低精度算术提升机器人定位效率 - 亚马逊科学团队技术创新

低精度算术提升机器人定位效率

同步定位与建图（SLAM）是自主移动机器人的核心技术，需同时构建环境地图并确定机器人位置。由于 SLAM 计算密集，在资源受限的消费级机器人上部署时需采用计算优化技术。

混合精度计算创新

低精度浮点算术（减少小数点位数的比特表示）是深度学习领域的常用技术，将比特数从标准 32 位减半至 16 位可提升一倍效率且几乎不影响精度。但 SLAM 涉及连续值函数的非线性优化问题，需要更高精度。

亚马逊团队设计了新型混合精度求解器，在 SLAM 算法中组合使用 fp64、fp32 和 fp16 三种精度：

1. 残差评估需使用单精度或更高精度

2. 位姿更新的六自由度计算需使用双精度通过矩阵正则化和缩放避免溢出与秩亏问题，在保持精度的同时显著提升效率。

视觉里程计优化

基于滑动窗口的捆集调整（BA）是视觉里程计的核心，传统方法存在线性化误差。团队采用混合精度共轭梯度法（CGNR）：

• 矩阵向量乘积使用半精度（占计算量 83%）

• 其他操作保持单精度在 NVIDIA V100 GPU 上比单精度求解器节省 41%计算时间。

闭环检测优化

位姿图优化（PGO）处理全局轨迹修正时，问题规模可从数百个位姿增长至数千个。团队采用：

• 静态不完全 Cholesky 预处理器加速收敛

• 三角系统求解使用半精度

• 其他操作保持单精度平均减少 26%计算时间，精度与全精度求解器相当。

实际应用价值

实验数据显示：

• 未修正的轨迹平均误差达 0.1 米

• 经闭环修正后误差降至 10^-4 米量级混合精度求解器使设备端 SLAM 在保持精度的同时，计算速度更快且能耗更低。

（完整技术细节和实验数据请参阅原文图表）更多精彩内容 请关注我的个人公众号 公众号（办公 AI 智能小助手）公众号二维码

办公AI智能小助手