未來的SLAM會是什么樣？

今天為什么又講SLAM呢？主要是國內(nèi)有公司宣布要趟這個坑。在美國那頭，AR云也正是領域里比較熱門的一個方向。在很多做AR云的方向的公司的想象中的AR云，也大多是以SLAM作為基礎的。大家怎么看？歡迎留言討論

眾所周知，SLAM，即同時定位與地圖構建，主要解決在未知環(huán)境中，如何進行自身方位的定位，并同時構建三維環(huán)境的地圖。它是機器人和計算機視覺領域的一個基本問題，基本上，需要定位和三維感知的應用都需要用到SLAM技術。然而，最近幾年中，SLAM技術幾乎沒有什么變化。

最近，倫敦帝國學院的 Andrew Davison 發(fā)表了一篇論文，主要闡述由于增強現(xiàn)實眼鏡或機器人等設備所要求的視覺感知性能與現(xiàn)實產(chǎn)品的實際條件之間存在的巨大差距，而對未來空間人工智能算法的計算結構和硬件開發(fā)方面的探索。

Andrew Davison最知名的成就是其 2003 年的 MonoSLAM 系統(tǒng)，而且他是第一個展示如何在單個攝像頭上構建 SLAM 系統(tǒng)的人，而那時候其他所有人都還認為打造 SLAM 系統(tǒng)需要一個立體的雙目攝像頭套件。

舉個例子來說，想象一下未來的AR系統(tǒng)應該具有怎樣的空間記憶能力，對于用戶所到達的地點，遇到的人和物體，用戶在空間中放置的虛擬筆記或其他注釋等等都要有所記錄。另外，為了實現(xiàn)廣泛應用，該設備應該具備標準眼鏡的尺寸和重量，整天無需電池充電即可運行。

顯然，這種理想中的AR系統(tǒng)依靠現(xiàn)在的設備和算法是遠遠達不到的，這篇論文也就是闡述對于現(xiàn)在的硬件和算法可能的優(yōu)化方向。

現(xiàn)在的SLAM技術，大多是所謂的閉環(huán)SLAM，即從攝像頭和傳感器捕捉新圖像數(shù)據(jù)后，系統(tǒng)與當前的世界模型進行比較，進行對當前世界模型的更新。而當前的世界模型，則來源于更早一次同樣的更新。

這種方法所有獲得的有用數(shù)據(jù)，都來源于傳感器（如深度攝像頭），最終在實時循環(huán)中用于數(shù)據(jù)關聯(lián)和跟蹤。

而論文中提到一種新的混合型SLAM系統(tǒng)，把SLAM 作為卷積神經(jīng)網(wǎng)絡和深度學習的補充：SLAM 關注于幾何問題，而深度學習是感知、識別問題的大師。如果你想要一個能走到你的冰箱面前而不撞到墻壁的機器人，那就使用 SLAM。如果你想要一個能識別冰箱中的物品的機器人，那就使用卷積神經(jīng)網(wǎng)絡。這種系統(tǒng)同樣適用在前面提到的閉環(huán)輸出，表現(xiàn)可能會更好。

未來大多數(shù)計算可能會涉及世界模型的塑造，這就要求一個不斷地改變和改進數(shù)據(jù)存儲的系統(tǒng)。在此系統(tǒng)中，一些主要的計算元素有：

標注:對圖像進行經(jīng)驗性標注（例如CNN）。

渲染：從世界獲得密集的預測，并映射到圖像空間。

跟蹤：將預測與新圖像數(shù)據(jù)對齊，包括尋找離群值和檢測獨立運動。

融合：將更新的幾何圖形和標簽重新融合

地圖。

地圖合并：將元素融合到對象中，使元素平滑，正規(guī)化。

重新定位/閉環(huán)檢測：檢測總地圖中的相似性。

映射一致性優(yōu)化，即緊固閉環(huán)。

自我學習:系統(tǒng)從運行中進行自我學習

原文:這是一個可視化AlexNet圖像分類CNN的結果，支持訓練和運行時操作，其中空間配置和著色表示不同的緊密連接需要處理模型。（不明白也沒關系，這只是論文中談到世界模型時提到的例子）

隨著技術工藝的進步，摩爾定律的瓶頸似乎開始出現(xiàn)，追求單核更大功率的處理器還是比較困難的，而在SLAM中， 單指令，多線程GPU提供的并行性，也非常適合實時視覺的計算要求。

因此，論文預測，系統(tǒng)將具備異構，多元素，專業(yè)化的架構，在這個架構中，低功率運行必須與高功率一起實現(xiàn)，而由于架構的靈活性和其中數(shù)量巨大的CPU和GPU，可以提高系統(tǒng)中運行的有用軟件的數(shù)量。但是，它也可能會優(yōu)化一些專門的處理器，進而實現(xiàn)低功耗實時視覺。當然，專門為這種架構設計的系統(tǒng)算法也會出現(xiàn)，以期提高效率。

另外，云計算資源的容量可能將繼續(xù)擴大，未來的系統(tǒng)可能大部分時間都是云連接的。主地圖將存儲在云中， 設備將根據(jù)需要在其中輸出數(shù)據(jù)。這種情況下，每個設備需要做的事情都理論上會大大減少。但這就需要高幀率傳輸?shù)闹С郑笳咭彩潜容^難解決的問題。

對于傳感器而言，傳感器得到的數(shù)據(jù)龐大然而存在冗余，舉例來說，圖片中相鄰像素之間的數(shù)據(jù)有可能非常相似，相鄰兩幀圖片的信息也有可能很相似。所以有時龐大的數(shù)據(jù)處理并不必要。

因此，論文中提出一種簡化數(shù)據(jù)的方法，將所有傳感器接入一個總處理器中進行預處理，但考慮到散熱等問題，又改為在傳感器單元中嵌入簡易的處理器，從而簡化數(shù)據(jù)，得到更高的效率。

論文中還表示，從長遠來看，SLAM由于其實時性和廣泛的實用性，不同應用的輸出和性能水平不同，特別難以通過像數(shù)據(jù)集評估之類的手段確定一個SLAM的基準。因此SLAM的基準應該走向預測可能需要執(zhí)行的任務的一般化標準。其中可能的指標包括：

?新探索的區(qū)域中的局部姿態(tài)準確性（視覺

里程漂移率）。

?良好映射的長期度量姿態(tài)重復性區(qū)域。

?跟蹤魯棒性百分比。

?重新定位魯棒性百分比。

?SLAM系統(tǒng)延遲。

?每個像素的密集距離預測精度。

?對象分割的準確性。

?對象分類準確性。

?AR像素配準精度。

?場景變化檢測精度。

?電力使用情況。

?數(shù)據(jù)移動

總之，作者認為，由于SLAM的在各個領域中的重要性，對SLAM的研究仍將保持下去，在這些方面越來越優(yōu)化。

這篇論文是建立在作者對大部分現(xiàn)有的SLAM技術和困難了解的基礎上完成的一個總結，比較有參考價值。對原文感興趣的同學也可以戳閱讀原文下載