[发明专利]一种硬件加速引擎中因子图优化数据的方法和设备

说明书

本发明提供了一种硬件加速引擎中因子图优化数据的方法和设备，所述方法包括：将参数块存储至参数块区域；将残差块存储至残差块区域；遍历扫描参数块区域，扫描到第一参数块时，将其作为因子图的顶点，并将顶点的物理地址索引号存储至顶点集区域；遍历扫描残差块区域，获取与同一残差块关联的目标顶点集；确定目标顶点集中每两个目标顶点之间存在邻边关系，并确定每个目标顶点的邻边总数，存储至邻边数区域；根据各顶点的邻边总数，将顶点集区域中的物理地址索引号，按照邻边总数从少到多的顺序进行排序；基于更新的顶点集区域，确定运动观测数据。利用本发明提供的方法，实现了基于硬件架构的因子图构建及排序，加速非线性优化处理过程。

技术领域

本发明涉及集成电路设计领域，尤其涉及一种硬件加速引擎中因子图优化数据的方法和设备。

背景技术

对于人类而言，当人进入陌生环境后，首先需要了解周围的环境是什么样，并确定自己在环境中的位置。同样，对于人工智能设备而言，在陌生环境中，也需要了解周围环境及自己在环境中的位置，这就涉及到视觉同步定位与地图构建（Visual SimultaneousLocalization And Mapping，VSLAM）技术。

VSLAM算法总体可分为前端图像处理与后端优化处理两大过程。对于基于视觉处理的系统来说，视频以流形式不断输入，而且系统的待优化变量比较多，这就要求系统设备需在特定的时间间隔内完成所有优化计算，因此完成上述VSLAM计算需要强大的计算力。目前基于VSLAM算法完成人工智能设备的定位与建图功能的算力平台主要基于台式机用软件实现，对于那些对算力及功耗不敏感的移动端设备而言，采用台式机的方案是可行的；而对于算力有限、功耗敏感的端侧设备而言，无法采用台式机作为算力平台，这就需要一个专用硬件加速引擎来实现VSLAM算法功能。

上述VSLAM算法的前端图像处理部分，获取惯性传感器和相机采集的数据，并对上述采集的数据进行特征提取，将提取的特征数据用于计算人工智能设备的运动观测结果；由于上述相机和惯性传感器用于运动观测结果计算的特征数据存在误差，导致计算的运动观测结果存在误差。为了结合相机和传感器的特征数据找到精确的特征数据，上述VSLAM算法的后端优化处理部分会采用非线性优化算法，利用全局目标函数，将相机和惯性传感器的特征数据作为变量进行优化，在上述优化过程中涉及到因子图的构建及排序。而现有技术中因子图优化是在软件层面上实现的，没有涉及到基于硬件架构的因子图优化。

发明内容

本发明提供一种硬件加速引擎中因子图优化数据的方法和设备，解决现有技术中没有通过基于硬件架构的因子图构建及排序对运动观测数据进行优化的方案的问题。

第一方面，本发明提供一种硬件加速引擎中因子图优化数据的方法和设备，该方法包括：

对相机的第一观测特征数据，及惯性传感器的第二观测特征数据进行封装得到参数块，并将所述参数块存储至参数块区域；

对误差信息封装得到残差块，并将所述残差块存储至残差块区域，所述误差信息为采用第一/第二观测特征数据计算的运动观测结果误差；

遍历扫描所述参数块区域，扫描到属性为非常数的第一参数块时，将每个第一参数块作为因子图的顶点，并将顶点在所述参数块区域的物理地址索引号存储至顶点集区域；

遍历扫描所述残差块区域，获取与扫描到的同一残差块关联的目标顶点集；

确定所述目标顶点集中每两个目标顶点之间存在邻边关系，并确定每个目标顶点的邻边总数，将所述邻边总数存储至邻边数区域；

根据所述邻边数区域存储的各顶点的邻边总数，将所述顶点集区域中存储的顶点的物理地址索引号，按照邻边总数从少到多的顺序进行排序；

基于更新的顶点集区域，确定用于计算智能设备的运动观测结果的运动观测数据。