我们提出了一种用于移动CPU处理器上进行障碍物检测的新型立体视觉算法，可以实现每秒120帧的探测，并能在高速、小型的无人机上实现运行。该系统使用IMU和状态估计器恢复障碍物的位置，并建立并更新完整的深度图，不需要任何外部传感器或计算。

Jul, 2014

该研究提出了一种可嵌入低功耗GPU设备的实时系统，使用Semi-Global Matching算法，针对机器人、高级驾驶辅助系统和自主车辆等的需求，在640x480的图像大小、128个视差级别和4个路径方向下，以每秒42帧的速度生成可靠的视差估计结果。

Oct, 2016

本文提出了一种新的CPU架构，使用从单个输入图像提取的特征金字塔快速推断准确的深度图，与现有的方法相比，模型的参数较少（约为6％），使得其能在Raspberry Pi 3上推断KITTI图像的深度图约1.7秒，为CPU上的嵌入式系统的无监督单目深度估计的快速有效部署铺平了道路。

Jun, 2018

本文讨论了使用轻量级立体相机设置进行障碍物避难的方法。通过计算图像的不同点，利用经过优化的半全局匹配（SGM）算法得出障碍物分布图，并采用反应式的避障方式通过嵌入式 FPGA 进行最短路径规划。

Jul, 2018

本文提出了一种受到More Global Matching (MGM)方法启发的新型资源高效方法，它可以实时运行在功耗低的FPGA上，并在KITTI和Middlebury等多个数据集上验证了我们的方法可以实现在准确性、功耗效率和速度之间的最佳平衡，使我们的方法非常适用于功耗有限的实时系统。

Oct, 2018

本文提出一种结合SGM和ELAS方法的 FPGA-CPU芯片的立体图像算法，实现了高效和高精度的深度数据点云的计算，并在KITTI 2015数据集上以50FPS的速度和5W的功率消耗下，达到了仅8.7％的误差率。

Jul, 2019

本文提出了FP-Stereo算法，使用开源硬件高效库快速搭建高性能FPGAs立体匹配流水线，支持多种方法和技术的并行处理，可自动生成FPGA加速器的综合C代码，并通过详细比较，展示出FP-Stereo在准确性、速度、资源使用和能耗等方面的优化。

Jun, 2020

本论文介绍了一种基于FPGA的More Global Matching算法的立体视觉系统，通过对深度图的位移图进行加速计算，以达到实时运行的目的，在深度图计算方面可达到0.72瓦的功耗和10.5fps的更新速度。

Jul, 2020

使用嵌入式GPU实现的简约的立体匹配系统，通过基于变分自动编码器的小型神经网络构建优化初步视差图的混合结构，实现了传统算法和神经网络结合，同时提高了匹配准确度和实时性。

May, 2023

该论文概述了在处理事件数据的不同环境中使用FPGAs的重要工作，并涵盖了滤波、立体视觉、光流、基于人工智能的算法加速（包括脉冲神经网络）用于目标分类、检测和跟踪以及机器人和检测系统的应用。讨论了此类系统的当前趋势和挑战。

Jul, 2024