如果一臺機器人要鉆進通風管道、工業管道，或者在狹窄的設備內部檢查漏氣、裂縫和故障，它首先要解決一個看似簡單、其實很難的問題：知道自己周圍有什么。

哪里是障礙物？哪里可以通過？這些信息需要被實時整理成一張 3D 地圖，機器人才能規劃路線、避開障礙物，繼續往前走。這種把周圍三維空間劃分為“被占據”“可通行”和“未知”區域的技術，稱為 3D 占據建圖（3D Occupancy Mapping）。

傳統 3D 建圖通常需要處理大量圖像、存儲密集的三維空間表示，還要不斷計算障礙物和自由空間。對自動駕駛汽車或大型機器人來說，可以交給強大的計算平臺；但對一架小型無人機、一臺紐扣大小的機器人，或者一副輕量 AR眼鏡來說，電池容量和散熱空間都非常有限。

近日，麻省理工學院（MIT）的研究團隊報道了一項新研究，他們開發了一顆名為 Gleanmer 的微型芯片，可以用極低功耗實時生成三維占據地圖。這顆芯片的功耗大約只有 6 毫瓦，差不多是一顆小 LED 的耗電量，卻能幫助小型自主機器人實時理解復雜環境。

它解決的正是機器人導航里的一個核心問題：如何在極小功耗下，實時構建足夠詳細的 3D 地圖。

（來源：MIT News）

過去常見的做法，是把空間切成一個個小立方體，也就是“體素”。你可以把它想象成用很多小方塊拼出一個房間：某些方塊代表障礙物，某些方塊代表自由區域，某些方塊代表未知區域。這個方法直觀，但問題也很明顯：如果想要地圖更精細，方塊就要切得更小，數量會迅速膨脹，內存和計算量都跟著上升。

為了讓 3D 占據地圖更加緊湊，MIT 研究團隊此前開發了 GMMap 算法。其核心思路是用高斯混合模型來表征三維空間，也就是用一個個高斯橢球替代密集的小方塊，來表示環境中的障礙物和自由空間。紅色的高斯橢球表示被占據的區域，也就是障礙物；藍色的高斯橢球表示自由空間，也就是機器人可以通過的區域。

這些橢球體的大小、形狀和方向都可以調整，因此更適合擬合現實環境中的結構。比如一段管道、一面墻、一個彎曲表面，如果用小方塊表示，可能需要很多塊；但用一個形狀合適的橢球，就能更緊湊地表達出來。

不過，即便 GMMap 已經比傳統體素地圖更小巧，在普通便攜設備上運行時，依然可能消耗超過 2 瓦特（2,000 毫瓦）的電量。對微型機器人來說，這仍然太高。

為了解決耗電問題，研究人員這次沒有只在軟件層面繼續優化，而是直接把 GMMap 算法做成了一顆專門的硬件芯片 Gleanmer。

傳統系統往往需要多次讀取和處理深度圖像。深度圖里每個像素都帶有距離信息，如果機器人每一幀都要反復比較大量像素、更新空間模型，內存訪問和能耗都會很高。Gleanmer 的做法是讓芯片以流式方式處理深度圖：圖像進來之后，只需一遍掃描，就盡快生成高斯表示。隨后，系統就可以丟掉原始圖像，不需要把整張圖長期存在片上內存里。

為了讓這顆芯片不僅快，還能省電和省面積，這項研究還做了幾個關鍵優化。

第一個，自由空間的生成。機器人看到一個障礙物時，不只要知道障礙物在哪里，也要知道傳感器到障礙物之間哪條路大概率是可行的的。傳統方法會沿著大量視線一條條去算：哪段是空的，哪段是被擋住的。

Gleanmer 的做法更省事：它先把障礙物整理成一個個高斯橢球，再根據這些已經整理好的結果，反推出周圍哪些地方可能是空的。也就是說，它不再從原始圖像里反復算，而是利用已經壓縮好的地圖信息繼續推導。這樣一來，地圖構建所需的能耗降低了 22% 到 63%。

第二，地圖查詢。機器人規劃路線時，會沿著一條候選軌跡連續檢查很多坐標點是否安全。這些點通常離得很近，如果每個點都單獨查詢地圖，就會重復訪問大量相似數據。

（來源：上述論文）

Gleanmer 把相鄰坐標打包查詢，它先圈出一個包含這些點的小范圍，再一次性找出這個范圍里相關的高斯橢球，然后統一計算。論文顯示，這讓查詢能耗降低了 74% 到 81%，查詢吞吐提升 4 到 10 倍。

第三，近似計算。芯片設計里，精度越高、緩存越多，面積和功耗往往越大。Gleanmer 在不明顯影響地圖精度的前提下做了取舍，其降低了部分高斯參數的數值精度，并用更簡單的方式估計圖像掃描中的線段斜率。最終，加速器面積減少了 38%，地圖大小也減少了 44% 到 63%，同時地圖精度基本沒有明顯下降。

圖 | 加速器的能效與面積縮減情況（來源：上述論文）

實驗結果顯示，Gleanmer 芯片本身非常小，面積大約只有 4 平方毫米，內部只配備了 622KB 的片上存儲，但已經足夠支撐實時建圖。

在測試中，它可以實時處理 640×480 的深度圖像，每秒完成 88 到 331 次地圖更新。對機器人來說，周圍環境的變化幾乎可以被連續不斷地刷新出來。

除了建圖，它還可以快速回答另一個關鍵問題：某個位置能不能走？實驗中，Gleanmer 每秒可以查詢 54 萬到 132 萬個空間坐標點。在多個測試環境里，它生成的地圖精度保持在 96% 到 99% 左右。

更重要的是，它非常省電。研究人員將它和常見的計算平臺 NVIDIA Jetson TX2 進行對比。結果顯示，在完成類似 3D 建圖任務時，Gleanmer 的功耗至少低了 341 倍。和此前用于 OctoMap 建圖的專用加速器 OMU 相比，功耗也低了 44 倍。

這意味著，它可能讓一些以前不敢做實時 3D 建圖的小設備，真正擁有空間理解能力。比如小機器人可以在工業管道里拐彎、避障、尋找漏氣點；小型無人機可以在狹窄空間中穿行；輕量 AR 眼鏡可以長時間佩戴，同時實時理解房間布局，用于醫學訓練、維修指導或裝配輔助。

當然，Gleanmer 還不是一個完整的機器人系統。它解決的是低功耗實時 3D 建圖和地圖查詢這一環。真正落地時，還需要傳感器、定位、控制、通信等多個模塊共同配合。

1.https://arxiv.org/pdf/2603.29005

2.https://news.mit.edu/2026/new-chip-could-help-tiny-robots-traverse-complex-environments-0623

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成