[论文解读] NanoSLAM: Enabling Fully Onboard SLAM for Tiny Robots

Vlad Niculescu, Tommaso Polonelli+2 more|arXiv (Cornell University)|Sep 21, 2023

Robotics and Sensor-Based Localization被引用 1

一句话总结

NanoSLAM 是一种轻量级、完全集成的 SLAM 系统，专为厘米级机器人优化，利用 RISC-V 并行处理器实现 4.5 cm 的地图构建精度，端到端延迟低于 250 ms，功耗仅 87.9 mW。该系统使 44g 的 GAP9 配备纳米无人机能够实现实时、高精度的环境地图构建，克服了以往依赖外部计算或高功耗计算的局限。

ABSTRACT

Perceiving and mapping the surroundings are essential for enabling autonomous navigation in any robotic platform. The algorithm class that enables accurate mapping while correcting the odometry errors present in most robotics systems is Simultaneous Localization and Mapping (SLAM). Today, fully onboard mapping is only achievable on robotic platforms that can host high-wattage processors, mainly due to the significant computational load and memory demands required for executing SLAM algorithms. For this reason, pocket-size hardware-constrained robots offload the execution of SLAM to external infrastructures. To address the challenge of enabling SLAM algorithms on resource-constrained processors, this paper proposes NanoSLAM, a lightweight and optimized end-to-end SLAM approach specifically designed to operate on centimeter-size robots at a power budget of only 87.9 mW. We demonstrate the mapping capabilities in real-world scenarios and deploy NanoSLAM on a nano-drone weighing 44 g and equipped with a novel commercial RISC-V low-power parallel processor called GAP9. The algorithm is designed to leverage the parallel capabilities of the RISC-V processing cores and enables mapping of a general environment with an accuracy of 4.5 cm and an end-to-end execution time of less than 250 ms.

研究动机与目标

• 在资源受限、重量低于 50g 的机器人平台上实现完全集成的同步定位与地图构建（SLAM），其中计算卸载不可行。
• 解决传统 SLAM 算法在超低功耗处理器上的计算与内存瓶颈。
• 仅使用机载处理实现实时、高精度的动态室内环境地图构建。
• 在显著降低功耗和尺寸的前提下，实现与标准尺寸无人机系统相当的最先进地图构建精度。
• 在布局不断变化的环境中（如智能建筑或可重构仓库）实现自主导航与路径规划。

提出的方法

• 设计一种轻量级、端到端的 SLAM 流水线，专为基于 RISC-V 的多核处理器（GAP9）上的并行执行进行优化。
• 采用基于图的 SLAM 与位姿图优化（PGO），通过检测回环来校正累积的航位推算误差。
• 使用飞行时间（ToF）深度传感器进行低功耗、低分辨率的深度测量，以降低计算负载。
• 应用迭代最近点（ICP）算法，对连续的深度扫描进行匹配，以估计刚体变换。
• 集成二值占用图表示以减少内存占用，并采用与分辨率相关的地图压缩技术（例如，5 cm 和 7.5 cm）。
• 优化内存使用，确保内存占用低于 500 kB RAM，并通过端到端延迟 <250 ms 确保实时性能。

实验结果

研究问题

• RQ1 在 44g 的纳米无人机上，功耗预算低于 100 mW 时，完全集成的 SLAM 系统能否实现低于 5 cm 的地图构建精度？
• RQ2 基于 RISC-V 的并行处理器在加速超小型机器人轻量级 SLAM 流水线方面效果如何？
• RQ3 当与优化的 PGO 和 ICP 算法结合时，低分辨率、低功耗的 ToF 传感器在多大程度上能够支持高精度 SLAM？
• RQ4 将 SLAM 计算卸载到外部基站的性能开销有多大？其对任务持续时间有何影响？
• RQ5 该系统能否扩展以支持 3D 地图构建、动态障碍物过滤或基于集群的协同地图构建？

主要发现

• NanoSLAM 在真实迷宫环境中实现了 4.5 cm 的地图构建精度，与用于更大尺寸无人机的最先进 SLAM 系统相当。
• 通过有效的回环检测与位姿图优化，系统将轨迹估计误差降低了高达 67%。
• 端到端 SLAM 执行时间低于 250 ms，可在 87.9 mW 的 GAP9 处理器上实现实时运行。
• 整个地图构建流水线内存占用低于 500 kB RAM，使其适用于超资源受限的嵌入式系统。
• 该系统证明了在仅重 44 g 的纳米无人机上实现完全集成 SLAM 是可行的，且完全不依赖外部计算或通信。
• 若将 SLAM 卸载至基站，每次回环检测的最小往返延迟为 4.8 秒，显著缩短了实际任务中的飞行时间。