• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • Nuevas herramientas de localización y mapeo en tiempo real para robótica, VR, y AR

    Las matrices de sensor-procesador de plano focal (FPSP) son sistemas de procesamiento paralelo, donde cada píxel tiene un elemento de procesamiento. Crédito:Saeedi et al.

    Un gran grupo de investigadores del Imperial College de Londres, la Universidad de Edimburgo, la Universidad de Manchester, y la Universidad de Stanford han colaborado recientemente en un proyecto que explora la aplicación de herramientas de localización y mapeo en tiempo real para robótica, vehículos autónomos, realidad virtual (VR) y realidad aumentada (AR). Su papel publicado en arXiv y Actas del IEEE , describe el desarrollo de métodos para evaluar algoritmos de localización y mapeo simultáneos (SLAM), así como otras herramientas interesantes.

    "El objetivo de nuestro trabajo fue traer investigadores expertos en visión artificial, comunidades de compiladores y hardware juntos para construir futuros sistemas de robótica, VR / AR, e Internet de las cosas (IoT), ", dijeron los investigadores a Tech Xplore en un correo electrónico." Queríamos construir sistemas robustos de visión por computadora que fueran capaces de percibir el mundo con un presupuesto de energía muy bajo pero con la precisión deseada; estamos interesados ​​en la métrica de percepción por Joule ".

    Los investigadores involucrados en el proyecto combinaron sus habilidades y experiencia para ensamblar algoritmos, arquitecturas, instrumentos, y software necesario para entregar SLAM. Sus hallazgos podrían ayudar a quienes aplican SLAM en una variedad de campos a seleccionar y configurar algoritmos y hardware que puedan lograr niveles óptimos de rendimiento. precisión, y consumo de energía.

    "Un punto importante en el proyecto es la idea de la investigación interdisciplinaria:reunir a expertos de diferentes campos puede permitir hallazgos que no serían posibles de otra manera, ", dijeron los investigadores.

    Los algoritmos SLAM son métodos que pueden construir o actualizar un mapa de un entorno desconocido mientras realizan un seguimiento de la ubicación de un agente en particular dentro de él. Esta tecnología puede tener aplicaciones útiles en varios campos, por ejemplo, en el desarrollo de vehículos autónomos, robótica, VR, y AR.

    En su estudio, los investigadores desarrollaron y evaluaron varias herramientas, incluidos los sistemas de software de compilación y tiempo de ejecución, así como arquitecturas de hardware y algoritmos de visión por computadora para SLAM. Por ejemplo, desarrollaron herramientas de evaluación comparativa que les permitieron seleccionar un conjunto de datos adecuado y utilizarlo para evaluar los algoritmos SLAM.

    El objetivo del documento es crear una tubería que alinee los requisitos de visión por computadora con las capacidades del hardware. El artículo se centra en tres capas:algoritmos, compilador y tiempo de ejecución, y arquitectura. El objetivo es desarrollar un sistema que nos permita alcanzar la eficiencia energética y energética, mejora de la velocidad y el tiempo de ejecución, y precisión / robustez en cada capa y también de manera integral a través de la exploración del espacio de diseño y técnicas de aprendizaje automático. Crédito:Saeedi et al.

    Por ejemplo, utilizaron una aplicación llamada SLAMBench para evaluar el algoritmo KinectFusion en varias plataformas de hardware y SLAMBench2 para comparar diferentes algoritmos SLAM. Los investigadores también ampliaron el algoritmo KinectFusion, para que pueda utilizarse en algoritmos de navegación y planificación de rutas robóticas; mapeo del espacio ocupado y libre en el medio ambiente.

    "Este proyecto fue muy amplio, por lo tanto, los hallazgos fueron bastante numerosos, ", dijeron los investigadores." Por ejemplo, Hemos mostrado aplicaciones prácticas donde la computación aproximada puede jugar un papel importante en el logro de la percepción por Joule, por ejemplo, la aplicación SLAMBench desarrollada para teléfonos inteligentes. La computación aproximada es la idea de completar una tarea de computación con un error aceptable dado, y así producir una solución aproximada ".

    El proyecto exploró el uso de nuevas tecnologías de detección, como matrices de sensor-procesador de plano focal, que resultaron tener un bajo consumo de energía y altas velocidades de cuadro. Además, investigó la aplicación de estática, dinámica, y enfoques de programación de programas híbridos en sistemas multinúcleo, particularmente para el algoritmo KinectFusion.

    "Nuestra investigación ya está teniendo un impacto en muchos campos, como la robótica, VR / AR, e IoT, donde las máquinas estén siempre encendidas y puedan comunicarse y realizar sus tareas con una precisión razonable, sin interrupciones, con muy poco consumo de energía, ", dijeron los investigadores.

    Este proyecto integral ha dado lugar a varios hallazgos importantes, y al desarrollo de nuevas herramientas que podrían facilitar en gran medida la implementación de SLAM en robótica, VR, ARKANSAS, y vehículos autónomos.

    El estudio también hizo una serie de contribuciones en el contexto del diseño de hardware, por ejemplo, desarrollo de herramientas de creación de perfiles para localizar y evaluar cuellos de botella de rendimiento en aplicaciones tanto nativas como administradas. Los investigadores presentaron un flujo de trabajo completo para crear hardware para aplicaciones de visión por computadora, que podría aplicarse a futuras plataformas.

    "Ahora utilizaremos nuestros hallazgos para construir un sistema integrado para robótica y VR / AR, ", dijeron los investigadores." Por ejemplo, El Dr. Luigi Nardi de la Universidad de Stanford continúa su investigación aplicando conceptos similares a las redes neuronales profundas (DNN), es decir, optimizar el hardware y el software para ejecutar DNN de manera eficiente, mientras que el Dr. Sajad Saeedi del Imperial College de Londres está buscando tecnologías analógicas alternativas como las matrices de sensor-procesador de plano focal (FPSP) que permiten que DNN se ejecute a velocidades de cuadro muy altas, orden de 1000s FPS, para dispositivos siempre encendidos y automóviles autónomos ".

    © 2018 Tech Xplore




    © Ciencia https://es.scienceaq.com