SPAQ-DL-SLAM：面向资源受限嵌入式平台优化基于深度学习的 SLAM
摘要
优化基于深度学习的同步定位与建图（DL-SLAM）算法对于在资源受限的嵌入式平台上进行高效实现至关重要，能够使自主移动机器人进行实时机载计算。本文提出了 SPAQ-DL-SLAM，这是一个将结构化剪枝与量化（SPAQ）策略性地应用于最先进的 DL-SLAM 算法之一 DROID-SLAM 架构的框架，以实现资源和能效。具体而言，我们基于逐层敏感性分析进行带有微调的结构化剪枝，随后对 DROID-SLAM 内的深度学习模块进行 8 位训练后静态量化（PTQ）。我们的 SPAQ-DROID-SLAM 模型是使用 SPAQ-DL-SLAM 框架（结合 20% 结构化剪枝和 8 位 PTQ）对 DROID-SLAM 模型进行优化的版本，与 DROID-SLAM 模型相比，FLOPs 减少了 18.9%，整体模型大小减少了 79.8%。我们在 TUM-RGBD 基准上的评估表明，在绝对轨迹误差（ATE）指标上，SPAQ-DROID-SLAM 模型平均比 DROID-SLAM 模型高出 10.5%。此外，我们在 ETH3D SLAM 训练基准上的结果证明了 SPAQ-DROID-SLAM 模型具有更强的泛化能力，表现为更高的曲线下面积（AUC）分数以及比 DROID-SLAM 模型多成功完成 2 个数据序列。尽管有这些改进，该模型在 EuRoC 数据集中以高角速度捕获的独特 Vicon Room 序列上表现出性能差异。在某些特定场景下的这种性能差异表明，设计 DL-SLAM 算法时考虑操作环境和任务，可以在资源受限的嵌入式平台部署中实现最佳性能和资源效率。
引用
@article{arxiv.2409.14515,
title = {SPAQ-DL-SLAM: Towards Optimizing Deep Learning-based SLAM for Resource-Constrained Embedded Platforms},
author = {Niraj Pudasaini and Muhammad Abdullah Hanif and Muhammad Shafique},
journal= {arXiv preprint arXiv:2409.14515},
year = {2024}
}
备注
To appear at the 18th International Conference on Control, Automation, Robotics and Vision (ICARCV), December 2024, Dubai, UAE