一颗芯片，功耗只有6毫瓦，不到一颗LED灯泡的百分之一，却能让指甲盖大小的无人机在飞行中实时构建出周围环境的精密三维地图。
这不是概念演示，而是麻省理工学院低能耗自主与导航研究团队（LEAN）已在IEEE超大规模集成电路研讨会上发表并获得最佳演示奖的真实成果。
问题的根源：地图越精细，代价越高昂
让机器人"看懂"周围环境，一直是自主导航领域最核心的技术挑战之一。
构建高精度三维地图，传统方法依赖体素（Voxel）网格，也就是用数以百万计的微小立方体来拼接描述空间，这套方法精度高，但内存消耗巨大，处理器负担极重。对于一架重量以克计算的微型无人机来说，电池容量本就捉襟见肘，根本撑不起这种级别的计算负荷。
麻省理工学院的团队决定从数学表达方式上做根本性的改变。他们放弃了体素立方体，转而使用一种被称为"高斯函数"的灵活椭球形状来描述环境中的物体和空间。
这个选择的意义远不止是换一种几何表示方式。椭球体能够以更少的数学参数描述曲面、边缘和开放空间，内存占用大幅缩减，而对空间形态的描述反而更自然、更准确。麻省理工团队将这套表示方法与他们自主研发的GMMap算法结合，实现了一次扫描即可从深度图像生成三维地图，图像数据几乎在处理完毕的瞬间就可以被丢弃，无需反复存储和回溯。
共同第一作者李志轩解释说，在任何时刻，系统只需要在内存中保留几个像素，这种极简的内存占用是整个系统低功耗的关键前提。
Gleanmer：算法与硬件协同设计的结晶
芯片的命名来自"高斯学习与映射"概念的组合，Gleanmer在6毫瓦的功耗下运行，是目前同类最优芯片能耗的约2.5%。
这个数字值得停下来细想一下。现有用于机器人地图构建的最佳芯片，能耗约为240毫瓦左右，而Gleanmer将这个数字压缩到了6毫瓦，降幅超过97%。这意味着同样一块电池，可以让搭载Gleanmer的无人机工作的时间大幅延长，或者反过来说，同样的任务时长，无人机可以把节省下来的重量配额用于搭载更多传感器或载荷。
解决能耗问题的另一个关键，是内存架构的设计。传统方案依赖外部存储器来保存地图数据，但频繁读写外部存储本身就是耗电大户。Gleanmer通过将活跃数据尽量保留在高速片上存储器中，减少了对外部存储的依赖。共同第一作者傅子兴表示，通过使用专用存储器保存前几帧中看到的物体，数据访问效率得到了显著提升。
在实际测试中，Gleanmer不仅完成了多种预先录制环境的实时三维重建，还直接接入了iPhone摄像头的实时数据流，在真实场景中重建障碍物分布和可通行空间。更值得关注的是，系统在路径规划阶段同样复用了这套紧凑的高斯表示，使机器人计算无碰撞路径所需的能量仅为传统方法的约20%。
麻省理工学院电气工程与计算机科学教授、该研究的资深作者薇薇安·谢指出，这项成果是算法与硬件协同设计如何真正提升能效的关键示范，两者缺一不可，单纯优化软件或单纯升级硬件，都无法达到目前的效果。
这项技术的应用场景，远不只是无人机。研究团队正在探索将其用于轻型增强现实头戴设备，让AR眼镜在不消耗额外电量的情况下实时感知室内空间布局；工业仓储机器人在密集货架间的精准导航；矿井、隧道等GPS信号无法到达的封闭环境中的自主探测作业。此外，团队还在研究这套基于高斯分布的表示方法能否帮助计算系统更高效地处理工程图纸和复杂电路原理图，这意味着其潜在价值或许还会延伸到工业设计和电子工程领域。
在自主机器人走向真正实用化的路上，能耗一直是最难翻越的那道墙。Gleanmer用一颗6毫瓦的芯片，在这道墙上凿开了一个新的缺口。
牛配资提示：文章来自网络，不代表本站观点。
