伦敦帝国理工学院(Imperial College London)、爱丁堡大学(University of Edinburgh)、曼彻斯特大学(University of Manchester)和斯坦福大学(Stanford University)的一大群研究人员最近合作了一个项目，探索实时定位和地图工具在机器人、自动驾驶汽车、虚拟现实(VR)和增强现实(AR)方面的应用。他们的论文发表在arXiv和IEEE会议记录上，概述了同步定位和映射(SLAM)算法的发展，以及其他一些有趣的工具。

研究人员在电子邮件中告诉Tech Xplore:“我们的工作目标是将来自计算机视觉、硬件和编译器社区的专家研究人员聚集在一起，构建未来的机器人、VR/AR和物联网系统。”“我们想建立强大的计算机视觉系统，能够以非常低的能量预算感知世界，但具有理想的准确性;我们感兴趣的是每焦耳度规的感知

参与该项目的研究人员将他们的技能和专业知识结合起来，组装出交付SLAM所需的算法、架构、工具和软件。他们的发现可以帮助那些在各种领域应用SLAM的人选择和配置算法和硬件，以达到性能、精度和能耗的最佳水平。

研究人员表示:“该项目的一个重要观点是跨学科研究的理念:将不同领域的专家聚集在一起，可以实现原本不可能实现的发现。”

SLAM算法可以构造或更新未知环境的地图，同时跟踪特定代理在其中的位置。这项技术在很多领域都有很好的应用，比如自动驾驶汽车、机器人、VR和AR。

在他们的研究中，研究人员开发并评估了几种工具，包括编译器和运行时软件系统，以及SLAM的硬件架构和计算机视觉算法。例如，他们开发了基准测试工具，允许他们选择合适的数据集并使用它来评估SLAM算法。

例如，他们使用了一个名为SLAMBench的应用程序来评估KinectFusion算法在几个硬件平台上的性能，并使用SLAMBench2来比较不同的SLAM算法。研究人员还扩展了KinectFusion算法，使其可以用于机器人路径规划和导航算法;映射环境中的已占用空间和空闲空间。

研究人员说:“这个项目涉及的范围很广，因此有很多发现。”“例如，我们已经展示了近似计算在实现单位焦耳感知方面可以发挥强大作用的实际应用，例如为智能手机开发的SLAMBench应用程序。近似计算是指在给定可接受误差的情况下完成一项计算任务，从而得出近似解。

该项目探索了新的传感技术的使用，如焦平面传感器-处理器阵列，它们被发现具有低功耗和高帧速率。此外，还研究了静态、动态和混合程序调度方法在多核系统中的应用，特别是KinectFusion算法。

研究人员表示:“我们的研究已经对机器人、VR/AR和物联网等许多领域产生了影响，在这些领域，机器总是处于工作状态，能够以合理的准确性、不受干扰地、耗电量很少的情况下进行通信和执行任务。”

这个全面的项目产生了几个重要的发现，并开发了新的工具，可以在很大程度上促进SLAM在机器人、VR、AR和自动驾驶汽车上的实施。

该研究还在硬件设计方面做出了许多贡献，例如，开发分析工具来定位和评估本机和托管应用程序中的性能瓶颈。研究人员提出了一个完整的工作流程，为计算机视觉应用程序创建硬件，这可以应用到未来的平台。

研究人员表示:“我们现在将利用我们的发现，为机器人技术和虚拟现实/增强现实技术建立一个集成系统。””例如,斯坦福大学的Luigi Nardi医生继续他的研究将类似的概念应用于深层神经网络(款),即优化硬件和软件款高效地运行,而博士Sajad伦敦帝国学院卡看着替代模拟技术,如焦平面sensor-processor数组(FPSPs),允许运行在非常高的帧速率,款1000年代FPS,持续开启设备和自主汽车。”