[发明专利]经由二维地图进行基于大规模CNN回归的定位

说明书

一种处理设备，包括用于训练卷积神经网络(CNN)以执行对服务机器人或移动设备的自主重定位的计算逻辑。一种设备包括：图像处理器，用于处理经由传感器接收的视觉数据；以及通用图形处理引擎，用于对图像数据执行相机姿态估计、并生成用于将相机姿态估计的位置变换为人类可读的位置地图内的位置的变换矩阵。所述图像和经变换位置用于训练所述CNN以执行重定位。

技术领域

实施例总体上涉及用于使用通用图形处理单元来执行计算机视觉和定位操作的逻辑。更具体地，实施例涉及基于大规模CNN回归的定位和重定位。

背景技术

神经网络可以被建模为以非循环图方式连接的神经元集合。神经网络可以接收输入(单个向量)，并通过一系列隐藏层对其进行变换。每个隐藏层由一组神经元组成，其中，每个神经元完全连接到前一层中的所有神经元，并且其中，单个层中的神经元完全独立地起作用并且不共享任何连接。最后一层称为“输出层”。在分类设置中，输出表示分类评分，而在回归设置中，输出是基于先前执行的训练操作来执行的对连续值的预测。卷积神经网络(CNN)类似于标准神经网络。然而，CNN被显式地定制成处置输入图像数据。

基于CNN的技术可以用于执行相机重定位，这是用于服务机器人导航的重要功能。例如，当服务机器人或另一个计算机视觉使能系统被启用并且发现本身处于与其先前维持的位置数据不一致的未知位置时，执行重定位过程。例如，机器人经历了电源故障或维护事件，并且在其计算机视觉或位置跟踪系统离线时已经被移动。重新定位过程可以包括枚举机器人可能位于的所有假设位置，这涉及执行确定与当前传感器输入一致的已知位置。然后，机器人可以探索其直接环境，并且使用传感器数据来尝试确定与先前确定的位置数据一致的更精确位置。

附图说明

通过阅读以下说明书和所附权利要求，并且通过参考以下附图，实施例的各种优点对于本领域技术人员将变得显而易见，在附图中：

图1是具有处理器的计算机系统的实施例的框图，所述处理器具有一个或多个处理器核和图形处理器；

图2是处理器的一个实施例的框图，所述处理器具有一个或多个处理器核、集成存储器控制器、以及集成图形处理器；

图3是图形处理器的一个实施例的框图，所述图形处理器可以是分立的图形处理单元、或者可以是集成有多个处理核的图形处理器；

图4是用于图形处理器的图形处理引擎的实施例的框图；

图5是图形处理器的另一实施例的框图；

图6是包括处理元件阵列的线程执行逻辑的框图；

图7展示了根据实施例的图形处理器执行单元指令格式；

图8是图形处理器的另一实施例的框图，所述图形处理器包括图形流水线、媒体流水线、显示引擎、线程执行逻辑、以及渲染输出流水线；

图9A是框图，展示了根据实施例的图形处理器命令格式；

图9B是框图，展示了根据实施例的图形处理器命令序列；

图10展示了根据实施例的数据处理系统的示例性图形软件架构；

图11是框图，展示了根据实施例的可以用于制造用于执行操作的集成电路的IP核开发系统；

图12是框图，展示了根据实施例的可以使用一个或多个IP核来制造的示例性芯片上系统集成电路；

图13是框图，展示了芯片上系统集成电路的示例性图形处理器；

图14是框图，展示了芯片上系统集成电路的附加示例性图形处理器；

图15A至图15B是流程图，展示了根据实施例的用于针对大型结构执行CNN回归重定位的逻辑。