1物聯網導論IntroductiontoInternetofThingsSLAM空間智能計算#3BABA6#2C71B62內容回顧介紹了低功耗廣域網中代表性技術LoRa在傳輸性能提升、參數最優化配置、無源低功耗廣域網以及定位感知等方面的最新研究進展，展示了LoRa技術在實現大規模泛在物聯網系統上的巨大潛力前一章3本章內容SLAM核心算法與框架經典SLAM系統SLAM遇上AIoT：算法、算力與平臺16.116.216.34什么是SLAM？SLAM=SimultaneousLocalizationandMapping車輛自動駕駛機器人路徑規劃無人機飛行控制ARKit&ARCore即同時定位與建圖已成為眾多應用與產品的核心支撐算法5什么是SLAM？環境建模任務+位置運動計算SLAM=SimultaneousLocalizationandMapping同時定位與建圖不需要環境先驗信息于運動中建立環境的模型，同時估計自己的位置什么是環境？路標點的集合什么是運動？幀間6DoF的位姿變換慣性傳感器無線傳感器視覺攝像頭設備搭載特定傳感器6SLAM基本框架主要包含五大部分傳感器信息讀取前端視覺里程計后端（非線性）優化全局回環檢測建圖SLAM基本框架攝像頭輸入：相機與本體感受器7單目（Monocular）：稀疏點云，尺度不確定IMU（慣性傳感器）直接獲取相機的位姿變化，為視覺觀測提供先驗信息稠密點云，范圍窄、噪聲大、易受干擾稀疏點云，計算復雜，標定復雜雙目（Stereo）：深度（RGB-D）：SLAM基本框架根據相鄰圖片確定相機運動前端：視覺里程計8前后幀特征點提取并匹配根據匹配關系求解相機位姿變換缺點：容易出現誤差累計漂移SLAM基本框架處理SLAM過程中的噪聲問題，并優化路標點位置后端：非線性優化9濾波求解BA（bundleadjustment）問題非線性優化、圖優化指標：最大后驗概率估計優化前優化后優化相機位姿并刪除部分冗余地圖點SLAM基本框架讓機器人具有識別曾經到達過場景的能力全局：回環檢測10判斷圖像之間的相似性一旦發生回環：優化相機當前位置從全局角度對之前建立的地圖進行優化校正SLAM基本框架建圖2D拓撲地圖(稀疏)柵格地圖(稠密)3D點云地圖(稠密)網格地圖(稠密)12本章內容SLAM核心算法與框架經典SLAM系統SLAM遇上AIoT：算法、算力與平臺16.116.216.1ORB-SLAMORB-SLAM[1]是現代SLAM系統中做得最完善、最易用的幾個系統之一，也是工業界二次開發最廣、使用最多的SLAM框架13使用ORB特征點進行前端視覺里程計，具有良好的追蹤魯棒性包含Tracking,LocalMapping,LoopClosing三個線程[1]MUR-ARTALR,MONTIELJMM,TARDóSJD.ORB-SLAM:AVersatileandAccurateMonocularSLAMSystem[J].IEEETR,2015,31(5):1147-1163.LSD-SLAM區別于基于視覺特征點的方法，LSD-SLAM[1]標志著單目直接法在SLAM中的成功應用14直接法：系統直接對連續兩幀圖片的每一像素進行運動估計與匹配遍歷的方式會帶來一定的計算開銷，但計算量相比于提取大量的視覺特征點降低了很多，并且可以創建場景的稠密地圖[1]GAOX,WANGR,DEMMELN,etal.LDSO:DirectSparseodometrywithloopclosure[C]//IROS2018.NewYork:IEEE,2018:2198-2204.15本章內容SLAM核心算法與框架經典SLAM系統SLAM遇上AIoT：算法、算力與平臺16.116.116.3SLAM與AIoT16傳感設備的多元化AIoT為SLAM技術發展帶來了新的機遇與挑戰運算節點的輕量化運算節點的輕量化多模態異構數據有效融合算法因此亟需面向低算力輕量級節點的系統優化多機協同后端優化與任務管理平臺多模態異構數據有效融合算法視覺與慣性傳感器的融合17視覺+IMU的視覺-慣性里程計（VIO）IMU測量物體的運動角速度與加速度，提供先驗信息如今的AR框架如ARCore與ARKit背后的支撐技術均為視覺-慣性里程計[1]XUJ,CHIG,YANGZ,etal.FollowUpAR:Enablingfollow-upeffectsinmobileARapplications[C]//MobiSys2021.NewYork:ACM,2021:1-13視覺與外源感受器的融合視覺與激光雷達、毫米波雷達等外源感受器的融合實現更高精度的定位與建圖最近工作[1]提出了融合移動設備上視覺與毫米波雷達進行環境中物體位姿追蹤的方案，賦予AR框架渲染隨動特效的能力面向輕量節點的系統優化更輕量級的視覺特征18使用點-線融合特征代替視覺特征點減少視覺特征點（如SIFT，ORB）等提取時高昂的算力開銷后端使用濾波器等框架代替非線性優化模型節約計算成本缺點以犧牲定位與建圖精度為代價面向輕量節點的系統優化邊緣節點輔助的移動端實時SLAM系統19最近工作[1]在系統中引入邊緣節點的算力輔助將資源開銷較高但實時性要求不高的后端優化任務“卸載”到邊緣服務器運行具有高實時性需求的里程計、局部地圖建立等任務放在移動端上運行移動設備與邊緣節點周期性進行中間結果同步[1]XUJ,CAOH,LID,etal.EdgeassistedmobilesemanticvisualSLAM[C]//INFOCOM2020.NewYork:IEEE,2020:1828-1837.移動設備運行界面邊緣節點優化界面20實時多機協同SLAM支撐平臺多機協同SLAM系統智慧物流機器人分揀多機器人編隊協作對抗無人機蜂群編組與群飛搶險救災場景快速建模實時多機協同SLAM支撐平臺多機協同SLAM系統21現有系統實現方案：地圖同步開銷大、地圖請求易阻塞、地圖優化不平衡，導致系統規模難以擴展最新的研究工作[1]搭建多機協同SLAM邊緣側支撐平臺，從地圖傳輸同步、地圖請求調度、地圖維護存儲三個方面優化多機系統所需的資源開銷，極大程度提升系統的規模性相比現有解決方案在相同的資源限制下可接入3x以上的數量的客戶端進行協同SLAM任務[1]XUJ,CAOH,YANGZ.SwarmMap:Scalinguprealtim