如果一台机器人要钻进通风管道、工业管道，或者在狭窄的设备内部检查漏气、裂缝和故障配资优选榜单，它首先要解决一个看似简单、其实很难的问题：知道自己周围有什么。
哪里是障碍物？哪里可以通过？这些信息需要被实时整理成一张 3D 地图，机器人才能规划路线、避开障碍物，继续往前走。这种把周围三维空间划分为“被占据”“可通行”和“未知”区域的技术，称为 3D 占据建图（3D Occupancy Mapping）。
配资世家炒股开户传统 3D 建图通常需要处理大量图像、存储密集的三维空间表示，还要不断计算障碍物和自由空间。对自动驾驶汽车或大型机器人来说，可以交给强大的计算平台；但对一架小型无人机、一台纽扣大小的机器人，或者一副轻量 AR眼镜来说，电池容量和散热空间都非常有限。
近日，麻省理工学院（MIT）的研究团队报道了一项新研究，他们开发了一颗名为 Gleanmer 的微型芯片，可以用极低功耗实时生成三维占据地图。这颗芯片的功耗大约只有 6 毫瓦，差不多是一颗小 LED 的耗电量，却能帮助小型自主机器人实时理解复杂环境。
它解决的正是机器人导航里的一个核心问题：如何在极小功耗下，实时构建足够详细的 3D 地图。
过去常见的做法，是把空间切成一个个小立方体，也就是“体素”。你可以把它想象成用很多小方块拼出一个房间：某些方块代表障碍物，某些方块代表自由区域，某些方块代表未知区域。这个方法直观，但问题也很明显：如果想要地图更精细，方块就要切得更小，数量会迅速膨胀，内存和计算量都跟着上升。
为了让 3D 占据地图更加紧凑，MIT 研究团队此前开发了 GMMap 算法。其核心思路是用来表征三维空间，也就是用一个个高斯椭球替代密集的小方块，来表示环境中的障碍物和自由空间。红色的高斯椭球表示被占据的区域，也就是障碍物；蓝色的高斯椭球表示自由空间，也就是机器人可以通过的区域。
这些椭球体的大小、形状和方向都可以调整，因此更适合拟合现实环境中的结构。比如一段管道、一面墙、一个弯曲表面，如果用小方块表示，可能需要很多块；但用一个形状合适的椭球，就能更紧凑地表达出来。
不过，即便 GMMap 已经比传统体素地图更小巧，在普通便携设备上运行时，依然可能消耗超过 2 瓦特（2,000 毫瓦）的电量。对微型机器人来说，这仍然太高。
为了解决耗电问题，研究人员这次没有只在软件层面继续优化，而是直接把 GMMap 算法做成了一颗专门的硬件芯片 Gleanmer。
传统系统往往需要多次读取和处理深度图像。深度图里每个像素都带有距离信息，如果机器人每一帧都要反复比较大量像素、更新空间模型，内存访问和能耗都会很高。Gleanmer 的做法是让芯片以流式方式处理深度图：图像进来之后，只需一遍扫描，就尽快生成高斯表示。随后，系统就可以丢掉原始图像，不需要把整张图长期存在片上内存里。
为了让这颗芯片不仅快，还能省电和省面积，这项研究还做了几个关键优化。
第一个，自由空间的生成。机器人看到一个障碍物时，不只要知道障碍物在哪里，也要知道传感器到障碍物之间哪条路大概率是可行的的。传统方法会沿着大量视线一条条去算：哪段是空的，哪段是被挡住的。
Gleanmer 的做法更省事：它先把障碍物整理成一个个高斯椭球，再根据这些已经整理好的结果，反推出周围哪些地方可能是空的。也就是说，它不再从原始图像里反复算，而是利用已经压缩好的地图信息继续推导。这样一来，地图构建所需的能耗降低了 22% 到 63%。
第二，地图查询。机器人规划路线时，会沿着一条候选轨迹连续检查很多坐标点是否安全。这些点通常离得很近，如果每个点都单独查询地图，就会重复访问大量相似数据。
Gleanmer 把相邻坐标打包查询，它先圈出一个包含这些点的小范围，再一次性找出这个范围里相关的高斯椭球，然后统一计算。论文显示，这让查询能耗降低了 74% 到 81%，查询吞吐提升 4 到 10 倍。
第三，近似计算。芯片设计里，精度越高、缓存越多，面积和功耗往往越大。Gleanmer 在不明显影响地图精度的前提下做了取舍，其降低了部分高斯参数的数值精度，并用更简单的方式估计图像扫描中的线段斜率。最终，加速器面积减少了 38%，地图大小也减少了 44% 到 63%，同时地图精度基本没有明显下降。
实验结果显示，Gleanmer 芯片本身非常小，面积大约只有 4 平方毫米，内部只配备了 622KB 的片上存储，但已经足够支撑实时建图。
在测试中，它可以实时处理 640×480 的深度图像，每秒完成 88 到 331 次地图更新。对机器人来说，周围环境的变化几乎可以被连续不断地刷新出来。
除了建图，它还可以快速回答另一个关键问题：某个位置能不能走？实验中，Gleanmer 每秒可以查询 54 万到 132 万个空间坐标点。在多个测试环境里，它生成的地图精度保持在 96% 到 99% 左右。
更重要的是，它非常省电。研究人员将它和常见的计算平台 NVIDIA Jetson TX2 进行对比。结果显示，在完成类似 3D 建图任务时，Gleanmer 的功耗至少低了 341 倍。和此前用于 OctoMap 建图的专用加速器 OMU 相比，功耗也低了 44 倍。
这意味着，它可能让一些以前不敢做实时 3D 建图的小设备，真正拥有空间理解能力。比如小机器人可以在工业管道里拐弯、避障、寻找漏气点；小型无人机可以在狭窄空间中穿行；轻量 AR 眼镜可以长时间佩戴，同时实时理解房间布局，用于医学训练、维修指导或装配辅助。
当然，Gleanmer 还不是一个完整的机器人系统。它解决的是低功耗实时 3D 建图和地图查询这一环。真正落地时，还需要传感器、定位、控制、通信等多个模块共同配合。
1.https://arxiv.org/pdf/2603.29005
元股证券:ygzq.hk
2.https://news.mit.edu/2026/new-chip-could-help-tiny-robots-traverse-complex-environments-0623
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
中国证券公司在线开户提示：本文来自互联网，不代表本网站观点。
