Socionext与东北大学联合加速深度学习SLAM处理
近期，Socionext 与日本东北大学 Okatani 教授团队联合宣布了一项重大突破——他们成功将 SLAM（同步定位与建图）的处理时间压缩至传统方法的六十分之一。这一成果已被计算机视觉顶级会议 ICCV 接收，并在 2021 年的线上会议中正式发布。作为自主设备的核心技术之一，SLAM 根据感
近期，Socionext 与日本东北大学 Okatani 教授团队联合宣布了一项重大突破——他们成功将 SLAM（同步定位与建图）的处理时间压缩至传统方法的六十分之一。这一成果已被计算机视觉顶级会议 ICCV 接收，并在 2021 年的线上会议中正式发布。
作为自主设备的核心技术之一，SLAM 根据感知方式主要分为两大类：一类依赖激光测距的 LiDAR SLAM，另一类基于摄像头图像的 Visual SLAM。近年来，Visual SLAM 发展势头强劲，原因在于摄像头成本低廉，且能够将定位与图像识别功能整合，极大扩展了应用场景。
深度学习技术的引入推动了图像识别能力的飞跃，也为 Visual SLAM 注入了全新动力。然而，束调整（Bundle Adjustment, BA）始终是绕不开的关键瓶颈。BA 负责优化 3D 地图点和相机位姿，计算量极其庞大，尤其在边缘设备上，受限于 CPU 性能与功耗控制，传统方法运行十分吃力，严重制约了实际部署。
如何破解这一难题？研究团队提出了一种创新思路：利用图神经网络（Graph Network）进行近似推理。具体而言，从图神经网络模块输入关键帧与地标信息，让网络直接推断出更新量，再通过多层堆叠结构逐步收敛到最终结果。相比传统 Levenberg‑Marquardt 优化方法，这种推理方式显著降低了计算负担。
为验证效果，团队将这套新方法应用于 Visual SLAM 的束调整环节，并与业界常用的 g2o 框架进行了对比。PC 仿真结果表明，新方法的处理时间仅为 g2o 的六十分之一，效果令人震撼。
对 Socionext 而言，这项研究不仅是学术上的突破，更是产品化的重要起点。他们计划将 Visual SLAM 技术集成到定制 SoC 方案中，为工业设备、移动平台等有图像识别需求的客户带来性能跃升。与此同时，团队将继续挖掘这种推理方法的潜力，力争将其扩展至图像识别以外的更多领域。
关于 Socionext Inc.
Socionext 是一家全球领先的片上系统（SoC）设计、研发与销售企业，聚焦消费电子、汽车及工业领域的先进技术。公司成立于 2015 年，总部位于日本横滨，并在亚洲、美国、欧洲设有办事处，致力于为客户提供高效的解决方案与卓越体验。
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Socionext与东北大学联合加速深度学习SLAM处理要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点在MacM系列芯片上使用Codex插件出现卡顿，主要源于默认运行模式未适配AppleSilicon架构。首先需确认VSCode是否通过Rosetta转译运行，并强制其以ARM64原生模式启动。随后配置专为ARM64优化的Python虚拟环境，安装支持MPS加速的PyTorch，并在插件中切换解释器。同时调整HuggingFace参数，启用CoreML、强制使
启用DevMode后，通过删除线检查CSS兼容性，以px hex格式提取跨平台代码，并在Properties页签验证变量映射，避免硬编码“幽灵值”，从而确保开发交付的准确性和一致性。
在ComfyUI中使用IPAdapter时，提示词需与参考图形成语义锚定，明确主体身份、风格强化短语及权重标记。多图混合可采用单节点统一加权或多节点并行，权重之和不宜超1 8。避免引导词和抽象描述，改用具体特征如发型、眉形，且侧脸需标明朝向。
Genspark通过识别起因类型，将事件经过按主体动作、即时反馈、跨域扩散三层动态建模，并支持追问补全因果关系，最终输出带来源锚点和置信度标签的交互式因果图谱，便于直观掌握事件演变脉络。
- 日榜
- 周榜
- 月榜
热点快看