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：
- 残差评估需使用单精度或更高精度
- 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
