Computational Acceleration of 3D Point-Cloud Algorithms for Embedded_Discover-format

Nel mondo della moderna costruzione e delle infrastrutture, i robot sono sempre più incaricati del compito critico di ispezionare tunnel, miniere e cantieri prima che il calcestruzzo venga versato. Per farlo, utilizzano scanner laser che catturano il mondo fisico come una massiccia nuvola di minuscoli punti, creando una mappa digitale di barre d'acciaio, tubi e pareti. Tuttavia, trasformare questa nuvola di dati in informazioni utili è un pesante onere computazionale. I metodi standard per analizzare questi punti, come verificare l'orientamento delle barre d'acciaio o trovare dove si incrociano, sono stati progettati per potenti computer desktop con grandi banchi di memoria. Questi metodi sono troppo lenti e voraci di memoria per i piccoli computer alimentati a batteria presenti sui robot. Se un robot non può elaborare questi dati rapidamente, non può prendere decisioni in tempo reale, lasciando il processo di ispezione ancorato al passato o richiedendo al robot di inviare i dati a un server distante, il che vanifica lo scopo dell'autonomia.

Un team di ricercatori del gruppo China MCC20 e del Central Research Institute of Building and Construction ha trovato un modo per colmare questo divario. Non hanno inventato un nuovo modo per rilevare le barre d'acciaio; hanno invece scoperto come riscrivere le istruzioni matematiche che il computer utilizza per elaborare i dati. Il loro lavoro si concentra su un compito specifico e difficile: identificare dove le barre di rinforzo in acciaio si incrociano in una maglia, un passaggio cruciale per garantire che la struttura sia sufficientemente resistente. Il metodo originale per farlo richiedeva quasi venti secondi su un computer desktop di fascia alta e necessitava di gigabyte di memoria, rendendolo impossibile da eseguire su un robot. I ricercatori hanno dimostrato che le complesse operazioni matematiche utilizzate per trovare queste intersezioni potevano essere suddivise in passaggi sequenziali molto più semplici. Riorganizzando il calcolo, hanno ridotto il numero di operazioni matematiche richieste di un fattore di trentasei. Hanno inoltre sostituito un metodo lento e ripetitivo di controllo dei vicini dei punti con un singolo passaggio di scansione attraverso i dati che accumula le statistiche istantaneamente.

I risultati di questa riorganizzazione sono drammatici. Quando i ricercatori hanno testato il loro nuovo approccio su un sistema informatico progettato per simulare le limitate risorse di un robot embedded, il tempo di elaborazione è sceso da quasi venti secondi a poco più di un secondo. La memoria necessaria per eseguire lo stesso compito è diminuita da diversi gigabyte a circa cento megabyte. Questa riduzione significa che l'algoritmo può ora essere eseguito su hardware che sta su un robot, piuttosto che necessitare di una sala server. Il team ha validato il proprio metodo utilizzando una scansione del mondo reale del pavimento di un tunnel di servizio contenente oltre un milione di punti. Il sistema ottimizzato ha identificato con successo novantasei punti di intersezione in una griglia di barre d'acciaio, eguagliando l'accuratezza del metodo originale, più lento. La spaziatura tra le barre è stata misurata con un errore inferiore a mezzo millimetro, il che rientra ampiamente nella tolleranza necessaria per la sicurezza nelle costruzioni.

Sebbene i guadagni in termini di velocità e memoria siano il titolo principale, i ricercatori sono stati attenti a sottolineare dove risiedono i limiti. Il nuovo metodo è matematicamente esatto per trovare le intersezioni, il che significa che il robot vede lo stesso schema del computer desktop. Tuttavia, quando si misura la distanza dalle barre d'acciaio alla cassaforma di calcestruzzo, il sistema ha mostrato una sottostima costante di circa quarantasei millimetri. I ricercatori hanno tracciato questo errore non nelle loro nuove tecniche di accelerazione, ma nel modo in cui il sistema calcola il centro delle barre rispetto alla griglia di voxel, un problema noto che intendono correggere nei lavori futuri. Hanno anche scoperto che, sebbene il metodo funzioni perfettamente su un processore quad-core simulato, l'esecuzione su un vero hardware fisico con memoria esterna potrebbe introdurre ritardi a causa delle velocità di trasferimento dei dati, potenzialmente estendendo il tempo a pochi minuti anziché secondi.

La portata di questo lavoro va oltre le semplici barre d'acciaio. I due approcci sviluppati dal team — suddividere i complessi filtri 3D in passaggi unidimensionali più semplici e utilizzare un riepilogo statistico a passaggio singolo invece di controlli ripetitivi — sono strumenti generali. Possono essere applicati a qualsiasi compito in cui un robot debba comprendere la forma di oggetti cilindrici come tubi, cavi o persino vasi sanguigni nell'imaging medico. Dimostrando che questi algoritmi pesanti possono essere snelliti per adattarsi a piccoli dispositivi senza perdere la loro accuratezza, i ricercatori hanno aperto la porta affinché i robot autonomi possano eseguire ispezioni complesse e di alta precisione sul campo. Lo studio conferma che, con il giusto approccio matematico, il divario tra la potente analisi desktop e l'impiego robotico leggero può essere colmato, permettendo alle macchine di vedere e comprendere il proprio ambiente con la stessa chiarezza dei loro omologhi umani, ma con la velocità necessaria per agire in tempo reale.