Chip do MIT permite que robôs criem mapas 3D com consumo mínimo de energia

Pesquisadores do MIT desenvolveram um novo chip que pode transformar a forma como pequenos robôs autônomos navegam pelo mundo real. O sistema, chamado Gleanmer, consegue construir mapas 3D detalhados do ambiente em tempo real consumindo apenas 6 miliwatts de potência — aproximadamente o mesmo que um único LED.

O problema do mapeamento 3D tradicional

Para um robô se mover com segurança, ele precisa entender o espaço ao seu redor: onde estão os obstáculos, por onde pode passar e qual a melhor rota para chegar ao destino. Isso exige a construção de um mapa 3D em tempo real.

O método tradicional usa voxels — pixels tridimensionais em forma de cubo — para representar o ambiente. O problema é que isso consome muita memória e energia, tornando a técnica inviável para dispositivos pequenos com bateria limitada, como drones de inspeção ou óculos de realidade aumentada.

A sacada: Gaussianas em vez de cubos

A equipe do MIT, liderada pela professora Vivienne Sze (EECS) e pelo professor Sertac Karaman (AeroAstro), trocou os voxels por Gaussianas — representações em forma de elipsoides que se adaptam muito melhor a superfícies curvas e objetos do mundo real.

"Uma única elipsoide alongada pode representar uma região que levaria muitos voxels. Com isso, tanto as superfícies ocupadas quanto o espaço livre são capturados de forma muito mais compacta", explicam os pesquisadores.

Isso reduz drasticamente a memória necessária. Mas a inovação vai além.

Processamento em uma única passada

Em sistemas convencionais, cada imagem de profundidade capturada pela câmera precisa ser processada múltiplas vezes para ajustar as elipsoides. O Gleanmer resolve isso com um algoritmo chamado GMMap, que gera Gaussianas precisas com apenas uma passada sobre os pixels.

O segredo: em vez de comparar cada pixel com todos os outros, o algoritmo assume que pixels vizinhos pertencem à mesma Gaussiana. Isso permite descartar as imagens brutas imediatamente — o chip nunca precisa armazenar uma imagem inteira.

"A qualquer momento, só precisamos armazenar alguns pixels na memória, o que reduz drasticamente o footprint de memória", afirma Peter Zhi Xuan Li, co-autor principal do estudo.

Co-design de algoritmo e hardware

O verdadeiro diferencial do Gleanmer está no co-design entre algoritmo e hardware. Como as Gaussianas são compactas, o chip mantém os dados com os quais está trabalhando em memória on-chip ultrarrápida, colada às unidades de computação.

"Com uma memória dedicada que armazena apenas os objetos vistos nos últimos frames, você acessa os dados de forma muito mais eficiente", explica Zih-Sing Fu, também co-autor principal.

Resultados impressionantes

Nos testes, o Gleanmer:

Consumiu apenas 6 miliwatts para gerar mapas 3D em tempo real
Usou apenas 2,5% da energia do melhor chip de mapeamento existente
Gastou 20% da energia que seria necessária para planejar uma trajetória segura
Funcionou tanto com datasets pré-existentes quanto com dados ao vivo de uma câmera de iPhone

Aplicações práticas

As possibilidades são amplas:

Drones de inspeção vasculhando dutos industriais em busca de vazamentos de gás
Robôs de manutenção navegando em espaços apertados dentro de sistemas de HVAC
Óculos de realidade aumentada leves que podem ser usados por horas para simulação médica ou montagem industrial
Sistemas de IA raciocinando sobre plantas e esquemas complexos com mais eficiência

"O mapeamento 3D em tempo real era a peça que faltava para pequenos sistemas autônomos. Um drone inspecionando uma tubulação ou óculos de AR navegando em uma sala — ambos precisam entender o espaço ao redor instantaneamente, continuamente e com custo de energia quase zero. O Gleanmer torna isso possível pela primeira vez em um chip que cabe entre os dedos", resume Karaman.

Próximos passos

Os pesquisadores planejam melhorar ainda mais a eficiência energética aproximando as unidades de processamento dos sensores que capturam os dados do ambiente. Também pretendem explorar aplicações adicionais, como o uso de Gaussianas para representar esquemas, ajudando sistemas de IA a raciocinar sobre plantas complexas de forma mais eficiente.

O trabalho foi apresentado no IEEE Very Large-Scale Integrated Circuits Symposium e contou com apoio do MIT-MathWorks Fellowship, Amazon, National Science Foundation e Intel.

Publicação original: MIT News