CN109983507B - 经由二维地图进行基于大规模cnn回归的定位 - Google Patents
经由二维地图进行基于大规模cnn回归的定位 Download PDFInfo
- Publication number
- CN109983507B CN109983507B CN201680091003.8A CN201680091003A CN109983507B CN 109983507 B CN109983507 B CN 109983507B CN 201680091003 A CN201680091003 A CN 201680091003A CN 109983507 B CN109983507 B CN 109983507B
- Authority
- CN
- China
- Prior art keywords
- data
- point cloud
- cnn
- logic
- map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012545 processing Methods 0.000 claims abstract description 109
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 94
- 230000000007 visual effect Effects 0.000 claims abstract description 64
- 230000009466 transformation Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 230000001131 transforming effect Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 21
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 230000004807 localization Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 description 80
- 230000006870 function Effects 0.000 description 33
- 238000010586 diagram Methods 0.000 description 32
- 239000000872 buffer Substances 0.000 description 21
- 238000013461 design Methods 0.000 description 19
- 239000012634 fragment Substances 0.000 description 11
- 238000003491 array Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 238000009877 rendering Methods 0.000 description 8
- 239000003795 chemical substances by application Substances 0.000 description 7
- 239000010410 layer Substances 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 208000019300 CLIPPERS Diseases 0.000 description 5
- 239000008186 active pharmaceutical agent Substances 0.000 description 5
- 208000021930 chronic lymphocytic inflammation with pontine perivascular enhancement responsive to steroids Diseases 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 101000912503 Homo sapiens Tyrosine-protein kinase Fgr Proteins 0.000 description 1
- 102100026150 Tyrosine-protein kinase Fgr Human genes 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/579—Depth or shape recovery from multiple images from motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Abstract
一种处理设备,包括用于训练卷积神经网络(CNN)以执行对服务机器人或移动设备的自主重定位的计算逻辑。一种设备包括:图像处理器,用于处理经由传感器接收的视觉数据;以及通用图形处理引擎,用于对图像数据执行相机姿态估计、并生成用于将相机姿态估计的位置变换为人类可读的位置地图内的位置的变换矩阵。所述图像和经变换位置用于训练所述CNN以执行重定位。
Description
技术领域
实施例总体上涉及用于使用通用图形处理单元来执行计算机视觉和定位操作的逻辑。更具体地,实施例涉及基于大规模CNN回归的定位和重定位。
背景技术
神经网络可以被建模为以非循环图方式连接的神经元集合。神经网络可以接收输入(单个向量),并通过一系列隐藏层对其进行变换。每个隐藏层由一组神经元组成,其中,每个神经元完全连接到前一层中的所有神经元,并且其中,单个层中的神经元完全独立地起作用并且不共享任何连接。最后一层称为“输出层”。在分类设置中,输出表示分类评分,而在回归设置中,输出是基于先前执行的训练操作来执行的对连续值的预测。卷积神经网络(CNN)类似于标准神经网络。然而,CNN被显式地定制成处置输入图像数据。
基于CNN的技术可以用于执行相机重定位,这是用于服务机器人导航的重要功能。例如,当服务机器人或另一个计算机视觉使能系统被启用并且发现本身处于与其先前维持的位置数据不一致的未知位置时,执行重定位过程。例如,机器人经历了电源故障或维护事件,并且在其计算机视觉或位置跟踪系统离线时已经被移动。重新定位过程可以包括枚举机器人可能位于的所有假设位置,这涉及执行确定与当前传感器输入一致的已知位置。然后,机器人可以探索其直接环境,并且使用传感器数据来尝试确定与先前确定的位置数据一致的更精确位置。
附图说明
通过阅读以下说明书和所附权利要求,并且通过参考以下附图,实施例的各种优点对于本领域技术人员将变得显而易见,在附图中:
图1是具有处理器的计算机系统的实施例的框图,所述处理器具有一个或多个处理器核和图形处理器;
图2是处理器的一个实施例的框图,所述处理器具有一个或多个处理器核、集成存储器控制器、以及集成图形处理器;
图3是图形处理器的一个实施例的框图,所述图形处理器可以是分立的图形处理单元、或者可以是集成有多个处理核的图形处理器;
图4是用于图形处理器的图形处理引擎的实施例的框图;
图5是图形处理器的另一实施例的框图;
图6是包括处理元件阵列的线程执行逻辑的框图;
图7展示了根据实施例的图形处理器执行单元指令格式;
图8是图形处理器的另一实施例的框图,所述图形处理器包括图形流水线、媒体流水线、显示引擎、线程执行逻辑、以及渲染输出流水线;
图9A是框图,展示了根据实施例的图形处理器命令格式;
图9B是框图,展示了根据实施例的图形处理器命令序列;
图10展示了根据实施例的数据处理系统的示例性图形软件架构;
图11是框图,展示了根据实施例的可以用于制造用于执行操作的集成电路的IP核开发系统;
图12是框图,展示了根据实施例的可以使用一个或多个IP核来制造的示例性芯片上系统集成电路;
图13是框图,展示了芯片上系统集成电路的示例性图形处理器;
图14是框图,展示了芯片上系统集成电路的附加示例性图形处理器;
图15A至图15B是流程图,展示了根据实施例的用于针对大型结构执行CNN回归重定位的逻辑。
图16A至图16B是流程图,展示了根据实施例的用于针对大型结构执行CNN回归重定位的逻辑;
图17展示了根据实施例的大型结构内部的分割;
图18展示了根据实施例的示例2D建图和3D点云建图;
图19展示了根据实施例的在结构内相对于参考位置的定位;
图20展示了根据实施例的重定位处理器的框图;并且
图21是根据实施例的计算设备的框图。
具体实施方式
CNN回归是一种可以实现细粒度全局定位并且可以用于计算机视觉系统重定位的技术。通常,CNN回归的训练数据是经由视觉同步定位与建图(VSLAM)技术获得的。然而,使用VSLAM的基于CNN回归的重定位在用于对大规模结构进行建图时不那么有效。首先,建筑物通常被分成由“通道(tunnel)”(例如,具有单色墙的长走廊)分割的不同部分,所述不同部分提供有限的视觉信息。有限的视觉输入使得VSLAM的使用更加困难。其次,即使具有足够的视觉信息,大面积的VSLAM优化也是耗时且存储器密集的。第三,VSLAM中的漂移误差可能产生降级结果。第四,现代建筑中的大量玻璃可能损坏经由VSLAM生成的结果。此外,VLAM的坐标系与人类使用的地图不同。因此,人类无法容易地使用为机器人产生的定位结果。
本文所描述的技术解决了上述问题,并提供了一种适用于大规模建筑物的基于CNN回归的重定位的方法。本文所描述的技术还有利于地与其他定位方法相当,诸如激光雷达、超宽带(UWB)、Wi-Fi和内部测量单元(IMU)定位。本文所描述的技术成本较低并且相对于激光雷达具有较高的重定位回调率,相对于IMU具有较低的漂移误差,并且不需要安装如在UWB和Wi-Fi中的新仪器。
在一个实施例中,如下执行用于大规模结构内的内部定位的CNN回归。首先,大规模结构的内部被分成多个部分。接下来,采集所述结构内部的足够的视觉数据以经由VSLAM来实现相机姿态估计。构建每个部分的点云并将其与二维(2D)地图进行匹配。将与所述结构的视觉数据相关联的估计相机姿态变换为所述2D地图中的坐标。然后可以使用视觉数据和相机姿态数据对来训练CNN回归。然后可以使用CNN回归来预测新捕获的视觉数据在所述2D地图内的坐标。除了服务机器人重定位之外,这些技术还可以直接应用于实时定位、自主导航、并且用于增强移动设备用户的导航和定位功能。例如,本文所描述的重定位技术可以用于使得室内定位能够辅助人类导航。
出于解释的目的,阐述了许多具体的细节以便提供对以下所述的各实施例的透彻理解。然而,对于本领域技术人员而言,可以在不具有这些具体细节中的一些细节的情况下实践本实施例将是明显的。在其他情况下,以框图的形式示出公知的结构和设备以避免模糊基本原理并提供对实施例的更透彻的理解。尽管以下实施例中的一些引用图形处理器来描述,但是本文所描述的技术和教导可适用于各种类型的电路或半导体设备,包括通用处理设备或图形处理设备。本文对“一个实施例(one embodiment)”或“实施例(anembodiment)”的引用指示结合所述实施例或与所述实施例相关联地描述的具体特征、结构或特性可以被包括在这类实施例中的至少一个实施例中。然而,说明书中各种地方出现的短语“在一个实施例中(in one embodiment)”不一定全都指代相同的实施例。
在以下说明书和权利要求书中,可以使用术语“耦合”和“连接”及其衍生词。应当理解,这些术语并不意为彼此的同义词。“耦合”用于指示彼此协作或相互作用的彼此之间可能或可能不直接物理或电接触的两个或更多个元件。“连接”用于指示彼此耦合的两个或更多个元件之间的通信的建立。
实施例可以被实施为以下各项中的任何一项或其组合:使用母板互连的一个或多个微芯片或集成电路、硬连线逻辑、由存储器设备存储且由微处理器执行的软件、固件、专用集成电路(ASIC)和/或现场可编程门阵列(FPGA)。以示例的方式,术语“逻辑”可以包括软件或硬件和/或软件和硬件的组合。
实施例可以被提供为例如计算机程序产品,所述计算机程序产品可以包括其上存储有机器可执行指令的一种或多种机器可读介质,所述机器可执行指令在由一个或多个机器(比如计算机、计算机网络或其他电子设备)执行时可以导致所述一个或多个机器执行根据在本文中所描述的实施例的操作。机器可读介质可以包括但不限于:软盘、光盘、CD-ROM(CD盘-只读存储器)以及磁光盘、ROM、RAM、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或者适用于存储机器可执行指令的其他类型非暂态机器可读介质。
此外,实施例可以作为计算机程序产品被下载,其中,可以经由通信链路(例如,调制解调器和/或网络连接),借助于在载波或其他传播介质中具体化和/或由载波或其他传播介质调制的一个或多个数据信号来将程序从远程计算机(例如,服务器)转移至请求计算机(例如,客户机)。
在接下来的说明中,图1至图14提供了对结合各个实施例或与其相关的示例性数据处理系统和图形处理器逻辑的概述。图15至图21提供了各个实施例的具体细节。以下实施例的一些方面是参考图形处理器进行描述的,而其他方面是关于如中央处理单元(CPU)等通用处理器进行描述的。类似的技术和教导可以应用于其他类型的电路或半导体器件,包括但不限于集成众核处理器、GPU集群、或现场可编程门阵列(FPGA)的一个或多个实例。一般而言,这些教导适用于对图像(例如,样本、像素)、顶点数据、或几何数据进行操控或处理的任何处理器或机器。
系统概述
图1是根据实施例的处理系统100的框图。在各实施例中,系统100包括一个或多个处理器102以及一个或多个图形处理器108,并且可以是单处理器台式系统、多处理器工作站系统或具有大量处理器102或处理器核107的服务器系统。在一个实施例中,系统100是被纳入到用于在移动设备、手持式设备或嵌入式设备中使用的芯片上系统(SoC)集成电路内的处理平台。
系统100的实施例可以包括或并入基于服务器的游戏平台、游戏控制台,包括游戏与媒体控制台、移动游戏控制台、手持式游戏控制台、或在线游戏控制台。在一些实施例中,系统100是移动电话、智能电话、平板计算设备或移动互联网设备。数据处理系统100还可包括可穿戴设备(诸如智能手表可穿戴设备、智能眼镜设备、增强现实设备、或虚拟现实设备)、与所述可穿戴设备耦合、或者集成在所述可穿戴设备中。在一些实施例中,数据处理系统100是电视或机顶盒设备,所述电视或机顶盒设备具有一个或多个处理器102以及由一个或多个图形处理器108生成的图形界面。
在一些实施例中,一个或多个处理器102每个包括用于处理指令的一个或多个处理器核107,所述指令在被执行时执行系统和用户软件的操作。在一些实施例中,一个或多个处理器核107中的每个处理器核被配置成用于处理特定的指令集109。在一些实施例中,指令集109可以促进复杂指令集计算(CISC)、精简指令集计算(RISC)、或经由超长指令字(VLIW)的计算。多个处理器核107可以各自处理不同的指令集109,所述指令集可以包括用于促进对其他指令集进行仿真的指令。处理器核107还可以包括其他处理设备,如数字信号处理器(DSP)。
在一些实施例中,处理器102包括高速缓存存储器104。取决于架构,处理器102可以具有单个内部高速缓存或内部高速缓存的多个级。在一些实施例中,在处理器102的各部件当中共享高速缓存存储器。在一些实施例中,处理器102还使用外部高速缓存(例如,3级(L3)高速缓存或末级高速缓存(LLC))(未示出),可以使用已知的高速缓存一致性技术来在处理器核107当中共享外部高速缓存。另外地,寄存器堆106包括在处理器102中,所述处理器可以包括用于存储不同类型的数据的不同类型的寄存器(例如,整数寄存器、浮点寄存器、状态寄存器、和指令指针寄存器)。一些寄存器可以是通用寄存器,而其他寄存器可以特定于处理器102的设计。
在一些实施例中,处理器102耦合至处理器总线110,所述处理器总线用于在处理器102与系统100内的其他部件之间传输通信信号,例如地址、数据、或控制信号。在一个实施例中,系统100使用示例性‘中枢’系统架构,包括存储器控制器中枢116和输入输出(I/O)控制器中枢130。存储器控制器中枢116促进存储器设备与系统100的其他部件之间的通信,而I/O控制器中枢(ICH)130经由本地I/O总线提供与I/O设备的连接。在一个实施例中,存储器控制器中枢116的逻辑集成在处理器内。
存储器设备120可以是动态随机存取存储器(DRAM)设备、静态随机存取存储器(SRAM)设备、闪存设备、相变存储器设备、或具有合适的性能用作处理存储器的某个其他存储器设备。在一个实施例中,存储器设备120可作为系统100的系统存储器进行操作,以存储数据122和指令121,以供在一个或多个处理器102执行应用或进程时使用。存储器控制器中枢116还与可选的外部图形处理器112耦合,所述可选的外部图形处理器可以与处理器102中的一个或多个图形处理器108通信,从而执行图形和媒体操作。
在一些实施例中,ICH 130使得外围部件经由高速I/O总线连接至存储器设备120和处理器102。I/O外围装置包括但不限于:音频控制器146、固件接口128、无线收发机126(例如,Wi-Fi、蓝牙)、数据存储设备124(例如,硬盘驱动器、闪存等)、以及用于将传统(例如,个人系统2(PS/2))设备耦合至所述系统的传统I/O控制器140。一个或多个通用串行总线(USB)控制器142连接多个输入设备,例如键盘和鼠标144组合。网络控制器134还可以耦合至ICH 130。在一些实施例中,高性能网络控制器(未示出)耦合至处理器总线110。应当理解,所示出的系统100是示例性的而非限制性的,因为还可以使用以不同方式配置的其他类型的数据处理系统。例如,I/O控制器中枢130可以集成在一个或多个处理器102内,或者存储器控制器中枢116和I/O控制器中枢130可以集成在分立式外部图形处理器(诸如外部图形处理器112)内。
图2是处理器200的实施例的框图,所述处理器具有一个或多个处理器核202A至202N、集成存储器控制器214、以及集成图形处理器208。图2的具有与此处任何其他附图中的元件相同的参考号(或名称)的那些元件可采用与在本文中其他地方描述的方式相类似的任何方式进行操作或起作用,但不限于这些。处理器200可包括多达且包括由虚线框表示的附加核202N的附加核。处理器核202A至202N各自包括一个或多个内部高速缓存单元204A至204N。在一些实施例中,每个处理器核还可以访问一个或多个共享的高速缓存单元206。
内部高速缓存单元204A至204N和共享高速缓存单元206表示处理器200内部的高速缓存存储器层级结构。高速缓存存储器层级结构可以包括每个处理器核内的至少一级指令和数据高速缓存以及一级或多级共享中级高速缓存,诸如2级(L2)、3级(L3)、4级(L4)、或其他级的高速缓存,其中,最高级的高速缓存在外部存储器之前被分类为LLC。在一些实施例中,高速缓存一致性逻辑维持各高速缓存单元206与204A至204N之间的一致性。
在一些实施例中,处理器200还可以包括一组一个或多个总线控制器单元216和系统代理核210。一个或多个总线控制器单元216管理一组外围总线,诸如一个或多个外围部件互连总线(例如,PCI、PCI Express)。系统代理核210提供对各处理器部件的管理功能。在一些实施例中,系统代理核210包括一个或多个集成存储器控制器214用于管理对各外部存储器设备(未示出)的访问。
在一些实施例中,处理器核202A至202N中的一个或多个包括对同步多线程的支持。在这种实施例中,系统代理核210包括用于在多线程处理过程中协调和操作核202A至202N的部件。另外,系统代理核210还可以包括功率控制单元(PCU),所述功率控制单元包括用于调节处理器核202A至202N的功率状态的逻辑和部件以及图形处理器208。
在一些实施例中,另外,处理器200还包括用于执行图形处理操作的图形处理器208。在一些实施例中,图形处理器208耦合至共享高速缓存单元206集以及系统代理核210,所述系统代理核包括一个或多个集成存储器控制器214。在一些实施例中,显示控制器211与图形处理器208耦合以便将图形处理器输出驱动到一个或多个耦合的显示器。在一些实施例中,显示控制器211可以是经由至少一个互连与图形处理器耦合的单独模块,或者可以集成在图形处理器208或系统代理核210内。
在一些实施例中,基于环的互连单元212用于耦合处理器200的内部部件。然而,可以使用替代性互连单元,比如点到点互连、切换式互连、或其他技术,包括本领域众所周知的技术。在一些实施例中,图形处理器208经由I/O链路213与环形互连212耦合。
示例性I/O链路213表示多个I/O互连中的多个品种中的至少一种,包括促进各处理器部件与高性能嵌入式存储器模块218(比如eDRAM模块)之间的通信的封装体I/O互连。在一些实施例中,处理器核202A至202N中的每个处理器核以及图形处理器208将嵌入式存储器模块218用作共享末级高速缓存。
在一些实施例中,处理器核202A至202N是执行相同指令集架构的同构核。在另一实施例中,处理器核202A至202N在指令集架构(ISA)方面是异构的,其中,处理器核202A至202N中的一者或多者执行第一指令集,而其他核中的至少一者执行所述第一指令集的子集或不同的指令集。在一个实施例中,处理器核202A至202N就微架构而言是同质的,其中,具有相对较高功耗的一个或多个核与具有较低功耗的一个或多个功率核耦合。另外,处理器200可以实现在一个或多个芯片上或者被实现为具有除其他部件之外的所展示的部件的SoC集成电路。
图3是图形处理器300的框图,所述图形处理器可以是分立式图形处理单元、或者可以是与多个处理核集成的图形处理器。在一些实施例中,图形处理器经由到图形处理器上的寄存器的映射I/O接口并且利用被放置在处理器存储器中的命令与存储器进行通信。在一些实施例中,图形处理器300包括用于访问存储器的存储器接口314。存储器接口314可以是到本地存储器、一个或多个内部高速缓存、一个或多个共享外部高速缓存、和/或到系统存储器的接口。
在一些实施例中,图形处理器300还包括显示控制器302,所述显示控制器用于将显示输出数据驱动到显示设备320。显示控制器302包括用于显示器的一个或多个重叠平面的硬件以及多层视频或用户接口元件的组成。在一些实施例中,图形处理器300包括用于编码、解码、或者向、从或在一个或多个媒体编码格式之间进行媒体代码转换的视频编解码器引擎306,包括但不限于:运动图像专家组(MPEG)(诸如MPEG-2)、高级视频编码(AVC)格式(诸如H.264/MPEG-4AVC)、以及电影&电视工程师协会(SMPTE)421M/VC-1、和联合图像专家组(JPEG)格式(诸如JPEG、以及运动JPEG(MJPEG)格式)。
在一些实施例中,图形处理器300包括用于执行二维(2D)光栅化器操作包括例如位边界块传递的块图像传递(BLIT)引擎304。然而,在一个实施例中,使用图形处理引擎(GPE)310的一个或多个部件执行2D图形操作。在一些实施例中,图形处理引擎310是用于执行图形操作的计算引擎,所述图形操作包括三维(3D)图形操作和媒体操作。
在一些实施例中,GPE 310包括用于执行3D操作的3D流水线312,比如使用作用于3D图元形状(例如,矩形、三角形等)的处理功能来渲染三维图像和场景。3D流水线312包括可编程且固定的功能元件,所述可编程且固定的功能元件在到3D/媒体子系统315的元件和/或生成的执行线程内执行各种任务。虽然3D流水线312可以用于执行媒体操作,但是GPE310的实施例还包括媒体流水线316,所述媒体流水线具体地用于执行媒体操作,诸如视频后处理和图像增强。
在一些实施例中,媒体流水线316包括固定功能或可编程逻辑单元以便代替、或代表视频编解码器引擎306来执行一种或多种专门的媒体操作,比如视频解码加速、视频解交织、以及视频编码加速。在一些实施例中,另外,媒体流水线316还包括线程生成单元以便生成用于在3D/媒体子系统315上执行的线程。所生成的线程对3D/媒体子系统315中所包括的一个或多个图形执行单元执行对媒体操作的计算。
在一些实施例中,3D/媒体子系统315包括用于执行3D流水线312和媒体流水线316生成的线程的逻辑。在一个实施例中,流水线向3D/媒体子系统315发送线程执行请求,所述3D/媒体子系统包括用于仲裁并将各请求分派到可用的线程执行资源的线程分派逻辑。执行资源包括用于处理3D和媒体线程的图形执行单元阵列。在一些实施例中,3D/媒体子系统315包括用于线程指令和数据的一个或多个内部高速缓存。在一些实施例中,所述子系统还包括共享存储器(包括寄存器和可寻址存储器)以便在线程之间共享数据并用于存储输出数据。
3D/媒体处理
图4是根据一些实施例的图形处理器的图形处理引擎410的框图。在一个实施例中,图形处理引擎(GPE)410是图3所示的GPE 310的一个版本。图4的具有与此处任何其他附图中的元件相同的参考号(或名称)的那些元件可采用与在本文中其他地方描述的方式相类似的任何方式进行操作或起作用,但不限于这些。例如,展示了图3的3D流水线312和媒体流水线316。媒体流水线316在GPE 410的一些实施例中是可选的,并且可以不显式地包括在GPE 410内。例如以及在至少一个实施例中,单独的媒体和/或图像处理器被耦合至GPE410。
在一些实施例中,GPE 410与命令流转化器403耦合或包括所述命令流转化器,所述命令流转化器向3D流水线312和/或媒体流水线316提供命令流。在一些实施例中,命令流转化器403与存储器耦合,所述存储器可以是系统存储器、或内部高速缓存存储器和共享高速缓存存储器中的一个或多个高速缓存存储器。在一些实施例中,命令流转化器403从存储器接收命令并将这些命令发送至3D流水线312和/或媒体流水线316。所述命令是从存储用于3D流水线312和媒体流水线316的环形缓冲器获取的指示。在一个实施例中,另外,环形缓冲器还可以包括存储多批多命令的批命令缓冲器。用于3D流水线312的命令还可以包括对在存储器中存储的数据的引用,诸如但不限于用于3D流水线312的顶点和几何数据和/或用于媒体流水线316的图像数据和存储器对象。3D流水线312和媒体流水线316通过经由各自流水线内的逻辑执行操作或者通过将一个或多个执行线程分派至执行单元阵列414来处理所述命令。
在各种实施例中,3D流水线312可以通过处理指令并将执行线程分派给图形核阵列414来执行一个或多个着色器程序,诸如顶点着色器、几何着色器、像素着色器、片段着色器、计算着色器或其他着色器程序。图形核阵列414提供统一的执行资源块。图形核阵列414内的多用途执行逻辑(例如,执行单元)包括对各种3D API着色器语言的支持,并且可以执行与多个着色器相关联的多个同时执行线程。
在一些实施例中,图形核阵列414还包括用于执行诸如视频和/或图像处理的媒体功能的执行逻辑。在一个实施例中,除了图形处理操作之外,执行单元还包括可编程以执行并行通用计算操作的通用逻辑。通用逻辑可以与图1的(多个)处理器核107或图2中的核202A至202N内的通用逻辑并行地或结合地执行处理操作。
由在图形核阵列414上执行的线程生成的输出数据可以将数据输出到统一返回缓冲器(URB)418中的存储器。URB 418可以存储多个线程的数据。在一些实施例中,URB 418可以用于在图形核阵列414上执行的不同线程之间发送数据。在一些实施例中,URB 418可以另外用于图形核阵列上的线程与共享功能逻辑420内的固定功能逻辑之间的同步。
在一些实施例中,图形核阵列414是可缩放的,使得所述阵列包括可变数量的图形核,这些图形核各自具有基于GPE 410的目标功率和性能等级的可变数量的执行单元。在一个实施例中,执行资源是动态可缩放的,从而可以根据需要启用或禁用执行资源。
图形核阵列414与共享功能逻辑420耦合,所述共享功能逻辑包括在图形核阵列中的图形核之间共享的多个资源。共享功能逻辑420内的共享功能是向图形核阵列414提供专用补充功能的硬件逻辑单元。在各种实施例中,共享功能逻辑420包括但不限于采样器421、数学422和线程间通信(ITC)423逻辑。另外,一些实施例实现共享功能逻辑420内的一个或多个高速缓存425。在给定的专用功能的需求不足以包含在图形核阵列414中的情况下实现共享功能。相反,所述专用功能的单个实例被实现为共享功能逻辑420中的独立实体并且在图形核阵列414内的执行资源之间共享。在图形核阵列414之间共享并包括在图形核阵列414内的精确的一组功能在各实施例之间变化。
图5是图形处理器500的另一个实施例的框图。图5的具有与此处任何其他附图中的元件相同的参考号(或名称)的那些元件可采用与在本文中其他地方描述的方式相类似的任何方式进行操作或起作用,但不限于这些。
在一些实施例中,图形处理器500包括环形互连502、流水线前端504、媒体引擎537、以及图形核580A至580N。在一些实施例中,环形互连502将图形处理器耦合至其他处理单元,包括其他图形处理器或者一个或多个通用处理器核。在一些实施例中,图形处理器是集成在多核处理系统内的多个处理器之一。
在一些实施例中,图形处理器500经由环形互连502接收多批命令。传入命令由流水线前端504中的命令流转化器503来解译。在一些实施例中,图形处理器500包括用于经由(多个)图形核580A至580N执行3D几何处理和媒体处理的可缩放执行逻辑。对于3D几何处理命令,命令流转化器503将命令供应至几何流水线536。针对至少一些媒体处理命令,命令流转化器503将命令供应至视频前端534,所述视频前端与媒体引擎537耦合。在一些实施例中,媒体引擎537包括用于视频和图像后处理的视频质量引擎(VQE)530以及用于提供硬件加速的媒体数据编码和解码的多格式编码/解码(MFX)533引擎。在一些实施例中,几何流水线536和媒体引擎537各自生成执行线程,所述执行线程用于由至少一个图形核580A提供的线程执行资源。
在一些实施例中,图形处理器500包括可缩放线程执行资源表征模块核580A至580N(有时被称为核分片),各个可缩放线程执行资源表征模块核具有多个子核550A至550N、560A至560N(有时被称为核子分片)。在一些实施例中,图形处理器500可以具有任意数量的图形核580A至580N。在一些实施例中,图形处理器500包括图形核580A,所述图形核至少具有第一子核550A和第二核子核560A。在其他实施例中,图形处理器是具有单个子核(例如,550A)的低功率处理器。在一些实施例中,图形处理器500包括多个图形核580A至580N,所述图形核各自包括一组第一子核550A至550N和一组第二子核560A至560N。所述一组第一子核550A至550N中的每个子核至少包括第一组执行单元552A至552N和媒体/纹理采样器554A至554N。所述一组第二子核560A至560N中的每个子核至少包括第二组执行单元562A至562N和采样器564A至564N。在一些实施例中,每个子核550A至550N、560A至560N共享一组共享资源570A至570N。在一些实施例中,所述共享资源包括共享高速缓存存储器和像素操作逻辑。其他共享资源也可以包括在图形处理器的各实施例中。
执行单元
图6展示了线程执行逻辑600,所述线程执行逻辑包括在GPE的一些实施例中采用的处理元件阵列。图6的具有与此处任何其他附图中的元件相同的参考号(或名称)的那些元件可采用与在本文中其他地方描述的方式相类似的任何方式进行操作或起作用,但不限于这些。
在一些实施例中,线程执行逻辑600包括像素着色器602、线程分派器604、指令高速缓存606、包括多个执行单元608A至608N的可缩放执行单元阵列、采样器610、数据高速缓存612、以及数据端口614。在一个实施例中,所包括的部件经由互连结构而互连,所述互连结构链接到部件中的每个部件。在一些实施例中,线程执行逻辑600包括通过指令高速缓存606、数据端口614、采样器610、以及执行单元阵列608A至608N中的一者或多者到存储器(如系统存储器或高速缓存存储器)的一个或多个连接件。在一些实施例中,每个执行单元(例如,608A)是能够执行多个同步线程并针对每个线程并行地处理多个数据元素的单独向量处理器。在一些实施例中,执行单元阵列608A至608N包括任意数量的单独执行单元。
在一些实施例中,执行单元阵列608A至608N主要用于执行“着色器”程序。在一些实施例中,阵列608A至608N中的执行单元执行指令集(所述指令集包括对许多标准3D图形着色器指令的原生支持),从而使得以最小的转换执行来自图形库(例如,Direct 3D和OpenGL)的着色器程序。这些执行单元支持顶点和几何处理(例如,顶点程序、几何程序、顶点着色器)、像素处理(例如,像素着色器、片段着色器)以及通用处理(例如,计算和媒体着色器)。
执行单元阵列608A至608N中的每个执行单元在数据元素阵列上进行操作。数据元素的数量是“执行尺寸”、或指令的信道数。执行通道是执行数据元素访问、掩蔽、和指令内的流控制的逻辑单元。通道的数量可以与针对特定图形处理器的物理算术逻辑单元(ALU)或浮点单元(FPU)的数量无关。在一些实施例中,执行单元608A至608N支持整数和浮点数据类型。
执行单元指令集包括单指令多数据(SIMD)指令或者单指令多线程(SIMT)指令。各种数据元素可作为压缩数据类型存储在寄存器中,并且执行单元将基于元素的数据尺寸来处理各种元素。例如,当在256位宽的向量上进行操作时,所述256位的向量存储在寄存器中,并且所述执行单元作为四个单独64位压缩数据元素(四倍字长(QW)尺寸的数据元素)、八个单独32位压缩数据元素(双倍字长(DW)尺寸的数据元素)、十六个单独16位压缩数据元素(字长(W)尺寸的数据元素)、或三十二个单独8位数据元素(字节(B)尺寸的数据元素)在所述向量上进行操作。然而,不同的向量宽度和寄存器尺寸是可能的。
一个或多个内部指令高速缓存(例如,606)包括在所述线程执行逻辑600中以便高速缓存所述执行单元的线程指令。在一些实施例中,一个或多个数据高速缓存(例如,612)被包括用于高速缓存在线程执行过程中的线程数据。在一些实施例中,采样器610被包括用于为3D操作提供纹理采样并且为媒体操作提供媒体采样。在一些实施例中,采样器610包括专门的纹理或媒体采样功能,以便在向执行单元提供采样数据之前在采样过程中处理纹理或媒体数据。
在执行过程中,图形和媒体流水线经由线程生成和分派逻辑向线程执行逻辑600发送线程发起请求。在一些实施例中,线程执行逻辑600包括本地线程分派器604,该本地线程分派器604对来自图形和媒体流水线的线程发起请求进行仲裁并且在一个或多个执行单元608A至608N上实例化所请求的线程。例如,几何流水线(例如,图5的536)将顶点处理、曲面细分或几何处理线程分派至线程执行逻辑600(图6)。在一些实施例中,线程分派器604还可处理来自执行着色器程序的运行时间线程生成请求。
一旦一组几何对象已经被处理并被光栅化成像素数据,则像素着色器602被调用以便进一步计算输出信息并且使得结果被写入到输出表面(例如,色彩缓冲器、深度缓冲器、模板印刷缓冲器等)。在一些实施例中,像素着色器602计算各顶点属性的值,所述各顶点属性跨光栅化对象被内插。在一些实施例中,像素着色器602然后执行应用编程接口(API)供应的像素着色器程序。为了执行像素着色器程序,像素着色器602经由线程分派器604将线程分派至执行单元(例如,608A)。在一些实施例中,像素着色器602使用采样器610中的纹理采样逻辑来访问存储器中所存储的纹理图中的纹理数据。对纹理数据和输入几何数据的算术运算计算每个几何片段的像素颜色数据,或丢弃一个或多个像素而不进行进一步处理。
在一些实施例中,数据端口614提供存储器访问机制,供线程执行逻辑600将经处理的数据输出至存储器以便在图形处理器输出流水线上进行处理。在一些实施例中,数据端口614包括或耦合至一个或多个高速缓存存储器(例如,数据高速缓存612)从而经由数据端口高速缓存数据以供存储器访问。
图7是展示了根据一些实施例的图形处理器指令格式700的框图。在一个或多个实施例中,图形处理器执行单元支持具有多种格式的指令的指令集。实线框展示了通常包括在执行单元指令中的部件,而虚线包括可选的部件或仅包括在指令子集中的部件。在一些实施例中,所描述和展示的指令格式700是宏指令,因为它们是供应至执行单元的指令,这与从指令解码产生的微操作相反(一旦所述指令被处理)。
在一些实施例中,图形处理器执行单元原生地支持采用128位指令格式710的指令。64位紧凑指令格式730可用于基于所选指令、多个指令选项和操作数数量的一些指令。原生128位指令格式710提供对所有指令选项的访问,而一些选项和操作限制在64位指令格式730中。64位指令格式730中可用的原生指令根据实施例而不同。在一些实施例中,使用索引字段713中的一组索引值将指令部分地压缩。执行单元硬件基于索引值来参考一组压缩表,并使用压缩表输出来重构采用128位指令格式710的原生指令。
针对每种格式,指令操作码712限定执行单元要执行的操作。执行单元跨每个操作数的多个数据元素来并行地执行每条指令。例如,响应于添加指令,执行单元跨每个颜色通道执行同步添加操作,所述颜色通道表示纹理元素或图片元素。默认地,执行单元跨操作数的所有数据通道执行每条指令。在一些实施例中,指令控制字段714使能控制某些执行选项,诸如通道选择(例如,预测)以及数据通道排序(例如,混合)。针对128位指令710,执行尺寸字段716限制了将并行执行的数据通道的数量。在一些实施例中,执行尺寸字段716不可用于64位紧凑指令格式730。
一些执行单元指令具有多达三个操作数,包括两个源操作数(src0 720、src1722)和一个目的地718。在一些实施例中,执行单元支持双目的地指令,其中这些目的地之一是隐式的。数据操作指令可以具有第三源操作数(例如,SRC2 724),其中,指令操作码712确定源操作数的数量。指令的最后的源操作数可以是利用所述指令传递的即时(例如,硬编码)值。
在一些实施例中,128位指令格式710包括访问/地址模式信息726,所述访问/地址模式信息例如指定了是使用直接寄存器寻址模式还是间接寄存器寻址模式。当使用直接寄存器寻址模式时,直接由指令710中的位来提供一个或多个操作数的寄存器地址。
在一些实施例中,128位指令格式710包括访问/地址模式字段726,所述访问/地址模式字段指定指令的地址模式和/或访问模式。在一个实施例中,访问模式限定针对指令的数据访问对齐。一些实施例支持访问模式,包括16字节对齐访问模式和1字节对齐访问模式,其中,访问模式的字节对齐确定了指令操作数的访问对齐。例如,当在第一模式中时,指令710可以使用字节对齐寻址以用于源操作数和目的地操作数,并且当在第二模式中时,指令710可以使用16字节对齐寻址以用于所有的源操作数和目的地操作数。
在一个实施例中,访问/地址模式字段726的地址模式部分确定指令是使用直接寻址还是间接寻址。当使用直接寄存器寻址模式时,指令710中的位直接提供一个或多个操作数的寄存器地址。当使用间接寄存器寻址模式时,可以基于指令中的地址寄存器值和地址立即数字段来计算一个或多个操作数的寄存器地址。
在一些实施例中,基于操作码712位字段对指令进行分组从而简化操作码解码740。针对8位的操作码,第4、5、和6位允许执行单元确定操作码的类型。所示出的精确操作码分组仅是示例性的。在一些实施例中,移动和逻辑操作码组742包括数据移动和逻辑指令(例如,移动(mov)、比较(cmp))。在一些实施例中,移动和逻辑组742共享五个最高有效位(MSB),其中移动(mov)指令采用0000xxxxb的形式,而逻辑指令采用0001xxxxb的形式。流控制指令组744(例如,调用(call)、跳(jmp))包括采用0010xxxxb形式(例如,0x20)的指令。混杂的指令组746包括指令的混合,包括采用0011xxxxb形式(例如,0x30)的同步指令(例如,等待(wait)、发送(send))。并行数学指令组748包括采用0100xxxxb形式(例如,0x40)的按分量的算术指令(例如,加(add)、乘(mul))。并行数学组748跨数据通道并行地执行算术运算。向量数学组750包括采用0101xxxxb形式(例如,0x50)的算术指令(例如,dp4)。向量数学组对向量操作数执行算术运算,诸如点积运算。
图形流水线
图8是图形处理器800的另一个实施例的框图。图8的具有与此处任何其他附图中的元件相同的参考号(或名称)的那些元件可采用与在本文中其他地方描述的方式相类似的任何方式进行操作或起作用,但不限于这些。
在一些实施例中,图形处理器800包括图形流水线820、媒体流水线830、显示引擎840、线程执行逻辑850、以及渲染输出流水线870。在一些实施例中,图形处理器800是包括一个或多个通用处理核的多核处理系统内的图形处理器。图形处理器受到至一个或多个控制寄存器(未示出)的寄存器写入的控制或者经由环形互连802经由发布至图形处理器800的命令被控制。在一些实施例中,环形互连802将图形处理器800耦合至其他处理部件,比如其他图形处理器或通用处理器。来自环形互连802的命令通过命令流转化器803被解译,所述命令流转化器将指令供应至图形流水线820或媒体流水线830的单独部件。
在一些实施例中,命令流转化器803引导顶点获取器805的操作,所述顶点获取器从存储器读取顶点数据并执行由命令流转化器803所提供的顶点处理命令。在一些实施例中,顶点获取器805将顶点数据提供给顶点着色器807,所述顶点着色器对每个顶点执行坐标空间变换和照明操作。在一些实施例中,顶点获取器805和顶点着色器807通过经由线程分派器831向执行单元852A至852B分派执行线程来执行顶点处理指令。
在一些实施例中,执行单元852A至852B是具有用于执行图形和媒体操作的指令集的向量处理器阵列。在一些实施例中,执行单元852A至852B具有附接的L1高速缓存851,所述高速缓存专用于每个阵列或在阵列之间共享。高速缓存可以被配置为数据高速缓存、指令高速缓存、或单个高速缓存,所述单个高速缓存被分区为包含不同分区中的数据和指令。
在一些实施例中,图形流水线820包括用于执行3D对象的硬件加速曲面细分的曲面细分部件。在一些实施例中,可编程的外壳着色器811配置曲面细分操作。可编程域着色器817提供对曲面细分输出的后端评估。曲面细分器813在外壳着色器811的方向上进行操作并且包含专用逻辑,所述专用逻辑用于基于粗糙几何模型来生成详细的几何对象集合,所述粗糙几何模型作为输入被提供至图形流水线820。在一些实施例中,如果未使用曲面细分,则可以对曲面细分部件(811、813、817)进行旁路。
在一些实施例中,完整的几何对象可以由几何着色器819经由被分派至所述执行单元852A至852B的一个或多个线程来处理、或者可以直接行进至剪辑器829。在一些实施例中,几何着色器在整个几何对象(而非顶点或者如图形流水线的先前级中的顶点补片)上进行操作。如果禁用曲面细分,则几何着色器819从顶点着色器807接收输入。在一些实施例中,几何着色器819可由几何着色器程序编程以便在曲面细分单元被禁用时执行几何曲面细分。
在光栅化之前,剪辑器829处理顶点数据。剪辑器829可以是固定功能的剪辑器或者具有剪辑和几何着色器功能的可编程剪辑器。在一些实施例中,渲染输出流水线870中的光栅和深度测试部件873分派像素着色器以将几何对象转换成其每像素表示。在一些实施例中,像素着色器逻辑包括在线程执行逻辑850中。在一些实施例中,应用可对光栅化进行旁路并且经由流出单元823访问未光栅化的顶点数据。
图形处理器800具有互连总线、互连结构、或某个其他的互连机制,所述互连机制允许数据和消息在所述图形处理器的主要部件之中传递。在一些实施例中,执行单元852A至852B和(多个)相关联的高速缓存851、纹理和媒体采样器854、以及纹理/采样器高速缓存858经由数据端口856进行互连,以便执行存储器访问并且与处理器的渲染输出流水线部件进行通信。在一些实施例中,采样器854、高速缓存851、858以及执行单元852A至852B各自具有单独的存储器访问路径。
在一些实施例中,渲染输出流水线870包含光栅和深度测试部件873,所述光栅和深度测试部件将基于顶点的对象转换为相关联的基于像素的表示。在一些实施例中,渲染输出流水线870包括用于执行固定功能三角形和线光栅化的窗口器/掩蔽器单元。相关联的渲染高速缓存878和深度高速缓存879在一些实施例中也是可用的。像素操作部件877对数据进行基于像素的操作,然而在一些实例中,与2D操作(例如,利用混合的位块图像传递)相关联的像素操作由2D引擎841执行、或者在显示时间由显示控制器843使用重叠显示平面来代替。在一些实施例中,共享的L3高速缓存875可用于所有的图形部件,从而允许在无需使用主系统存储器的情况下共享数据。
在一些实施例中,图形处理器媒体流水线830包括媒体引擎837和视频前端834。在一些实施例中,视频前端834从命令流转化器803接收流水线命令。在一些实施例中,媒体流水线830包括单独的命令流转化器。在一些实施例中,视频前端834在将所述命令发送至媒体引擎837之前处理媒体命令。在一些实施例中,媒体引擎837包括用于生成线程以用于经由线程分派器831分派至线程执行逻辑850的线程生成功能。
在一些实施例中,图形处理器800包括显示引擎840。在一些实施例中,显示引擎840在处理器800外部并且经由环形互连802、或某个其他互连总线或机构与图形处理器耦合。在一些实施例中,显示引擎840包括2D引擎841和显示控制器843。在一些实施例中,显示引擎840包含能够独立于3D流水线而操作的专用逻辑。在一些实施例中,显示控制器843与显示设备(未示出)耦合,所述显示设备可以是系统集成显示设备(如在膝上型计算机中)、或者经由显示设备连接器附接的外部显示设备。
在一些实施例中,图形流水线820和媒体流水线830可被配置成用于基于多个图形和媒体编程接口执行操作并且并非专用于任何一种应用编程接口(API)。在一些实施例中,图形处理器的驱动器软件将专用于特定图形或媒体库的API调度转换成可由图形处理器处理的命令。在一些实施例中,为来自Khronos Group的开放图形库(OpenGL)和开放计算语言(OpenCL)、来自微软公司的Direct3D库提供支持,或者可以为OpenGL和D3D两者提供支持。还可以为开源计算机视觉库(OpenCV)提供支持。如果可做出从未来API的流水线到图形处理器的流水线的映射,则具有兼容3D流水线的未来API也将受到支持。
图形流水线编程
图9A是展示了根据一些实施例的图形处理器命令格式900的框图。图9B是展示了根据实施例的图形处理器命令序列910的框图。图9A中的实线框展示了通常包括在图形命令中的部件,而虚线包括是可选的或者仅包括在所述图形命令的子集中的部件。图9A的示例性图形处理器命令格式900包括用于标识命令的目标客户端902、命令操作代码(操作码)904、以及用于命令的相关数据906的数据字段。一些命令中还包括子操作码905和命令尺寸908。
在一些实施例中,客户端902指定了处理命令数据的图形设备的客户端单元。在一些实施例中,图形处理器命令解析器检查每个命令的客户端字段以便调整对命令的进一步处理并将命令数据路由至合适的客户端单元。在一些实施例中,图形处理器客户端单元包括存储器接口单元、渲染单元、2D单元、3D单元、和媒体单元。每个客户端单元具有对命令进行处理的相应处理流水线。一旦命令被客户端单元接收到,客户端单元就读取操作码904以及子操作码905(如果存在的话)从而确定要执行的操作。客户端单元使用数据字段906内的信息来执行命令。针对一些命令,期望显式的命令尺寸908来指定命令的尺寸。在一些实施例中,命令解析器基于命令操作码自动地确定命令中的至少一些命令的尺寸。在一些实施例中,经由双倍字长的倍数对命令进行对齐。
图9B中的流程图示出了示例性图形处理器命令序列910。在一些实施例中,以图形处理器的实施例为特征的数据处理系统的软件或固件使用所示出的命令序列的版本来启动、执行并终止图形操作集合。仅出于示例性目的示出并描述了样本命令序列,如实施例并不限于这些特定命令或者此命令序列。而且,所述命令可以作为一批命令以命令序列被发布,从而使得图形处理器将以至少部分同时的方式处理命令序列。
在一些实施例中,图形处理器命令序列910可以以流水线转储清除命令912开始以便使得任一活跃图形流水线完成针对所述流水线的当前未决命令。在一些实施例中,3D流水线922和媒体流水线924不同时进行操作。执行流水线转储清除以使得活动图形流水线完成任何未决命令。响应于流水线转储清除,用于图形处理器的命令解析器将停止命令处理直到活跃绘画引擎完成未决操作并且使得相关的读高速缓存失效。可选地,渲染高速缓存中被标记为‘脏’的任何数据可以被转储清除到存储器中。在一些实施例中,流水线转储清除命令912可以用于流水线同步或者用在将图形处理器置于低功率状态之前。
在一些实施例中,当命令序列需要图形处理器在流水线之间显式地切换时,使用流水线选择命令913。在一些实施例中,在发布流水线命令之前在执行情境中仅需要一次流水线选择命令913,除非所述情境要发布针对两条流水线的命令。在一些实施例中,在经由流水线选择命令913的流水线切换之前正好需要流水线转储清除命令912。
在一些实施例中,流水线控制命令914配置用于操作的图形流水线并且用于对3D流水线922和媒体流水线924进行编程。在一些实施例中,流水线控制命令914配置活跃流水线的流水线状态。在一个实施例中,流水线控制命令914用于流水线同步并且用于在处理一批命令之前清除来自活跃流水线内的一个或多个高速缓存存储器中的数据。
在一些实施例中,用于返回缓冲器状态916的命令用于配置返回缓冲器的集合以供相应的流水线写入数据。一些流水线操作需要分配、选择、或配置一个或多个返回缓冲器,在处理过程中所述操作将中间数据写入所述一个或多个返回缓冲器中。在一些实施例中,图形处理器还使用一个或多个返回缓冲器以便存储输出数据并且执行跨线程通信。在一些实施例中,配置返回缓冲器状态916包括选择返回缓冲器的尺寸和数量以用于流水线操作集合。
命令序列中的剩余命令基于用于操作的活跃流水线而不同。基于流水线判定920,所述命令序列被定制用于以3D流水线状态930开始的3D流水线922、或者在媒体流水线状态940处开始的媒体流水线924。
用于3D流水线状态930的命令包括用于顶点缓冲器状态、顶点元素状态、常量颜色状态、深度缓冲器状态、以及有待在处理3D图元命令之前配置的其他状态变量的3D状态设置命令。这些命令的值至少部分地基于使用中的特定3D API来确定。在一些实施例中,3D流水线状态930命令还能够选择性地禁用或旁路掉特定流水线元件(如果将不使用那些元件的话)。
在一些实施例中,3D图元932命令用于提交待由3D流水线处理的3D图元。经由3D图元932命令传递给图形处理器的命令和相关联参数将被转发到所述图形流水线中的顶点获取功能。顶点获取功能使用3D图元932命令数据来生成多个顶点数据结构。所述顶点数据结构被存储在一个或多个返回缓冲器中。在一些实施例中,3D图元932命令用于经由顶点着色器对3D图元执行顶点操作。为了处理顶点着色器,3D流水线922将着色器执行线程分派至图形处理器执行单元。
在一些实施例中,经由执行934命令或事件触发3D流水线922。在一些实施例中,寄存器写入触发命令执行。在一些实施例中,经由命令序列中的‘前进’(‘go’)或‘拣选’(‘kick’)命令来触发执行。在一个实施例中,使用流水线同步命令来触发命令执行以便通过图形流水线转储清除命令序列。3D流水线将针对3D图元来执行几何处理。一旦完成操作,则对所产生的几何对象进行光栅化,并且像素引擎对所产生的像素进行着色。对于这些操作,还可以包括用于控制像素着色和像素后端操作的附加命令。
在一些实施例中,当执行媒体操作时,图形处理器命令序列910跟随在媒体流水线924路径之后。一般地,针对媒体流水线924进行编程的具体用途和方式取决于待执行的媒体或计算操作。在媒体解码过程中,特定的媒体解码操作可以被卸载到所述媒体流水线。在一些实施例中,还可对媒体流水线进行旁路,并且可使用由一个或多个通用处理核提供的资源来整体地或部分地执行媒体解码。在一个实施例中,媒体流水线还包括用于通用图形处理器单元(GPGPU)操作的元件,其中,所述图形处理器用于使用计算着色器程序来执行SIMD向量运算,所述计算着色器程序与渲染图形图元不是显式地相关的。
在一些实施例中,以与3D流水线922相似的方式对媒体流水线924进行配置。将用于配置媒体流水线状态940的一组命令分派或放置到命令队列中,在媒体对象命令942之前。在一些实施例中,用于媒体流水线状态940的命令包括用于配置媒体流水线元件的数据,所述媒体流水线元件将用于处理媒体对象。这包括用于在媒体流水线内配置视频解码和视频编码逻辑的数据,诸如编码或解码格式。在一些实施例中,用于媒体流水线状态940的命令还支持将一个或多个指针用于包含一批状态设置的“间接”状态元件。
在一些实施例中,媒体对象命令942将指针供应至媒体对象以用于由媒体流水线进行处理。媒体对象包括存储器缓冲器,所述存储器缓冲器包含待处理的视频数据。在一些实施例中,在发布媒体对象命令942之前,所有的媒体流水线状态必须是有效的。一旦流水线状态被配置并且媒体对象命令942被排队,则经由执行944命令或等效的执行事件(例如,寄存器写入)来触发媒体流水线924。然后可以通过由3D流水线922或媒体流水线924提供的操作对来自媒体流水线924的输出进行后处理。在一些实施例中,以与媒体操作类似的方式来配置和执行GPGPU操作。
图形软件架构
图10展示了根据一些实施例的数据处理系统1000的示例性图形软件架构。在一些实施例中,软件架构包括3D图形应用1010、操作系统1020、以及至少一个处理器1030。在一些实施例中,处理器1030包括图形处理器1032以及一个或多个通用处理器核1034。图形应用1010和操作系统1020各自在数据处理系统的系统存储器1050中执行。
在一些实施例中,3D图形应用1010包含一个或多个着色器程序,所述一个或多个着色器程序包括着色器指令1012。着色器语言指令可以采用高级着色器语言,诸如高级着色器语言(HLSL)或OpenGL着色器语言(GLSL)。所述应用还包括可执行指令1014,所述可执行指令采用适合用于由通用处理器核(多个)1034执行的机器语言。所述应用还包括由顶点数据限定的图形对象1016。
在一些实施例中,操作系统1020是来自微软公司的 操作系统、专用UNIX式操作系统、或使用Linux内核变体的开源UNIX式操作系统。操作系统1020可以支持图形API 1022,诸如Direct3D API、或者OpenGL API。当Direct3D API正在使用时,操作系统1020使用前端着色器编译器1024以将HLSL中的任何着色器指令1012编译成较低级的着色器语言。所述编译可以是即时(JIT)编译,或者所述应用可执行着色器预编译。在一些实施例中,在对3D图形应用1010进行编译的过程中,将高级着色器编译成低级着色器。在一些实施例中,用户模式图形驱动器1026包含后端着色器编译器1027,所述后端着色器编译器用于将着色器指令1012转换成硬件专用的表示。当在使用OpenGL API时,将采用GLSL高级语言的着色器指令1012传递至用户模式图形驱动器1026以用于编译。在一些实施例中,用户模式图形驱动器1026使用操作系统内核模式功能1028来与内核模式图形驱动器1029进行通信。在一些实施例中,内核模式图形驱动器1029与图形处理器1032进行通信以便分派命令和指令。/>
IP核实现
至少一个实施例的一个或多个方面可以由存储在机器可读介质上的代表性代码实现,所述机器可读介质表示和/或限定集成电路诸如处理器内的逻辑。例如,机器可读介质可以包括表示处理器内的各个逻辑的指令。当由机器读取时,所述指令可以使机器制造用于执行本文所述的技术的逻辑。这类表示(称为“IP核”)是集成电路的逻辑的可重复使用单元,所述可重复使用单元可以作为对集成电路的结构进行描述的硬件模型而存储在有形、机器可读介质上。可以将硬件模型供应至在制造集成电路的制造机器上加载硬件模型的各消费者或制造设施。可以制造集成电路,从而使得电路执行与本文所述的实施例中的任一实施例相关联地描述的操作。
图11是展示了根据实施例的可以用于制造集成电路以执行操作的IP核开发系统1100的框图。IP核开发系统1100可以用于生成可并入到更大的设计中或用于构建整个集成电路(例如,SOC集成电路)的模块化、可重复使用设计。设计设施1130可采用高级编程语言(例如,C/C++)生成对IP核设计的软件仿真1110。软件仿真1110可用于使用仿真模型1112来设计、测试并验证IP核的行为。仿真模型1112可以包括功能、行为和/或时序仿真。然后可由仿真模型1112来创建或合成寄存器传输级(RTL)设计1115。RTL设计1115是对硬件寄存器之间的数字信号的流动进行建模的集成电路(包括使用建模的数字信号执行的相关联逻辑)的行为的抽象。除了RTL设计1115之外,还可以创建、设计或合成逻辑电平或晶体管电平处的较低层次设计。由此,初始设计和仿真的具体细节可以发生变化。
可以由设计设施将RTL设计1115或等效方案进一步合成为硬件模型1120,所述硬件模型可以采用硬件描述语言(HDL)或物理设计数据的某种其他表示。可以进一步仿真或测试HDL以验证IP核设计。可使用非易失性存储器1140(例如,硬盘、闪存、或任何非易失性存储介质)来存储IP核设计以用于递送至第3方制造设施1165。可替代地,可以通过有线连接1150或无线连接1160来传输(例如,经由互联网)IP核设计。制造设施1165然后可以制造至少部分地基于IP核设计的集成电路。所制造的集成电路可被配置用于执行根据本文所述的至少一个实施例的操作。
示例性芯片上系统集成电路
图12至图14展示了根据本文所述的各种实施例的可以使用一个或多个IP核来制造的示例性集成电路和相关图形处理器。除了所展示的之外,还可以包括其他逻辑和电路,包括附加的图形处理器/核、外围接口控制器或通用处理器核。
图12是展示了根据实施例的可以使用一个或多个IP核来制造的示例性芯片上系统集成电路1200的框图。示例性集成电路1200包括一个或多个应用处理器1205(例如,CPU)、至少一个图形处理器1210,并且另外还可以包括图像处理器1215和/或视频处理器1220,其中的任一项都可以是来自相同或多个不同设计设施的模块化IP核。集成电路1200包括外围或总线逻辑,包括USB控制器1225、UART控制器1230、SPI/SDIO控制器1235和I2S/I2C控制器1240。另外,集成电路还可以包括显示设备1245,所述显示设备耦合至高清晰度多媒体接口(HDMI)控制器1250和移动行业处理器接口(MIPI)显示界面1255中的一项或多项。可以由闪存子系统1260(包括闪存和闪存控制器)来提供存储。可以经由存储器控制器1265来提供存储器接口以访问SDRAM或SRAM存储器设备。另外,一些集成电路还包括嵌入式安全引擎1270。
图13是展示了根据实施例的可以使用一个或多个IP核来制造的芯片上系统集成电路的示例性图形处理器1310的框图。图形处理器1310可以是图12的图形处理器1210的变体。图形处理器1310包括顶点处理器1305和一个或多个片段处理器1315A至1315N(例如,1315A,1315B,1315C,1315D,一直到1315N-1和1315N)。图形处理器1310可以经由单独的逻辑执行不同的着色器程序,使得顶点处理器1305被优化以执行顶点着色器程序的操作,而一个或多个片段处理器1315A至1315N执行片段(例如,像素)着色操作以用于片段或像素着色器程序。顶点处理器1305执行3D图形流水线的顶点处理阶段并生成图元和顶点数据。(多个)片段处理器1315A至1315N使用由顶点处理器1305生成的图元和顶点数据来产生显示在显示设备上的帧缓冲器。在一个实施例中,(多个)片段处理器1315A至1315N被优化以执行OpenGL API中提供的片段着色器程序,这些片段着色器程序可以用于执行与Direct 3DAPI中提供的像素着色器程序相似的操作。
另外,图形处理器1310还包括一个或多个存储器管理单元(MMU)1320A至1320B、一个或多个高速缓存1325A至1325B和(多个)电路互连1330A至1330B。一个或多个MMU 1320A至1320B为图形处理器1310包括为顶点处理器1305和/或一个或多个片段处理器1315A至1315N提供虚拟到物理地址映射,除了存储在一个或多个高速缓存1325A至1325B中的顶点或图像/纹理数据之外,所述虚拟到物理地址映射还可以引用存储在存储器中的顶点或图像/纹理数据。在一个实施例中,一个或多个MMU1320A至1320B可以与系统内的其他MMU包括与图12的一个或多个应用处理器1205、图像处理器1215和/或视频处理器1220相关联的一个或多个MMU同步,使得每个处理器1205至1220可以参与共享或统一的虚拟存储器系统。根据实施例,一个或多个电路互连1330A至1330B使得图形处理器1310能够经由SoC的内部总线或经由直接连接来与SoC内的其他IP核交互。
图14是展示了根据实施例的可以使用一个或多个IP核来制造的芯片上系统集成电路的附加示例性图形处理器1410的框图。图形处理器1410可以是图12的图形处理器1210的变体。图形处理器1410包括图13的集成电路1300的一个或多个MMU 1320A至1320B、高速缓存1325A至1325B和电路互连1330A至1330B。
图形处理器1410包括一个或多个着色器核1415A至1415N(例如,1415A、1415B、1415C、1415D、1415E、1415F、一直到1415N-1和1415N),所述一个或多个着色器核提供统一的着色器核架构,其中单个核或类型或核可以执行所有类型的可编程着色器代码包括着色器程序代码以实现顶点着色器、片段着色器和/或计算着色器。存在的着色器核的确切数量可以在实施例和实现中变化。另外,图形处理器1410还包括核间任务管理器1405,所述核间任务管理器充当用于将执行线程分派给一个或多个着色器核1415A至1415N的线程分派器。图形处理器1410附加地包括用于加快分块操作以进行基于图块的渲染的分块单元1418,其中场景的渲染操作在图像空间中被细分。基于图块的渲染可以用于利用场景内的本地空间一致性或优化内部高速缓存的使用。
经由二维地图进行基于大规模CNN回归的定位
本文所描述的实施例提供了用于使得CNN回归能够用于大规模结构内的内部定位的技术。本文所描述的技术解决了基于现有SLAM的重定位技术的若干问题,并提供了一种适用于大规模建筑物的基于CNN回归的重定位的方法。本文所描述的技术还有利于地与其他定位方法相当,诸如激光雷达、超宽带(UWB)、Wi-Fi和内部测量单元(IMU)定位。本文所描述的技术成本较低并且相对于激光雷达具有较高的重定位回调率,相对于IMU具有较低的漂移误差,并且不需要安装如在UWB和Wi-Fi中的新仪器。除了服务机器人重定位之外,这些技术还可以直接应用于实时定位、自主导航、并且用于增强移动设备用户的导航和定位功能。
图15是根据实施例的用于在大规模结构的内部内执行定位的逻辑1500的流程图。在一个实施例中,逻辑1500可以使用基于CNN的回归分析来执行定位。为了获取CNN模型的训练数据,逻辑1500可以将大规模结构的内部分成多个部分,如1502处所示。将结构分成多个部分在图17中进行了展示,其中,大型结构1702的内部被分割成多个部分,其中所展示的单个部分1704被虚线包围。然后,逻辑1500可以采集结构内部的视觉数据,如1504处所示。在一个实施例中,视觉数据是当机器人遍历建筑物时经由机器人上的相机采集的图像数据。在一个实施例中,视觉数据是由相机采集并被解构为多个图像的视频数据。图像数据(例如,图像、视频等)可以用于执行相机姿态估计,如1506处所示。相机姿态估计数据包括相机在结构内的物理位置、以及相机的姿态(例如,取向)。可以以多个自由度来估计相机姿态。在一个实施例中,使用六个自由度(6-DoF)的相机姿态估计。在一些实施例中,使用VSLAM技术来执行相机姿态估计,但是实施例不限于任何特定的相机姿态估计算法、技术或系统。在一个实施例中,用于相机姿态估计的VSLAM技术是来自进化机器人(EvolutionRobotic)的视觉同步定位与建图(vSLAMTM)系统的变体,但是实施例不限于任何特定系统或算法。VSLAM相机姿态估计利用视觉数据、相机姿态数据和机器人位置或里程表数据来确定基于输入视觉数据(诸如基于RGB的照片)的相机姿态。然而,单独的VSLAM数据不足以训练CNN回归模型以进行正确的重定位。
如1508处所示,逻辑1500可以生成多个部分中的每个部分的3D点云。可以基于所捕获的视觉数据使用本领域已知的一种或多种3D点云生成技术来生成3D点云。在1510处,逻辑1500可以将3D点云数据与二维(2D)地图(诸如,人类可读的2D地图)相关联。图18展示了可以与2D人类可读地图1810的相关部分相关联的示例性3D点云的屏幕截图1820。使用3D点云与2D地图之间的相关性,可以生成变换矩阵,所述变换矩阵使得逻辑1500能够将与结构的视觉数据相关联的估计相机姿态的位置变换为具有2D地图坐标的位置,如1512处所示。然后,逻辑1500可以使用视觉数据和相机姿态数据对来训练CNN回归模型,如1514处所示。相机姿态数据是已经从3D点云位置变换为2D地图位置(例如,1512的2D地图坐标)的经变换相机姿态数据。然后可以使用CNN回归来预测新捕获的视觉数据在2D地图内的坐标,如1516处所示。
图16A至图16B是流程图,展示了根据实施例的用于针对大型结构执行CNN回归重定位的逻辑1600。重定位逻辑可以被配置为软件或固件,所述软件或固件用于管理用于执行由本文所描述的实施例执行的图像采集操作、相机姿态估计操作、坐标变换操作、CNN回归训练操作和CNN回归预测操作的硬件。在一个实施例中,计算逻辑可以集成到计算硬件中,诸如图1中的异构GPGPU处理系统100。
图16A展示了逻辑1600的操作包括捕获分割结构的一部分的视觉数据,如1602处所示。分割结构可以是诸如图17的建筑物1702等建筑物的人类可读2D地图。地图可以被分割成多个部分,诸如部分1704。所述逻辑可以将人类可读地图数据指定为HM,其中所述多个部分中的每个部分被指定为(Pi,i=1,..,I)。视觉数据可以包括视频或图像,并且可以是连续数据,或者在一个实施例中,仅包括关键帧数据。各个实施例可以被配置成使用各种类型的图像数据,包括但不限于红绿蓝深度(RGBD)数据、双眼图像和单眼图像。
对于所述多个部分Pi中的每个部分,在1602处捕获足够的视觉数据(例如,图像(Imai,j(j=1,..,J‘i)))以在1604处实现相机姿态估计。逻辑1600使用视觉SLAM技术来估计姿态Imai,j(Pi,j),但姿态估计技术的细节可以在实施例中变化。所捕获的视觉数据的类型与逻辑1600所使用的相机姿态估计技术有关,因为不同的相机姿态估计技术可能依赖于特定类型的输入数据。在一个实施例中,可以对不能从其中导出深度数据的单个图像执行单眼SLAM技术。在图像中存在深度数据或者使用双眼图像的情况下,可以采用不同的相机姿态估计技术。在一个实施例中,如果不能获得所有图像的姿态,则仅获得了其姿态的图像被用于由逻辑1600进一步处理。
如1606处所示,所述逻辑可以基于相机姿态数据来生成3D点云(PCi)。3D点云是要在其中实现定位和/或重定位的空间的体积表示。可以使用来自基于六维姿态估计和相关联视觉数据的运动技术的形状(例如,使用相机姿态估计以及对与捕获的图像序列相关联的空间变化和时间变化的分析)来生成3D点云。3D点云PCi包括用于结构的多个部分Pi中的每个部分的点云数据。一旦生成3D点云PCi,就选择观看者姿态(VPi)用于3D点云的屏幕截图,如1608处所示。点云的屏幕截图是点云的如从观看者姿态VPi观看的2D横截面。观看者姿态VPi是要从其中生成3D点云PCi的屏幕截图(例如,横截面)的姿态。在一个实施例中,逻辑1600被配置成使用场景的已知经验数据来确定用于屏幕截图的正确观看者姿态。在一个实施例中,可以在监督学习期间经由训练过程的人类监督者明确地选择每个片段的观看者姿态。要选择的观看者姿态是这样的姿态:根据所述姿态,从3D点云生成的2D屏幕截图可能最符合已知2D地图;例如,人类可读2D地图HM。观看者姿态VPi的示例性实例是与针对结构中同2D人类可读地图1810的一部分相关联的那部分生成的3D点云的屏幕截图1820相关联的姿态,每一者都在图18中示出。
一旦逻辑1600在1608处针对结构的所述多个部分Pi中的每个部分的每个点云PCi选择了观看者姿态VPi,所述逻辑就可以执行操作以生成3D点云PCi中的每个点云的屏幕截图,如1630处所示。可以相对于逻辑1600的其他部分在并行处理或线程中执行3D点云的屏幕截图生成。然后,可以将在1630处生成的屏幕截图提供给1610处的操作,所述操作在屏幕截图上生成标记以表示每个屏幕截图的观看者姿态点。在1610处添加的标记可以是逻辑1600可容易识别的点颜色,诸如图18的屏幕截图1820中所展示的点1822。然后,逻辑1600可以生成视图姿态点与屏幕截图位置之间的对应关系,如1612处所示。逻辑1600重复1610和1620处的操作,直到获取足够的姿态点,如在1613处所确定的。姿态点是可以用于实现从3D姿态位置到3D屏幕截图内的特定位置的点云到屏幕截图变换矩阵(M_ptc2ss)的计算的图像-姿态对(IPPi,k~(Imai,k,Pi,k),k=1,..,Ki),如1614处所示。
对于从1610输出的每个屏幕截图SSi,k,通过如例如阈值拦截和颜色值聚类等方法来检测SSi,k中的位置Mki,k。SSi,k中的点的二维坐标是 二维坐标对应于的水平运动,其中,uPt(i,k),t=1..6分别是左右、上下、前后平移距离,并且俯仰、偏航和滚动旋转角度被提取以形成/>通过使用最小二乘法求解方程/> 来在1614处获得变换矩阵M_ptc2ss。
如1616处所示,逻辑1600然后可以使用在1632处输入的2D地图数据来生成屏幕截图到人体坐标变换矩阵(M_ss2hu),所述变换矩阵使得能够将屏幕截图位置转化为人类可读2D地图中的位置。此变换基于在1630处生成的3D点云的屏幕截图与在1632处输入的2D地图数据之间的相应点的相关性。在一个实施例中,逻辑1600然后可以识别屏幕截图SSi,k与输入2D地图(例如,人类可读地图数据HM)之间的相应点。在一个实施例中,在1634处,3D点云屏幕截图与2D地图数据之间的对应关系经由逻辑1600的监督者的交互来识别,并且逻辑1600接收对应关系数据作为输入。如1634处所示,逻辑1600继续识别屏幕截图SSi,k与输入的2D地图数据HM之间的相关性的相应点或接收其识别,直到如在1635处所确定的识别出足够的点,以使得能够在1616处计算从屏幕截图位置到人类(例如,2D)地图位置的变换矩阵。
如1616处所示,逻辑1600可以使用累积数据来生成变换矩阵M_ss2hu。对于Pi,从屏幕截图到HM的变换矩阵(M_ss2hu)是根据在1634处识别的相应点来计算的。2D地图上的一组点可以被识别为屏幕截图上的点可以被识别为/>使用这些点,逻辑1600可以通过使用最小二乘法求解方程/>来计算M_ss2hu。如1618处所示,逻辑1600可以将点云到人类(例如,2D地图)坐标变换矩阵(M_ptc2hu)计算为Mptc2hu=Mss2hu*Mptc2ss。1620处,使用变换矩阵M_ptc2hu,逻辑1600可以基于“旧”点云位置使用方程P新=M_ptc2hu*P旧来确定“新”2D地图坐标。
在1622处,逻辑1600可以将在1620处确定的2D地图坐标与在1602处捕获的视觉数据相组合以确定图像位置对(image-position pair)。可以针对结构的多个部分Pi中的每个部分重复上述操作,直到逻辑1600在1623处确定已经确定了结构的所有部分的图像-位置对。然后,逻辑1600可以在1624处将图像-位置对重新排序为列表对。图像-位置对: 被重新排序为列表对/>重新排序的方法包括但不限于随机重新排序、提取奇/偶行、和/或行组合。
图16B展示了使用重新排序的图像-位置对来对CNN回归模型进行的训练和预测。使用从图16A的1624输出的图像-位置对来训练被配置成执行回归的CNN(1642)。经训练的CNN可以通过提供新图像用于输入(1646)而使用回归模型来执行重定位预测(1644)。然后可以使用CNN回归预测(1644)来预测新图像的坐标1648。对于新捕获的图像,2D地图HM上的图像的位置通过CNN回归(CNNR)结果/>被预测为/>
图19是结构的3D点云的屏幕截图1910的图示,示出了与基于新的未经训练图像的所预测坐标1924相比较的参考位置1922。应用于一个实施例的实验结果揭示了在600m2的总面积内1.9米的平均定位误差,但这些结果是示例性的而不限制任何特定实施例。
图20展示了根据实施例的重定位处理器2000的框图。重定位处理器2000被配置成执行和/或加速逻辑操作以执行基于CNN回归的重定位,并且可以集成在如本文所描述的数据处理系统内。
在一个实施例中,重定位处理器2000包括图像处理器2002和GPGPU引擎2010。所述图像处理器被配置成处理经由传感器接收的视觉数据。所述传感器可以是诸如电荷耦合器件(CCD)或互补金属氧化物半导体(CMOS)传感器等图像传感器,并且可以配置成捕获采用静止或视频格式的视觉数据。在一个实施例中,图像处理器2002被配置成从多个图像传感器接收双眼数据。在一个实施例中,图像处理器2002被配置成处理具有集成深度数据(例如,RGBD数据)的视觉数据。
在一个实施例中,图像处理器2002与通用图形处理单元(GPGPU)引擎2010耦合,所述引擎包括被配置成执行图形处理操作和通用计算操作的执行逻辑。GPGPU引擎2010包括固定功能逻辑以及诸如图6中所展示的执行逻辑600等可编程执行逻辑。GPGPU引擎2010的固定功能逻辑和可编程执行逻辑可以被配置成启用相机姿态估计器2012、点云生成器2014、位置变换逻辑2016、CNN训练逻辑2018和CNN回归逻辑2020,每一者都可以是诸如ASIC或FPGA等硬件逻辑单元,或者可以是由GPGPU引擎2010的可编程执行逻辑执行的基于着色器的逻辑模块。
在一个实施例中,相机姿态估计器2012被配置成估计一单位视觉数据的相机姿态。点云生成器2014被配置成基于一组估计相机姿态来生成点云。位置变换逻辑2016被配置成将3D点云内的位置变换为2D位置地图内的位置。CNN训练逻辑2018被配置成训练CNN以预测图像在地图上的坐标。CNN训练逻辑2018可以使用图像位置对来训练CNN,其中,所述图像包括一单位视觉数据,并且所述位置是所述一单位视觉数据在位置地图内的位置。CNN回归逻辑2020可以基于新获取的视觉数据使用经训练的CNN模型来执行重定位操作。
图21是根据实施例的包括图形处理器2104的计算设备2100的框图。计算设备2100可以是诸如图1中的数据处理系统100等计算设备。计算设备2100还可以是诸如机顶盒(例如,基于互联网的有线电视机顶盒等)、基于全球定位系统(GPS)的设备等通信设备,或者被包括在所述通信设备内。计算设备2100还可以是诸如蜂窝电话、智能电话、个人数字助理(PDA)、平板计算机、膝上型计算机、电子阅读器、智能电视、电视平台、可穿戴设备(例如,眼镜、手表、手环、智能卡、珠宝、衣物等)、媒体播放器等移动计算设备,或者被包括在所述移动计算设备内。例如,在一个实施例中,计算设备2100包括移动计算设备,所述移动计算设备采用将计算设备2100的各种硬件组件和/或软件组件集成在单个芯片上的集成电路(“IC”),比如芯片上系统(“SoC”或“SOC”)。
计算设备2100包括图形处理器2104。图形处理器2104表示本文所描述的任何图形处理器。图形处理器包括一个或多个图形引擎、图形处理器核、以及如本文所描述的其他图形执行资源。这种图形执行资源可以呈现为各种形式,包括但不限于执行单元、着色器引擎、片段处理器、顶点处理器、流式多处理器、图形处理器集群、或适合于处理图形资源和图像资源的任何计算资源集合。
在一个实施例中,图形处理器2104包括高速缓存2114,所述高速缓存可以是单个高速缓存或分成多个高速缓冲存储器片段,包括但不限于任何数量的L1、L2、L3或L4高速缓存、渲染高速缓存、深度高速缓存、采样器高速缓存和/或着色器单元高速缓存。
在一个实施例中,图形处理器2104可以被配置为如图20中的重定位处理器2000。在这样的实施例中,图形处理器2104包括GPGPU引擎2124、图像处理器2134、CNN逻辑2144和显示逻辑2154。GPGPU引擎2124和图像处理器2134可以是图20的GPGPU引擎2010和图像处理器2002的变体。CNN逻辑2114可以包括图20的CNN训练逻辑2018和CNN回归逻辑2020。显示逻辑2154可以被配置成将位置和/或建图数据输出到耦合到计算设备2100或集成在所述计算设备内的显示器。在一个实施例中,图像处理器2134另外被配置成处理来自图像传感器或相机设备的新捕获图像,并且经由CNN逻辑2144使用新捕获的图像来执行重定位操作。
如所展示的,在一个实施例中,并且除了图形处理器2104之外,计算设备2100可以进一步包括任何数量和类型的硬件组件和/或软件组件,包括但不限于应用处理器2106、存储器2108以及输入/输出(I/O)源2110。应用处理器2106可以如参考图3所展示的那样与硬件图形流水线交互,以共享图形流水线功能。经处理的数据被存储在硬件图形流水线的缓冲器中,并且状态信息被存储在存储器2108中。所产生的数据可以传送到显示控制器(例如,显示逻辑2154),以经由诸如图3的显示设备320等显示设备来输出。所述显示设备可以属于各种类型,诸如阴极光线管(CRT)、薄膜晶体管(TFT)、液晶显示器(LCD)、有机发光二极管(OLED)阵列等,并且可以被配置成经由图形用户界面向用户显示信息。
应用处理器2106可以包括一个或多个处理器,如图1的(多个)处理器102,并且可以是至少部分地用于执行计算设备2100的操作系统(OS)2102的中央处理单元(CPU)。OS2102可以用作计算设备2100的硬件资源和/或物理资源与一个或多个用户之间的接口。OS2102可以包括用于计算设备2100中的各种硬件设备的驱动器逻辑2122。驱动器逻辑2122可以包括图形驱动器逻辑2123,如图10的用户模式图形驱动器1026和/或内核模式图形驱动器1029。
可以设想,在一些实施例中,图形处理器2104可以作为应用处理器2106的一部分(诸如物理CPU封装体的一部分)而存在,在这种情况下,存储器2108的至少一部分可以由应用处理器2106和图形处理器2104来共享,但是存储器2108的至少一部分可以专用于图形处理器2104,或者图形处理器2104可以具有单独的存储器存储设备。存储器2108可以包括缓冲器(例如,帧缓冲器)的预分配区;然而,本领域普通技术人员应当理解,实施例不限于此,并且可以使用低级图形流水线可访问的任何存储器。存储器2108可以包括各种形式的随机存取存储器(RAM)(例如,SDRAM、SRAM等),包括利用图形处理器2104来渲染桌面场景或3D图形场景的应用。如图1的存储器控制器中枢116等存储器控制器中枢可以访问存储器2108中的数据并且将其转发到图形处理器2104以便进行图形流水线处理。可以使存储器2108对计算设备2100内的其他组件可用。例如,在实施软件程序或应用时由一个或多个处理器(例如,应用处理器2106)对从计算设备2100的各种I/O源2110接收的任何数据(例如,输入图形数据)进行操作之前,可以将所述数据临时排队到存储器2108中。类似地,软件程序确定应通过计算系统接口之一从计算设备2100发送到外部实体或存储到内部存储元件中的数据在其被传输或存储之前经常在存储器2108中临时排队。
I/O源可以包括如触摸屏、触摸面板、触摸板、虚拟或常规键盘、虚拟或常规鼠标、端口、连接器、网络设备等设备并且可以通过如图1中引用的输入/输出(I/O)控制中枢(ICH)130附接。另外,I/O源2110可以包括一个或多个I/O设备,所述一个或多个I/O设备被实施为用于向和/或从计算设备2100(例如,网络适配器)传送数据;或者用于在计算设备2100(例如,硬盘驱动器)内进行大规模非易失性存储。包括字母数字及其他键的用户输入设备可以用于将信息和命令选择传达至图形处理器2104。另一类型的用户输入设备是用于将方向信息和命令选择传达至GPU并控制显示设备上的光标移动的光标控件,诸如鼠标、轨迹球、触摸屏、触摸板或光标方向键。可以采用计算设备2100的相机和麦克风阵列来观察手势、记录音频和视频并接收和发射视觉命令和音频命令。
被配置为网络接口的I/O源2110可以包括提供对网络的访问,诸如LAN、广域网(WAN)、城域网(MAN)、个域网(PAN)、蓝牙、云网络、蜂窝或移动网络(例如,第3代(3G)、第4代(4G)等)、内联网、互联网等。(多个)网络接口可以包括例如具有一个或多个天线的无线网络接口。(多个)网络接口还可以包括例如经由网络电缆与远程设备通信的有线网络接口,所述网络电缆可以是例如以太网电缆、同轴电缆、光缆、串行电缆或并行电缆。
(多个)网络接口可以例如通过遵循IEEE 802.11标准来提供对LAN的访问,和/或无线网络接口可以例如通过遵循蓝牙标准来提供对个域网的访问。还可以支持其他无线网络接口和/或协议,包括所述标准的先前的以及后续的版本。除了或代替经由无线LAN标准通信,(多个)网络接口可以使用例如以下协议来提供无线通信:时分多址(TDMA)协议、全球移动通信系统(GSM)协议、码分多址(CDMA)协议和/或任何其他类型的无线通信协议。
应当理解,对于某些实施方式,比在上文中所描述的示例更少或更多地配备的系统可以是优选的。因此,取决于众多因素,如价格约束、性能要求、技术改进或其他情况,计算设备2100的配置可以随着实施方式而改变。示例可以包括但不限于:移动设备、个人数字助理、移动计算设备、智能电话、蜂窝电话、手持设备、单向寻呼机、双向寻呼机、消息收发设备、计算机、个人计算机(PC)、台式计算机、膝上型计算机、笔记本计算机、手持式计算机、平板计算机、服务器、服务器阵列或服务器场、web服务器、网络服务器、因特网服务器、工作站、小型计算机、大型计算机、超级计算机、网络设备、web设备、分布式计算系统、多处理器系统、基于处理器的系统、消费电子设备、可编程消费电子设备、电视、数字电视、机顶盒、无线接入点、基站、订户站、移动订户中心、无线电网络控制器、路由器、集线器、网关、桥接器、交换机、机器或上述各项的组合。
以下条款和/或示例涉及其特定实施例或示例。可在一个或多个实施例中的任何地方使用示例中的细节。可以以各种方式将不同的实施例或示例的各种特征与所包括的一些特征以及被排除的其他特征组合以适应各种不同的应用。示例可以包括主题,如,方法;用于进行方法的动作的装置;包括指令的至少一种机器可读介质,所述指令当由机器进行时使机器执行所述方法的动作;或根据本文中所述的实施例和示例的设备或系统。各组件可以是用于执行所描述的操作或功能的装置。
本文所描述的实施例提供了一种处理设备,所述处理设备包括用于训练卷积神经网络(CNN)以执行对服务机器人或移动设备的自主重定位的计算逻辑。在一个实施例中,所述设备包括:图像处理器,用于处理经由传感器接收的视觉数据;以及通用图形处理引擎,用于对图像数据执行相机姿态估计、并生成用于将相机姿态估计的位置变换为人类可读的位置地图内的位置的变换矩阵。所述图像和经变换位置用于训练所述CNN以执行重定位。
一个实施例提供了一种处理设备,所述处理设备用于配置卷积神经网络(CNN)以在结构内执行自主重定位。所述处理设备包括:图像处理器,用于处理经由传感器接收的视觉数据;以及通用图形处理引擎。在一个实施例中,所述通用图形处理引擎包括:相机姿态估计器,用于估计一单位视觉数据的相机姿态;点云生成器,用于基于一组估计相机姿态来生成点云;位置变换逻辑,用于将所述点云内的位置变换为所述结构的地图内的位置;以及CNN训练逻辑,用于训练所述CNN以预测图像在所述地图上的坐标,所述CNN训练逻辑用于使用图像位置对来训练所述CNN,其中,所述图像包括一单位视觉数据,并且所述位置包括所述一单位视觉数据在所述结构的所述地图内的位置。
一个实施例提供了一种数据处理系统,所述数据处理系统包括:存储设备,用于存储卷积神经网络(CNN)的数据,所述卷积神经网络被配置成针对结构执行基于回归的重定位;显示设备,用于显示所述重定位的结果;以及重定位处理器,包括用于执行基于回归的重定位的CNN回归逻辑,其中,经由CNN训练逻辑来训练所述CNN回归逻辑,所述CNN训练逻辑被配置成训练所述CNN以预测图像在所述结构的地图上的坐标,其中,使用一组图像位置对来训练所述CNN训练逻辑,其中,所述图像包括所述结构的一单位视觉数据,并且所述位置包括所述一单位视觉数据在所述结构的所述地图内的位置。
本领域技术人员将从以上描述中领会到,实施例的宽泛技术可以以各种形式实施。因此,虽然已经结合其特定示例描述了这些实施例,但是实施例的实际范围不应由此受限,因为其他的修改在本领域技术人员学习了附图、说明书和所附权利要求之后就将变得显而易见。
Claims (25)
1.一种处理设备,用于对卷积神经网络(CNN)进行配置以在结构内执行自主重定位,所述处理设备包括:
图像处理器,用于处理经由传感器接收的视觉数据;
通用图形处理引擎,包括:
相机姿态估计器,用于估计一单位视觉数据的相机姿态;
点云生成器,用于基于一组估计相机姿态来生成点云;
位置变换逻辑,用于将所述点云内的位置变换为所述结构的地图内的位置;以及
CNN训练逻辑,用于训练所述CNN以预测图像在所述地图上的坐标,所述CNN训练逻辑用于使用图像位置对来训练所述CNN,其中,所述图像包括所述一单位视觉数据,并且所述位置包括所述一单位视觉数据在所述结构的所述地图内的位置。
2.如权利要求1所述的处理设备,其中,所述相机姿态估计器用于经由同步定位与建图来估计所述一单位视觉数据的所述相机姿态。
3.如权利要求2所述的处理设备,其中,所述图像处理器被配置成从经由所述传感器接收的所述视觉数据中导出深度数据。
4.如权利要求3所述的处理设备,其中,所述点云生成器用于基于所述一组估计相机姿态来生成三维(3D)点云。
5.如权利要求1所述的处理设备,其中,所述点云生成器用于进一步从所选观看者位置生成所述点云的屏幕截图,其中,所述屏幕截图是所述点云的横截面。
6.如权利要求5所述的处理设备,其中,位置变换逻辑进一步用于:
计算第一变换矩阵,以将与所述点云内的所述位置相关联的坐标变换为所述点云的所述屏幕截图内的坐标;
计算第二变换矩阵,以将所述点云的所述屏幕截图内的所述坐标变换为与所述结构的所述地图内的所述位置相关联的坐标;并且
计算第三变换矩阵,以将与所述点云内的所述位置相关联的所述坐标变换为与所述结构的所述地图内的所述位置相关联的坐标,所述第三变换矩阵是根据所述第一变换矩阵和所述第二变换矩阵来计算的。
7.如权利要求1所述的处理设备,所述通用图形处理引擎另外包括用于对所述图像位置对进行重新排序的逻辑,其中,对所述图像位置对进行重新排序包括随机重新排序、奇/偶行提取或行组合。
8.如权利要求1所述的处理设备,其中,所述CNN训练逻辑用于训练所述CNN以预测所述图像在所述地图上的坐标,以使得能够使用所述图像来进行自主重定位。
9.如权利要求1至8中任一项所述的处理设备,另外包括用于执行基于回归的重定位的CNN回归逻辑。
10.一种对卷积神经网络(CNN)进行配置以执行自主重定位的方法,所述方法包括:
采集结构内部的视觉数据;
对所述视觉数据执行相机姿态估计以生成一组相机姿态估计;
基于所述一组相机姿态估计来构建所述结构内部的三维(3D)点云;
将所述3D点云与所述结构内部的二维(2D)地图相关联;
将所述一组相机姿态估计的位置变换为所述结构内部的所述2D地图上的位置;以及
使用视觉数据和位置数据对来训练CNN回归模型。
11.如权利要求10所述的方法,另外包括从所述视觉数据导出所述结构内部的深度数据。
12.如权利要求11所述的方法,其中,所述视觉数据包括所述结构内部的视频数据或静止图像数据。
13.如权利要求10所述的方法,其中,将所述一组相机姿态估计的位置变换为所述结构内部的所述地图上的位置包括:计算变换矩阵以将所述一组相机姿态估计的位置变换为所述结构内部的所述2D地图内的坐标。
14.如权利要求10至13中任一项所述的方法,另外包括使用新获取的视觉数据经由所述CNN回归模型来执行重定位。
15.一种用于对卷积神经网络(CNN)进行配置以执行自主重定位的设备,所述设备包括:
用于采集结构内部的视觉数据的装置;
用于对所述视觉数据执行相机姿态估计以生成一组相机姿态估计的装置;
用于基于所述一组相机姿态估计来构建所述结构内部的三维(3D)点云的装置;
用于将所述3D点云与所述结构内部的二维(2D)地图相关联的装置;
用于将所述一组相机姿态估计的位置变换为所述结构内部的所述2D地图上的位置的装置;以及
用于使用视觉数据和位置数据对来训练CNN回归模型的装置。
16.如权利要求15所述的设备,另外包括用于从所述视觉数据导出所述结构内部的深度数据的装置。
17.如权利要求16所述的设备,另外其中,所述视觉数据包括所述结构内部的视频数据或静止图像数据。
18.如权利要求15所述的设备,其中,将所述一组相机姿态估计的位置变换为所述结构内部的所述地图上的位置的装置包括:用于计算变换矩阵以将所述一组相机姿态估计的位置变换为所述结构内部的所述2D地图内的坐标的装置。
19.如权利要求15至18中任一项所述的设备,另外包括用于使用新获取的视觉数据经由所述CNN回归模型来执行重定位的装置。
20.一种数据处理系统,包括:
存储设备,用于存储卷积神经网络(CNN)的数据,所述卷积神经网络被配置成针对结构执行基于回归的重定位;
显示设备,用于显示所述重定位的结果;以及
重定位处理器,包括用于执行基于回归的重定位的CNN回归逻辑,其中,经由CNN训练逻辑来训练所述CNN回归逻辑,所述CNN训练逻辑被配置成训练所述CNN以预测图像在所述结构的地图上的坐标,其中,使用一组图像位置对来训练所述CNN训练逻辑,其中,所述图像包括所述结构的一单位视觉数据,并且所述位置包括所述一单位视觉数据在所述结构的所述地图内的位置。
21.如权利要求20所述的数据处理系统,其中,为了训练所述CNN以预测图像在所述地图上的坐标,所述CNN训练逻辑用于:
处理经由传感器接收的视觉数据;
估计一单位视觉数据的相机姿态;
基于一组估计相机姿态来生成点云;
将所述点云内的位置变换为所述结构的所述地图内的位置;并且
生成用于训练所述CNN回归逻辑的数据对,每个数据对包括一单位视觉和经变换位置。
22.如权利要求21所述的数据处理系统,其中,所述CNN训练逻辑进一步用于处理根据同步定位与建图(SLAM)导出的数据,以估计所述一单位视觉数据的所述相机姿态。
23.如权利要求22所述的数据处理系统,其中,所述CNN训练逻辑与图像处理器耦合,所述图像处理器被配置成从经由所述传感器接收的所述视觉数据中导出深度数据。
24.如权利要求23所述的数据处理系统,其中,为了将所述点云内的位置变换为所述结构的所述地图内的位置,所述CNN训练逻辑用于:
计算第一变换矩阵,以将与所述点云内的所述位置相关联的坐标变换为所述点云的屏幕截图内的坐标,其中,所述点云的所述屏幕截图是所述点云从所选观看者位置的横截面;
计算第二变换矩阵,以将所述点云的所述屏幕截图内的所述坐标变换为与所述结构的所述地图内的所述位置相关联的坐标;并且
计算第三变换矩阵,以将与所述点云内的所述位置相关联的所述坐标变换为与所述结构的所述地图内的所述位置相关联的坐标,所述第三变换矩阵是根据所述第一变换矩阵和所述第二变换矩阵来计算的。
25.如权利要求24所述的数据处理系统,其中,所述点云是基于一组估计相机姿态的三维(3D)点云。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2016/111311 WO2018112795A1 (en) | 2016-12-21 | 2016-12-21 | Large scale cnn regression based localization via two-dimensional map |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109983507A CN109983507A (zh) | 2019-07-05 |
CN109983507B true CN109983507B (zh) | 2023-12-05 |
Family
ID=62624194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680091003.8A Active CN109983507B (zh) | 2016-12-21 | 2016-12-21 | 经由二维地图进行基于大规模cnn回归的定位 |
Country Status (3)
Country | Link |
---|---|
US (2) | US11132816B2 (zh) |
CN (1) | CN109983507B (zh) |
WO (1) | WO2018112795A1 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10048753B1 (en) * | 2017-04-20 | 2018-08-14 | Robert C. Brooks | Perspective or gaze based visual identification and location system |
CN109146932B (zh) * | 2018-07-17 | 2021-08-24 | 北京旷视科技有限公司 | 确定图像中目标点的世界坐标的方法、装置和系统 |
US10885666B2 (en) | 2019-02-06 | 2021-01-05 | Ford Global Technologies, Llc | Hybrid metric-topological camera-based localization |
DE102019203623A1 (de) * | 2019-03-18 | 2020-09-24 | Zf Friedrichshafen Ag | Verfahren zur Bereitstellung einer Karte |
CN110487263A (zh) * | 2019-08-15 | 2019-11-22 | 北京致行慕远科技有限公司 | 可移动设备的坐标获取方法及装置 |
DE102019129760A1 (de) | 2019-11-05 | 2021-05-06 | Eyyes Gmbh | Verfahren zur Verarbeitung von Eingangsdaten |
CN111046213B (zh) * | 2019-12-18 | 2021-12-10 | 电子科技大学 | 一种基于图像识别的知识库构建方法 |
KR20210096523A (ko) * | 2020-01-28 | 2021-08-05 | 엘지전자 주식회사 | 로봇의 위치 인식 |
CN112179357B (zh) * | 2020-09-25 | 2022-04-01 | 中国人民解放军国防科技大学 | 基于单目相机的平面运动目标视觉导航方法及系统 |
CN112461230B (zh) * | 2020-12-07 | 2023-05-09 | 优必康(青岛)科技有限公司 | 机器人重定位方法、装置、机器人和可读存储介质 |
CN112689237B (zh) * | 2021-03-15 | 2021-05-25 | 四川北控聚慧物联网科技有限公司 | 一种基于WiFi的室内定位方法 |
CN113160301B (zh) * | 2021-04-16 | 2023-08-18 | 华南理工大学 | 一种测量弯管弯曲半径的方法及系统 |
US20230230260A1 (en) * | 2022-01-18 | 2023-07-20 | Pony Ai Inc. | Hardware-based point-cloud matching |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105144196A (zh) * | 2013-02-22 | 2015-12-09 | 微软技术许可有限责任公司 | 用于计算相机或对象姿态的方法和设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102456046B (zh) * | 2010-10-25 | 2015-05-20 | 国际商业机器公司 | 对文档中的地理位置数据进行处理的方法和系统 |
CN103247225B (zh) * | 2012-02-13 | 2015-04-29 | 联想(北京)有限公司 | 即时定位与地图构建方法和设备 |
US8831290B2 (en) * | 2012-08-01 | 2014-09-09 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for determining poses of vehicle-mounted cameras for in-road obstacle detection |
CN106133796B (zh) * | 2014-03-25 | 2019-07-16 | 苹果公司 | 用于在真实环境的视图中表示虚拟对象的方法和系统 |
CN104236548B (zh) | 2014-09-12 | 2017-04-05 | 清华大学 | 一种微型无人机室内自主导航方法 |
CN105678689B (zh) | 2015-12-31 | 2020-01-31 | 百度在线网络技术(北京)有限公司 | 高精地图数据配准关系确定方法及装置 |
US10002415B2 (en) * | 2016-04-12 | 2018-06-19 | Adobe Systems Incorporated | Utilizing deep learning for rating aesthetics of digital images |
CN105913489B (zh) * | 2016-04-19 | 2019-04-23 | 东北大学 | 一种利用平面特征的室内三维场景重构方法 |
-
2016
- 2016-12-21 CN CN201680091003.8A patent/CN109983507B/zh active Active
- 2016-12-21 WO PCT/CN2016/111311 patent/WO2018112795A1/en active Application Filing
- 2016-12-21 US US16/468,282 patent/US11132816B2/en active Active
-
2021
- 2021-09-03 US US17/466,583 patent/US11859973B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105144196A (zh) * | 2013-02-22 | 2015-12-09 | 微软技术许可有限责任公司 | 用于计算相机或对象姿态的方法和设备 |
Non-Patent Citations (1)
Title |
---|
一种图形加速器和着色器的体系结构;韩俊刚等;《计算机辅助设计与图形学学报》;20100315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
US11132816B2 (en) | 2021-09-28 |
US11859973B2 (en) | 2024-01-02 |
US20200082567A1 (en) | 2020-03-12 |
US20220058828A1 (en) | 2022-02-24 |
CN109983507A (zh) | 2019-07-05 |
WO2018112795A1 (en) | 2018-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109983507B (zh) | 经由二维地图进行基于大规模cnn回归的定位 | |
CN109154990B (zh) | 卷积神经网络中的查找卷积层 | |
US11669932B2 (en) | Efficient sharing and compression expansion of data across processing systems | |
US11615284B2 (en) | Efficient transferring of human experiences to robots and other autonomous machines | |
TW202101369A (zh) | 計算最佳化機制 | |
US11010302B2 (en) | General purpose input/output data capture and neural cache system for autonomous machines | |
CN110796724A (zh) | 点云视点和可扩展压缩/解压 | |
US11194722B2 (en) | Apparatus and method for improved cache utilization and efficiency on a many core processor | |
CN110458905A (zh) | 用于层级自适应曲面细分的设备和方法 | |
CN109643463B (zh) | 预设图形处理器内的分级式深度逻辑 | |
US20240062414A1 (en) | Training and deploying pose regressions in neural networks in autonomous machines | |
CN109643395B (zh) | 自适应窗口机制 | |
US11699254B2 (en) | Separately processing regions or objects of interest from a render engine to a display engine or a display panel | |
US10282804B2 (en) | Facilitating configuration of computing engines based on runtime workload measurements at computing devices | |
US20180095785A1 (en) | Thread Priority Mechanism | |
KR20210134207A (ko) | 클라우드 게이밍 적응형 동기화 메커니즘 | |
US20220262142A1 (en) | Automatic generation of 3d bounding boxes from multi-camera 2d image data | |
KR20210081230A (ko) | 공유 로컬 메모리를 파티셔닝하는 메커니즘 | |
CN110050243B (zh) | 通过使用自主机器中的中间层特征的增强神经回归进行相机重新定位 | |
US20180121368A1 (en) | Deferred discard | |
CN115439589A (zh) | 神经帧外推渲染机制 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |