特征匹配是图像中的 M 2D 关键点与 N 存储的 3D 关键点进行匹配的过程。两个关键点间的匹配程度 是使用对应每个点的描述符计算的。在此处描述的实施方案中，使用绝对差之和 (SAD) 作为两个描述符匹配程度的指标。SAD 分数越小，匹配度越高。但是，MxN SAD 分数的计算量高得惊人，因此仅计算图像中的 M 2D 点与稀疏 3D 地图中的 n<N 3D 点之间的 SAD 分数。这些 n 点是根据车辆/机器人的估计位置选择的。然后，从这些分数中，选择累积的 SAD 分数最低的对应项。

计算特征对应项后，下一步是计算车辆/机器人的姿态。在此实施方案中，计算 6D 姿态，其中 roll 表示旋转，X、Y、Z 分别表示俯仰、偏摆、平移。此实施方案专门使用多点透视成像 (PnP) 方法来估计姿态。PnP 问题是指在给定现实中的一组 n 3D 点及其在图像平面中对应的 2D 投影后估计校准相机的姿态。在此实施方案中，随机样本一致性 (RANSAC) 框架 [5] 中使用了 P3P 方案 [4]。概括来讲，这是一个迭代过程，每次迭代中随机选择点对应项以优化姿态估计。

在下一部分中，构成可视化定位算法的子任务映射至不同的组件 TDA4VM SoC，以显示可通过 SoC 实现的无缝映射。