世界上有越來越多的機器人在許多不同的環境中與人并肩工作。一些公司開始采用復雜的同步定位和映射（SLAM）功能來實現真正的自主性。但是，像許多機器人技術一樣，正確實現SLAM仍然非常困難。要使其在不斷變化的環境和條件下在現實世界中可靠地工作，甚至更加困難。要讓一個自主機器人在一個相對均勻的環境中進行定位和導航，可能需要花費數百萬美元和數月的艱苦的試錯實驗。要讓更多的機器人走出實驗室，部署到為人類建造的環境中承擔真正的任務，需要精確性、計算效率和更低成本的解決方案。

開源軟件是機器人技術的基礎。它使團隊在實驗室中相對快速且經濟高效地實驗、設計和制作機器人原型。隨著更多的設計師使用它和反饋代碼，開源庫變得更加全面。它是生態系統的重要組成部分。在另一端，你可以定制代碼，這些代碼是為完成特定任務的特定機器人的特定功能而創建。對于該機器人來說，這可能是非常有效和可行的，但這是一個昂貴的解決方案，很難在承擔不同角色的不同機器人中重用不同的硬件和傳感器。

為了實現下一個飛躍，機器人行業需要在現實世界中可靠、有效、靈活且經濟高效的軟件，以便集成到更廣泛的機器人平臺中，并進行優化以有效利用有限的計算、電源和內存資源。打造強大到足以在現實世界中部署在數千個機器人中的價格的“商業級”軟件，是該行業面臨的下一個挑戰。

在硬件領域，尤其是處理器領域，該行業已經圍繞著為包括機器人在內的自主系統的邊緣處理需求而開發的少量設備展開。Arm參考設計正迅速成為事實上的標準，NVIDIA、高通、Mediatech和德州儀器等芯片制造商創造了一系列完美適應機器人需求的選項。但是在這種性能下，軟件需要小心謹慎，并與對處理器的要求保持一致。嵌入式處理器必須用有限的資源同時運行大量的任務。確保每一個的最大效率，同時最大限度地減少所需的內核和內存數量，對于創建不僅功能強大而且價格合理的機器人至關重要。

不要忽視SLAM的效率

SLAM只是整個自主堆棧的一個元素，但它很好地說明了密切關注任何算法對處理器和內存的要求的重要性。在實驗室甚至在受控的“真實世界”環境中進行設計和測試，很容易忽略SLAM系統使用資源的效率。單個系統通常是單獨測試的，所以如果SLAM軟件突然開始消耗2到3倍的計算資源，它可能會被忽視。只有當其他系統同時依賴同一個微處理器時，才會出現問題。一個簡單的解決方案是增加更多的處理器內核，但在商業部署中，這給每個機器人增加了巨大的成本，嚴重限制了商業可行性。

我們的研究和基準測試表明，許多開源甚至是商業的SLAM算法不僅對計算和內存資源都提出了很高的要求，而且高度不可預測。這些峰值和處理器和內存需求的大幅波動對于開發人員來說很難設計。針對平均需求進行設計存在以下風險：峰值可能使處理器不堪重負，無法完成其他任務，或者無法及時完成SLAM估計。為避免這種情況，開發人員被迫根據峰值需求確定處理器需求，結果是最終他們為硅芯片支付了超出所需的費用。

準確、穩健且具有商業可行性

與最近的最新開放源代碼替代方案相比，此處的圖表說明了SLAMcore軟件的資源需求。兩組軟件均以“開箱即用”狀態運行，沒有其他特定的調整。兩者均與Arm v8.2架構處理器在同一系統上運行，并使用立體聲RGB攝像機和慣性測量單元（IMU）從同一傳感器設置中獲取數據。

這些圖顯示了在相同數據上運行的處理器負載和內存使用情況。顯然，使用開源軟件對處理器的平均需求和最大需求都更高。峰值與平均處理器使用量之間的差異也更大，從而更難估計需求。內存也是如此。如圖所示，開放源代碼系統在計算映射時迅速對內存資源提出了更高的要求。更加有效的內存管理減少了機械手對內存的總體需求，從而再次節省了成本。內存效率更高的映射也可以更快地處理，從而實現更精確的SLAM。

實際上，軟件的效率意味著使用相同的資源可以更快地處理更多數據。這些圖表明，開源軟件無法實時處理數據。實際上，它的運行速度比實時運行速度慢2.8倍，這意味著在實時運行時，將丟失近三分之二的傳感器數據。這將嚴重影響準確性和可靠性。

比較開放源代碼和SLAMcore算法，在該圖中顯示的準確性度量中可以看到類似的差異。同樣，來自同一機器人的完全相同的數據，映射了相同的辦公環境。開源解決方案不僅提供了更大的誤差（0.04米，而僅有0.015m），而且變化也更低，這表明性能的可預測性和魯棒性更高。

這些差異很重要，一致且計算效率高的軟件使設計人員更容易預測有效SLAM所需的正確計算資源量。準確性和實時性能對于任何可商業部署的解決方案都是至關重要的。