梯度来优化相机姿态估计。在这一点上应该注意到，在这些作品中也有一个潜在的假设，即观察到的世界是平滑的。
2.7Proposed Architectures and FPGA-SoCs
本文提出的体系结构是基于异构的片上系统设计的。核心思想是不同的处理器和定制硬件可以提供互补的功能。因此，一个异构的片上系统可能大于其各部分的总和。移动CPU可以提供与现有软件实现和库的灵活性和兼容性，从而增强对最新SLAM的支持。然而，这样的SLAM算法需要比任何移动CPU更高的性能水平。
相比之下，专门设计的加速单元利用了算法的特性，为应用程序的性能关键部分提供了更节能的平台，从而显著提高了计算性能。在与CPU相同的芯片中实现，由于物理上的接近，加速器与CPU之间通信的延迟和能量成本被降到最低，这使得以更细的粒度和更有效的方式进行协作成为可能。同时，当在相同的内存空间中运行时，这种协作将更有效，因为可以访问相同的片外资源，比如一个片外DRAM。例如，一个设计良好的DRAM控制器将提高所有来源的内存流量的效率。此外，CPU缓存与加速器中的自定义内存的接近性提供了实现一致性协议的机会，从而实现共享数据的低延迟同步。
2.8 Related Work
介绍了SLAM实时方面最近一些比较先进的方法