麻省理工学院的研究人员开发出一款新型芯片股票配资官方平台，有望帮助微型低功耗无人机在复杂环境中灵活躲避障碍。例如，无人机可以在工业暖通空调系统内穿行于狭窄角落，完成天然气泄漏检测任务。
该芯片允许小型自主机器人及其他受电池容量限制的设备，仅消耗相当于一颗 LED 灯的电量，便能实时构建精细的三维环境地图。机器人可利用这张地图规划无碰撞路径，顺利抵达目标位置。
通常情况下，生成如此详尽的三维地图需要高功耗系统和大量内存，以存储和处理环境中障碍物的三维模型。麻省理工团队另辟蹊径，将一套极高效率的建图算法与专为加速该算法工作负载而设计的定制硬件相结合，从而大幅降低了内存占用和功耗。
这款片上系统（SoC）的功耗仅约 6 毫瓦，远低于同类系统的能耗水平。
超低功耗特性同样使该芯片适用于轻量级增强现实头显，可支持长时间佩戴，涵盖医疗教育模拟、精密维修与装配等应用场景。
电气工程与计算机科学系教授、电子研究实验室成员、论文通讯作者 Vivienne Sze 表示："这篇论文展示了一个典型案例，说明如何通过算法与硬件的协同设计来极致提升能效。此前已有大量研究关注紧凑型三维地图，但本研究的独特之处在于，我们同样确保生成地图的过程本身也尽可能高效。我们的芯片能在极小的空间内存储非常大的地图，并以极低的能耗完成这一过程。"
论文的共同第一作者为麻省理工博士生 Zih-Sing Fu 和 Peter Zhi Xuan Li，以及航空航天学教授、LIDS 主任 Sertac Karaman。这项研究近期已在 IEEE 超大规模集成电路研讨会上正式发表。
更紧凑的地图表示
机器人在生成包含环境障碍物信息的三维地图时，通常需要消耗大量电能，因为它必须存储摄像头采集的图像，并对每帧图像中的所有三维像素进行多次处理。
麻省理工研究人员没有采用由体素（即三维像素立方体）构建环境的传统方法，而是借助一种名为高斯椭球体的技术来表示空间中的障碍物。
这些椭球体的大小、形状和厚度可以灵活调整，相比刚性的体素立方体，能更高效地贴合曲面物体的几何形态。
更重要的是，地图不仅能表示障碍物，还能同时表示机器人周围的自由空间，两者共同支持机器人规划安全、无碰撞的行进路径。传统体素方法在表示障碍物与自由空间时内存消耗较高，而高斯椭球体能灵活适配几何形状，一个拉伸的椭球体可以代替原本需要多个体素才能描述的区域，因此占用和自由空间的表示更为紧凑。
研究团队为这款名为 Gleanmer 的片上系统采用了实验室自主开发的 GMMap 算法，该算法利用高斯椭球体高效生成机器人环境的三维地图。
在传统方案中，机器人需要多次加载并处理每一帧深度图像，才能逐步调整椭球体的大小与形状，通常通过对比图像中所有像素来构建高斯模型，但这一过程的内存和功耗对许多边缘设备而言仍然过高。
为此，研究人员发明了一种新技术，仅需对深度图像进行一次扫描，即可生成高精度的高斯模型，随后便可丢弃原始图像，芯片无需在任何时刻存储完整的一帧图像。
该算法不再对比图像中每个像素与其他所有像素，而是假设相邻像素同属一个高斯模型，因此只需与邻近像素进行比较。
"在任意时刻，我们只需在内存中保存少量像素，这极大地减少了算法所需的内存占用，"Li 说道。
算法与硬件的协同设计
当机器人在空间中移动时，往往会从不同视角观察到同一物体。在生成高斯模型的过程中，表示同一物体的椭球体可能出现重叠，导致三维地图体积过大，超出边缘设备的存储能力。
融合重叠的高斯模型可以让地图更加紧凑，但传统方法通常需要重新处理内存中存储的大量原始像素。研究人员开发了一种新型融合技术，可直接对重叠的高斯模型进行操作，无需回溯原始像素。由于高斯模型比像素更紧凑，这一方法显著降低了内存和功耗需求。
这一原则贯穿整个算法——绝大多数计算直接作用于紧凑的高斯模型，而非原始像素，从而实现了整体的高能效。
研究人员基于这一原则进行芯片设计，将当前正在处理的高斯模型保存在紧邻计算单元的小型高速片上内存中。这一设计之所以可行，正是因为高斯地图足够紧凑。
机器人下一步需要用到的高斯模型已在片上内存中待命，无需从更远、更耗电的片外存储中读取。
"通过设置一块专用内存，仅存储过去几帧中已观测到的物体，就能以更高效率访问数据，"Fu 解释道。
研究团队通过重建多种类型的既有三维环境，对该片上系统进行了测试。芯片还能直接从 iPhone 摄像头的实时数据流中重建障碍物与自由空间。
Gleanmer 在功耗约 6 毫瓦的条件下实时生成了详细的三维地图，仅需现有最优建图芯片约 2.5% 的电能。
通过在路径规划过程中复用紧凑的高斯模型，该芯片使机器人规划安全轨迹所需的能量降低至原来的约 20%。
"我们通过提升算法效率来减少内存消耗，再对高效算法的工作负载进行加速，最终让芯片的整体效率达到极致，"Li 说道。
研究团队计划进一步提升能效，方向之一是将芯片上的处理单元移至更靠近环境数据采集传感器的位置。他们还计划探索更多应用场景，例如利用高斯模型表示工程示意图，从而帮助 AI 系统更高效地理解复杂蓝图。
"实时三维建图一直是小型自主系统缺失的关键能力。无论是检测管道的无人机，还是辅助室内导航的增强现实眼镜，都需要即时、持续地感知周围空间，且几乎不消耗任何电能。Gleanmer 让这一切首次在一枚指尖大小的芯片上成为可能，"Karaman 说道。
本研究部分受到麻省理工-MathWorks 奖学金、亚马逊、美国国家科学基金会及英特尔的资助与支持。
Q&A
Q1：Gleanmer 芯片的功耗有多低？和现有芯片比怎么样？
A：Gleanmer 的功耗约为 6 毫瓦，相当于一颗 LED 灯的耗电量。与目前最优的建图芯片相比，它只需后者约 2.5% 的电能，同时还能将机器人路径规划所需的能量降低至原来的约 20%。这种超低功耗特性使其非常适合用于微型无人机、轻量级增强现实头显等电池受限的边缘设备。
Q2：Gleanmer 为什么用高斯椭球体而不是传统体素来建图？
A：传统体素是刚性的立方体结构，表示曲面物体时需要大量体素堆叠，内存消耗高。高斯椭球体的大小、形状和厚度可以灵活调整，一个拉伸的椭球体就能覆盖原本需要多个体素才能描述的区域，地图更紧凑。此外，高斯模型能同时表示障碍物和自由空间，直接支持机器人规划无碰撞路径，整体效率更高。
Q3：Gleanmer 芯片目前有哪些实际应用场景？
A：Gleanmer 适用于多种低功耗自主系统场景。在工业领域股票配资官方平台，微型无人机可借助它在暖通空调系统内检测气体泄漏；在消费电子领域，它可用于轻量级增强现实头显，支持长时间佩戴，适合医疗教育模拟或精密装配工作；此外，研究团队还计划探索用高斯模型表示工程蓝图，帮助 AI 系统更高效地理解复杂示意图。
中航资本提示：文章来自网络，不代表本站观点。
热点资讯
