盖世汽车讯 由Starship Technologies和Kiwibot等公司制造的送货机器人能够自主穿行于城市街道和社区之中。如同当今大多数移动机器人，这些机器人依靠多种传感器和基于软件的算法在复杂环境中导航。其中激光雷达（Lidar）传感器通过发射光脉冲帮助计算物体距离，已成为核心技术，使机器人能够实现同步定位与地图构建（SLAM）。

（图片来源：东北大学）

然而，美国东北大学（Northeastern University）博士生Zihao Dong表示，此类组件是资源密集型的，需要大量内存才能实现精确映射，从而限制了机器人长距离作业能力。“当运行超过一定时间后，系统缓存可能累积超过10-20GB数据量，这将产生巨大的计算负载压力。”这一瓶颈的突破依赖于机器人专家对底层算法的深度优化。

据外媒报道，在东北大学电气与计算机工程学教授Michael Everett的指导下，Dong开发出新的3D投影映射方法（3D mapping approach），该技术在某些情况下比主流技术节省57%的资源。该研究成果发表于arXiv预印本服务器。

该算法名为深度特征辅助激光雷达惯性里程计与建图（DFLIOM），基于另一名为直接激光雷达惯性里程计与建图（DLIOM）的算法开发，该基础算法通过融合惯性测量单元（IMU）与激光雷达数据实现3D映射。Everett表示，DFLIOM采用相同的技术，但引入新的扫描环境方法。这种方法不仅可以显著降低数据采集量，在某些情况下还有助于减少定位误差。

Everett表示，这项研究有助于挑战“数据越多效果越好”的固有观念。“传感器研究人员大力鼓吹‘我们的新产品能提供十倍于传统设备的数据点’，实质上这只是一种宣传和推销的手法。事实上，从算法设计的角度来看，我们有时会倍感压力。因为现在需要处理的数据激增，但数据量的增加并不总是好事，因为算法跟不上。”

通过这项工作，Dong和Everett试图攻克这一挑战，并回答核心问题：“我们该如何编写能够仅提取关键信息的算法？”

研究人员使用东北大学的Agile X Scout Mini移动机器人进行算法测试，该机器人配备了包含Ouster激光雷达、电池包和英特尔NUC mini PC的自主导航套件。在实验过程中，该机器人成功构建了东北大学校园多个室外区域的3D地图，包括Centennial Common、Egan Crossing和Shillman Hall等标志性区域。