摘要
随着人工智能与深度学习的不断发展，移动机器人在军事、航天、医疗和工业生产等领域得到了广泛应用，同步定位与建图(SimultaneousLocalizationandMapping,SLAM)能够对周边环境信息进行实时采集和分析，是保障机器人在复杂环境下安全运行的关键。随着应用场景对SLAM的精度要求越来越高，算力需求也不断增加，利用有限的计算资源来保证SLAM的实时运行是近年来机器人研究领域的关键问题。 为提高视觉SLAM的环境适应能力与精度，设计了基于L_SuperPoint网络的轻量化SLAM系统，采用ICP(IterativeClosestPoint)算法解算初始位姿，更新关键帧来创建共视图关系以及创建地图点，采用K-means聚类建立离线字典，引入词袋模型（Bag-of-words,BoW3）对SLAM进行回环检测；为解决基于深度学习的SLAM系统网络规模大和算力要求高的问题，创新性地设计了基于深度可分离卷积的轻量化特征提取网络L_SuperPoint，在数据集中训练网络并通过仿真实验进行评估，实验结果证明了L_SuperPoint网络将FPS提升了4~5倍并且轻量化SLAM的运行时间控制在了70ms以内；针对轻量化SLAM在机器人中运行CPU占用率过高、计算时延长的问题，创新性的引入了边缘计算的方法，构建了基于边缘计算的轻量化SLAM框架，多方面考虑SLAM任务在计算时产生的时延与开销，分别建立计算时延模型与计算开销模型，巧妙地设计货币收益系数整合了上述两个模型并建立系统收益模型，针对该收益模型，提出均衡计算时延与计算开销的卸载策略，设计了基于动态惯性权重与学习因子的改进粒子群算法，对该卸载策略进行优化，通过仿真验证了卸载策略能够将轻量化SLAM的计算时延控制在70ms以内，SLAM的精度控制在0.1m以内，释放了40%的CPU占用率。 搭建了基于边缘计算的移动机器人视觉SLAM实物平台，设计了上位机软件系统和下位机控制系统，针对边缘计算与轻量化SLAM系统，完成了视觉点云实验、基于边缘计算的轻量化SLAM实验、基于边缘计算的SLAM对比实验和基于边缘计算的双机器人导航实验，实验结果证明了基于边缘计算的轻量化SLAM能够将运行时间降低至70ms以内、CPU占用率释放40%，在满足实时性的同时，提升了SLAM的实用性。
NETL