RT-FLOW：基于实时光流技术的SLAM在FPGA上的实现，用于高速跟踪和高质量地图构建

《IEEE Transactions on Circuits and Systems I: Regular Papers》：RT-FLOW: FPGA Implementation of Real-Time Optical-Flow-Based SLAM for High-Speed Tracking and High-Quality Mapping

SLAM加速器设计；FPGA实现；光学流计算；实时环境建模；异构混合精度优化

　　

摘要：

同时定位与地图构建（SLAM）对自主机器人技术至关重要，但基于特征的SLAM系统在处理环境信息稀疏性和动态条件下的鲁棒性方面存在挑战。基于光流法的SLAM（OpF-SLAM）通过利用像素级别的运动数据来实现高精度地图构建，从而克服了这些限制；然而，其较高的计算复杂度阻碍了实时应用。本文介绍了RT-FLOW，这是一种基于FPGA的OpF-SLAM加速器，通过三项关键技术创新实现了实时性能：1) 一种特征-上下文编码引擎，该引擎利用帧间相似性来解决相关性构建中的数据依赖性问题，将延迟降低了77.5%；2) 一种异构混合精度光流更新引擎，该引擎根据相关性稀疏性进行优化，使得光流计算速度提高了3.7倍，同时准确度损失可忽略不计；3) 一种无需旋转的线性求解器，采用Householder变换实现稳定姿态优化。RT-FLOW运行在Xilinx XCZU7EV FPGA上，每帧能够处理全图像像素，帧率为65 fps，能耗仅为0.358 μJ/像素，优于之前的FPGA设计。在基准数据集上的测试表明，RT-FLOW在多种环境中表现出良好的鲁棒性，同时保持了每帧低于110 mJ的能耗。这项工作弥合了算法潜力与硬件可行性之间的差距，为下一代移动机器人提供了实时场景理解能力。

引言

对能够进行精确导航和实时环境交互的自主机器人的需求推动了同时定位与地图构建（SLAM）技术的发展[1]、[2]、[3]、[4]、[5]、[6]、[7]、[8]。SLAM在自动驾驶汽车、无人机、增强现实和工业自动化等领域发挥着关键作用。SLAM的主要挑战在于在动态复杂环境中同时估计机器人的姿态并重建周围环境地图，这需要较高的计算效率和鲁棒性。