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。