基于 FPGA 的无配对点云配准，基于 PointNet 特征

点云配准是视觉和机器人应用（包括3D重建和地图构建）的基础。尽管近期深度学习方法在结果质量方面取得了显著进展，但这些方法计算昂贵且耗电，难以在资源受限的边缘设备上部署。为解决此问题，本文提出一种快速、准确且稳健的低成本嵌入式 FPGA 配准方法。基于并行且流水线化的 PointNet 特征提取器，我们开发了两种自定义加速核心：PointLKCore 和 ReAgentCore，用于两种不同的学习方法。它们均为无配对且计算高效，因为避免了涉及最近邻搜索的昂贵特征匹配步骤。所提出的核心在 Xilinx ZCU104 板上实现，并使用合成数据集和真实世界数据集进行评估，显示在运行时与配准质量之间的显著性改进。它们比 ARM Cortex-A53 CPU 快 44.08-45.75 倍，相较于 Intel Xeon CPU 和 Nvidia Jetson 板快 1.98-11.13 倍，同时耗能不足 1W，能效比 Nvidia GeForce GPU 高出 163.11-213.58 倍。所提出的核心对噪声和较大初始错位比经典方法更稳健，并且在不到 15ms 的时间内快速找到合理解，显示出实时性能。