《Microprocessors and Microsystems》：Towards an embedded architecture based back-end processing for AGV SLAM applications
编辑推荐：
地方识别在SLAM中通过双目相机的多模态几何描述符实现，利用环境结构信息提升抗光变能力，并在GPU/FPGA上优化并行计算，嵌入式系统实时性能达4-10倍加速，KITTI和自建数据集验证效果优于SOTA方法。
穆罕默德·查加夫（Mohammed Chghaf）|塞尔吉奥·罗德里格斯·弗洛雷斯（Sergio Rodríguez Flórez）|阿卜杜勒哈菲德·埃尔·奥瓦迪（Abdelhafid El Ouardi）
SATIE实验室，巴黎萨克雷大学（Université Paris-Saclay），巴黎萨克雷高等师范学院（ENS Paris-Saclay），法国国家科学研究中心（CNRS），地址：Av. des Sciences Batiment 660, Gif-sur-Yvette, 91190, 法国
摘要
地点识别在自动驾驶汽车的同步定位与地图构建（SLAM）过程中起着关键作用。随着时间的推移，运动估计容易累积误差，从而导致定位偏差。通过地点识别系统准确识别先前访问过的区域，可以实时纠正这些偏差。基于环境结构特征进行地点识别通常对光照变化具有更好的适应性，而使用基于特征的描述符时可能会出现识别错误。然而，目前的研究主要集中在使用深度传感器来实现这一目标。受基于激光雷达（LiDAR）方法的启发，我们提出了一种跨模态几何描述符，该描述符利用了立体相机获取的结构信息。
利用这种描述符，我们可以通过关注来自3D视觉系统的场景结构特征来实现实时地点识别。我们在KITTI数据集和自收集的数据集上的实验表明，所提出的方法与最先进的方法相当，同时成本较低。我们研究了算法的复杂性，并提出了针对GPU和FPGA架构的优化并行化方案。在不同硬件平台（Jetson AGX Xavier和Arria 10 SoC）上的性能评估显示，该方法满足了嵌入式系统的实时需求。与CPU实现相比，处理速度提高了4到10倍，具体取决于硬件架构。
