|
如圖 3 所示，SLAM 相關應用市場的規模預計將于 2024 年超過 20 億美元【1】。增長的主要推手是 SLAM 算法的演進和在多個細分市場的增長。持續的技術開發和對 SLAM 優勢意識度的上升是市場需求增加的主要動力。自動駕駛汽車和增強虛擬現實等行業對這項技術不斷提高的興趣也促進了 SLAM 在全球的采納和擴張。
圖 3：SLAM 技術相關市場預計將于 2024 年超過 20 億美元
不止于此，SLAM 正在被用于室內和戶外環境的導航應用，進一步推動這一技術在多個終端用戶行業的大規模采納。過去 5 年間，領先的科技公司顯著加大對 SLAM 的投資，并將其作為新產品開發和并購等業務擴張戰略的一部分進行考量。
SLAM 的實現條件
圖 4 展示了 SLAM 的一般性流程。
圖中每個區塊的實現都是基于傳統的計算機視覺（Computer Vision）。不同之處在于，它們非常依賴多種不同的線性代數和矩陣運算，承擔了繁重的計算任務，且可以實現于 CPU 或 GPU。
對一般性使用和原型設計來講，CPU 是很不錯的選擇，但它的性能和能力有限。首先，用于并行處理的單指令多數據流（SIMD）通道數量較少；其次，功耗效率不高。這兩條導致 CPU 不是大規模應用的選擇，甚至在某些場景下，CPU 都無法滿足 SLAM 的實時性要求。
GPU 則在計算能力方面提升了一個臺階。它具有多種適合并行處理的模態，可協助實現高性能，并滿足即時性需求。但萬物皆有兩面性，GPU 是耗能巨獸，功耗巨大。而且，僅僅憑借這一條處理上的優勢就想說服 SoC 供應商在有限的布局規劃空間額外增加 GPU 所需組件也不太現實。
專屬 DSP 大展身手的時機終于到了。DSPs 具備高度可編程的特性，面積小，是多個細分市場大規模部署設備量產的理想選擇。
Tensilica Vision Q7 DSP
Cadence Tensilica Q7 DSP 是為了實現 SLAM 在邊緣及其他設備的高性能而專門設計的。Vision Q7 DSP 已經是 Tensilica 家族的第六代視覺與 AI DSPs 產品。Cadence 對它的指令集進行了優化，使其擁有更高的矩陣運算、特征提取和卷積運算性能，是迄今性能最高的視覺 DSP，并具備在邊緣設備運行 SLAM 應用所必須的高性能與低功耗間的完美平衡。
|
在線咨詢 
