Инженеры Массачусетского технологического института представили энергоэффективный чип, который может кардинально расширить автономные возможности миниатюрных роботов. Разработка позволяет маломощным устройствам строить трёхмерные карты окружающего пространства «на лету», расходуя при этом энергию на уровне одного светодиода. Это открывает путь к созданию автономных систем для диагностики газопроводов, вентиляционных шахт и других труднодоступных объектов.
Изображение: news.mit.edu (обработано Qwen)
Главная инновация состоит в отказе от традиционного представления пространства. Вместо жёстких кубических пикселей исследователи применили эллипсоидные объекты — гауссианы, которые способны адаптироваться под форму препятствий. Такой подход позволяет описывать сложные геометрические поверхности с помощью меньшего количества элементов, что критически снижает объём памяти и вычислительную нагрузку. Система работает в два этапа: сначала чип обрабатывает данные с глубинных камер, преобразуя их в набор гауссианов, а затем при повторном наблюдении объекта с другого ракурса объединяет перекрывающиеся эллипсоиды, не возвращаясь к исходным пикселям.
Разработанный чип Gleanmer расходует около 6 милливатт — примерно 2,5% от энергопотребления лучших существующих аналогов. При этом он позволяет роботу планировать безопасную траекторию, используя всего 20% энергии от стандартного алгоритма. По словам соавторов исследования, ключевой принцип заключается в совмещении эффективного алгоритма и специализированной аппаратной архитектуры: все текущие вычисления ведутся непосредственно во встроенной быстрой памяти, что исключает необходимость обращения к более энергозатратным внешним накопителям.
Потенциальные применения технологии не ограничиваются робототехникой. Разработчики видят перспективы в лёгких AR-гарнитурах для образовательных медицинских симуляторов, ремонтных работ и сложной сборки. Особую ценность система представляет для ситуаций, где важна автономная навигация в замкнутых пространствах без постоянного радиосигнала.
Исследователи также намерены в будущем интегрировать вычислительные блоки непосредственно в сенсорные подсистемы для дальнейшего повышения энергоэффективности, а также изучить возможность использования гауссианов для представления схем и чертежей, что может помочь ИИ-системам быстрее обрабатывать сложные проектные данные. Работа поддержана MIT-MathWorks Fellowship, Amazon, Национальным научным фондом США и Intel.
