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

在现代建筑与基础设施领域，机器人正越来越多地被赋予一项关键任务：在混凝土浇筑前对隧道、矿井和建筑工地进行检查。为此，它们使用激光扫描仪将物理世界捕捉为一个由无数微小点组成的庞大点云，从而创建出钢筋、管道和墙壁的数字地图。然而，将这些点云数据转化为有用信息却是一项沉重的计算负担。用于分析这些点的标准方法（例如检查钢筋的方向或寻找它们的交点）是为拥有大型内存库的高性能台式计算机设计的。对于机器人上所搭载的那些小型、电池供电的计算机来说，这些方法过于缓慢且极其耗费内存。如果机器人无法快速处理这些数据，它就无法做出实时决策，这会导致检查过程停留在过去，或者需要将数据发送回远程服务器，从而违背了自主性的初衷。

来自中国 MCC20 小组和建筑科学研究院的研究团队发现了一种弥合这一差距的方法。他们并没有发明一种新的检测钢筋的方法，而是发现了如何重写计算机用于处理数据的数学指令。他们的工作聚焦于一个特定的难点：识别钢筋网中钢筋相互交叉的位置，这是确保结构足够坚固的关键步骤。原有的方法在高性能台式计算机上运行该任务需要近二十秒时间，并需要数 GB 的内存，这使得在机器人上运行变得不可能。研究人员证明，用于寻找这些交点的复杂数学运算可以分解为更简单的、顺序执行的步骤。通过重新排列计算方式，他们将所需的数学运算次数减少了 36 倍。他们还用一次对数据的快速扫描（该扫描可即时累积统计数据）取代了原本缓慢且重复的点邻域检查方法。

这种重组带来的结果是巨大的。当研究人员在模拟嵌入式机器人有限资源的计算机系统上测试其新方法时，处理时间从近二十秒降至仅一秒多。运行相同任务所需的内存从数 GB 缩减到了约 100 MB。这种缩减意味着该算法现在可以在适配机器人的硬件上运行，而不再需要服务器机房。团队利用包含超过一百万个点的实用隧道地面真实扫描数据验证了其方法。优化后的系统成功识别了钢筋网中的 96 个交点，其精度与原有的、速度较慢的方法相匹配。钢筋之间的间距测量误差小于 0.5 毫米，这完全符合建筑安全所需的公差范围。

虽然速度和内存的提升是核心亮点，但研究人员也谨慎地指出了局限性所在。新方法在寻找交点方面在数学上是精确的，这意味着机器人看到的模式与台式计算机看到的一致。然而，在测量钢筋到混凝土模板的距离时，系统显示出约 46 毫米的持续低估。研究人员将这一误差归因于系统如何计算体素网格中钢筋中心的问题，而非其新的加速技术，并称这是一个计划在未来工作中解决的已知问题。他们还发现，虽然该方法在模拟的四核处理器上运行完美，但在带有外部存储器的实际物理硬件上运行时，可能会因为数据传输速度而引入延迟，从而可能将时间延长至几分钟而非几秒钟。

这项工作的意义不仅限于钢筋。团队开发的两种技术——将复杂的 3D 滤波器分解为更简单的一维步骤，以及使用单次扫描统计摘要代替重复检查——都是通用工具。它们可以应用于任何机器人需要理解圆柱状物体形状的任务，例如管道、电缆，甚至是医学影像中的血管。通过证明这些繁重的算法可以在不损失精度的情况下被简化以适配小型设备，研究人员为自主机器人进行现场复杂、高精度的检查开启了大门。这项研究证实，通过正确的数学方法，高性能台式机分析与轻量化机器人部署之间的差距是可以被弥合的，从而使机器能够像人类一样清晰地观察和理解周围环境，同时具备实时行动所需的反应速度。