一种用于基于深度学习的点云配准的高效 FPGA 加速器
机器人学
2022-03-14 v1 硬件体系结构
摘要
点云配准是许多机器人应用（如里程计与同步定位与建图（SLAM））的基础，这些应用对自主移动机器人日益重要。这些机器人上的计算资源与功耗预算有限，从而促使在低成本 FPGA 上开发资源高效的配准方法。本文中，我们提出了一种基于 FPGA 的 3D 点云配准新方法，其构建于近期基于深度学习的 PointNetLK 方法之上。我们为基于 PointNet 的特征提取设计并在低成本与中端 FPGA（Avnet Ultra96v2 与 Xilinx ZCU104）上实现了高效 FPGA 加速器。我们的加速器设计在配准速度、精度、资源占用与功耗方面进行了评估。实验结果表明，采用我们加速器的 PointNetLK 相比 CPU 版本与 ICP 分别实现了高达 21.34 倍与 69.60 倍的更快配准速度，同时仅消耗 722mW 并保持同等精度水平。
引用
@article{arxiv.2203.05763,
title = {An Efficient Accelerator for Deep Learning-based Point Cloud Registration on FPGAs},
author = {Keisuke Sugiura and Hiroki Matsutani},
journal= {arXiv preprint arXiv:2203.05763},
year = {2022}
}
备注
6 pages, 11 figures