首页 > 人工智能 >麻省理工新芯片助力微型机器人穿越复杂环境

麻省理工新芯片助力微型机器人穿越复杂环境

来源：互联网 2026-07-04 06:11:07

麻省理工学院研发出功耗约6毫瓦的Gleanmer芯片，采用高斯椭球体替代传统体素进行三维建图，大幅降低内存占用。该芯片使微型无人机能在复杂管道中实时避障并检测气体泄漏，也可用于增强现实头显等低功耗边缘设备，路径规划能耗仅为传统方案的20%。

麻省理工学院（MIT）的研究人员近日推出一款新型芯片，专为体型小巧、功耗极低的无人机设计。该芯片可帮助微型无人机钻入工业暖通空调系统管道，灵活避障，并实时检测气体泄漏。

长期稳定更新的攒劲资源： >>>点此立即查看<<<

这款芯片体积虽小，性能却十分突出。其功耗仅相当于一颗LED灯泡，却能让电池容量有限的小型自主机器人在移动中实时构建精细的三维环境地图。借助这张地图，机器人能够规划出安全且不会碰撞的路线。

传统方案的痛点

传统方法在生成精细三维地图时，机器人需要消耗大量内存来构建和存储每个障碍物的三维表示，这对硬件功耗提出了较高要求。

MIT团队另辟蹊径，将高效建图算法与专为加速计算负载设计的硬件相结合，成功将内存占用和功耗降至极低水平。最终，该片上系统的功耗仅约6毫瓦，比同类系统低出一个量级。由于能效极高，这款芯片同样适用于轻量级增强现实头显设备——医学院学生佩戴AR眼镜进行模拟手术，或维修技师处理精密装配时，均可长时间使用而无需频繁充电。

麻省理工学院电气工程与计算机科学系教授、该论文资深作者Vivienne Sze表示：“这篇论文展示了算法与硬件协同设计带来的能效提升。此前关于紧凑型三维地图的研究不少，但我们的独特之处在于，同时确保‘生成地图’过程本身也尽可能高效。我们的芯片可以在米粒大小的空间内存下一张巨大地图，且耗电极少。”

论文共同第一作者为MIT博士生傅子星和李志轩，合作者还包括航空航天系教授Sertac Karaman。该成果已在IEEE超大规模集成电路研讨会上正式亮相。

用“椭圆”代替“方块”，地图更紧凑

深入了解后可知，机器人构建三维地图之所以耗电，关键在于需要存储摄像头拍下的图像，并对每幅图像中的每个三维像素进行多次处理。

MIT团队放弃了沿用数十年的体素（立方体形状的三维像素）表示方法，转而采用称为“高斯椭球体”的椭圆形区域来映射障碍物。这些椭球体的大小、形状和厚度均可灵活调整。简言之，一个圆润曲面若用固定大小的方块堆叠，需要大量方块才能拼出弧度；而一个细长椭球体可能一个就够。因此，无论是障碍物表面还是机器人周围的自由空间，都能以更紧凑的形式存储。

在这款名为Gleanmer的芯片上，研究人员采用了实验室此前开发的GMMap算法，该算法利用高斯椭球体高效生成环境地图。

传统方法中，机器人需要反复加载和处理每帧深度图像，通过逐像素比对来调整椭球体的大小和形状。但对无人机等边缘设备而言，所需内存和功耗仍然过高。为解决这一难题，MIT团队发明了新技巧：只需对深度图像进行一次扫描，即可生成高精度的高斯椭球体，处理完直接丢弃图像，因此芯片无需一次性存储整幅图像。新算法也不再让每个像素与所有其他像素比对，而是直接假设相邻像素属于同一个椭球体，仅需与邻居对比即可。

李志轩解释：“任意时刻，我们只需在内存中保存少量像素，这大幅降低了内存占用。”

算法与硬件双剑合璧

不过，新的问题随之而来。机器人在空间中移动时，同一物体从不同角度被反复观测，代表该物体的椭球体就会发生重叠。若不处理，地图会变得臃肿，难以存入芯片。

常规做法需要重新处理内存中存储的大量原始像素以融合重叠的椭球体。但MIT团队再次开发出新方法：直接对重叠的高斯椭球体执行融合操作，无需回溯原始像素数据。由于椭球体本身已比像素紧凑，此举进一步降低了内存和功耗需求。简言之，计算尽量在紧凑的高斯椭球体上完成，而非在数据量庞大的原始像素上折腾。

基于这一设计原则，工程师们为芯片定制了架构：当前处理的高斯椭球体存放在紧挨计算单元的片上高速内存中，下一步需要用到的椭球体也提前预存，使芯片完全无需访问距离远、功耗大的片外存储。傅子星形象地比喻：“设置专用内存来存储过去几帧中检测到的物体，数据访问效率一下子就提升了。”

验证与未来

研究人员使用多种不同类型的预置三维环境对Gleanmer进行测试，并直接用iPhone摄像头实时传输的数据重建障碍物和自由空间。结果令人印象深刻：Gleanmer在实时生成精细三维地图时功耗仅约6毫瓦，是目前最优秀同类芯片的约2.5%。更值得一提的是，在路径规划时，它可直接复用那些紧凑的高斯椭球体，使机器人规划安全轨迹的能耗仅为原来的20%左右。

李志轩总结：“我们的思路是先通过算法提升效率降低内存占用，再加速这个高效算法的执行负载，最终让芯片整体达到尽可能高的能效。”

研究团队计划继续提升能效，例如将处理单元移至更靠近传感器的位置，并探索更多应用——比如用高斯椭球体表示工程图纸，帮助AI系统更快解析复杂蓝图。Sertac Karaman评价：“实时三维建图一直是小型自主系统缺失的关键能力。无论是管道巡检的无人机，还是室内导航的AR眼镜，都需要即时、持续地感知空间，且功耗极低。Gleanmer在一枚指尖大小的芯片上首次实现了这一点。”

该研究获得了MIT-MathWorks奖学金、亚马逊、美国国家科学基金会及英特尔的部分资助。