机器人要真正自主移动，仅仅“看见”障碍物还不够，它还必须持续理解哪些空间可以通行、哪些区域存在障碍，并在不断变化的环境中实时更新地图。长期以来，这类三维环境建模通常意味着较大的计算量、存储需求和能源消耗，也使高精度空间感知更多集中在拥有较强计算平台的机器人上。美国麻省理工学院（MIT）研究团队日前开发的一款名为Gleanmer的专用芯片，正在尝试改变这一局面。MIT公布的研究显示，Gleanmer能够以约6毫瓦的功耗实时构建三维占用地图，相当于一颗小型LED的耗电水平，使微型无人机、超小型移动机器人以及其他电池容量高度受限的自主设备，也有机会获得实时三维空间感知能力。

该研究成果发表于2026年IEEE超大规模集成电路研讨会（IEEE Symposium on VLSI Circuits），论文题为《Gleanmer: A 6 mW SoC for Real-Time 3D Gaussian Occupancy Mapping》，研究人员包括Zih-Sing Fu、Peter Zhi Xuan Li、Sertac Karaman和Vivienne Sze。

不用大量体素，改用“高斯椭球”描述空间

传统机器人三维占用地图通常把空间切分成大量规则立方体，即体素（Voxel），再判断每个体素属于障碍区域、自由空间还是未知区域。这种方法直观可靠，但随着地图尺度和分辨率提高，需要处理和保存的体素数量会迅速增加，对内存带宽和计算资源形成较大压力。MIT团队采用了不同的空间表达方法，Gleanmer使用此前开发的GMMap算法，以高斯分布形成的三维椭球来表示环境。椭球能够根据真实物体表面的形状进行拉伸、旋转和调整，因此一个高斯结构就可能替代大量传统体素。

例如，对于墙壁、走廊或者大型连续平面，一个细长的高斯椭球可以覆盖原本需要大量小型立方体才能表达的区域。研究人员给出的一个案例中，相同空间信息采用体素表示需要约147KB，而使用高斯表示后下降至约9KB，数据量缩小约16倍。这种差异对于机器人而言十分关键。自主导航真正需要的并非简单的三维点云，而是占用地图（Occupancy Map），它必须同时知道哪里存在物体、哪里允许机器人通行，以及哪些区域尚未探测，只有掌握“自由空间”，机器人才能进行可靠的路径规划和避障。

一次扫描完成计算，大幅减少数据搬运

Gleanmer降低功耗的另一关键，并不是简单降低处理器频率，而是从算法和硬件两方面同时减少数据搬运。传统系统往往需要多次访问深度图像中的像素数据，完成空间结构计算，而Gleanmer采用单次处理方式，根据相邻像素通常属于同一空间结构这一特点，只比较附近像素，并逐步生成对应的高斯表示。完成计算后，原始深度图数据即可被丢弃，因此芯片在任何一个时间点只需要保存少量正在处理的像素，而不必把整幅深度图像长期存储在内存中。

当机器人移动并从不同角度再次看到同一个物体时，系统还可以直接合并重叠的高斯结构，而不需要重新调用原来的像素数据。其本质是把机器人计算中非常耗能的一件事情——大量数据在处理器与内存之间不断搬运——压缩到最低程度。MIT电子工程与计算机科学系教授Vivienne Sze认为，这项研究的重要意义之一，就是通过算法与硬件协同设计，同时降低地图本身的存储需求以及生成地图所需要的能源。

2×2毫米芯片，每秒最高处理331帧

MIT低功耗自主与导航研究团队公布的详细参数显示，Gleanmer采用16纳米CMOS工艺制造，芯片尺寸约为2毫米×2毫米，内部集成622KB SRAM。根据不同工作条件，其地图构建速度达到每秒88至331帧，空间查询能力达到每秒约54万至130万个坐标点，同时整体功耗保持在6毫瓦以下。

研究人员在办公室、非结构化森林环境以及大型城市环境等不同数据集上进行了测试，结果显示，其三维占用地图准确率超过96%。尤其值得关注的是，即便对一个完整城市街区进行空间建模，其占用地图的数据容量仍可以控制在400KB以内，并能够在芯片端完成构建。与其他计算平台相比，能耗差距更加明显。MIT数据显示，在执行相同GMMap算法的情况下，Gleanmer的功耗比NVIDIA Jetson TX2平台低至少341倍；与此前专门针对OctoMap体素地图开发的OMU加速芯片相比，功耗也降低约44倍。MIT此前公布的数据还显示，与现有较先进的地图构建芯片相比，Gleanmer只需要大约2.5%的功率。

从微型无人机向移动机器人延伸

MIT目前首先强调的是微型无人机、昆虫尺度机器人、管道和HVAC内部检查机器人等应用。这些设备自身可能只有几十毫瓦的能源预算，传统几百毫瓦甚至数瓦级的实时三维建图系统几乎无法使用。不过，从工业移动机器人的发展来看，这项技术更大的意义可能在于机器人空间感知计算进一步向端侧下沉。

目前AGV、AMR以及无人叉车通常搭载激光雷达、深度相机、工业计算机和GPU或AI计算模块，通过SLAM、点云处理和路径规划完成环境理解。对于大型设备而言，几瓦甚至几十瓦的计算功耗并不是决定性问题，但随着机器人向更小型、更分布式、更低成本的方向发展，感知计算平台的功耗、体积以及散热开始变得越来越重要。如果类似Gleanmer的专用空间计算芯片进一步成熟，未来部分三维地图构建工作可能直接在传感器附近完成，而不必把大量原始深度数据持续传输到中央计算单元。这意味着机器人系统架构可能逐渐从“传感器采集数据—中央计算机集中处理”，转向“传感器附近直接完成空间理解—中央控制器负责更高层决策”。

对于仓储物流机器人而言，这种变化尤其值得关注。在货架密集、人员与设备混行以及多个机器人同时运行的仓库中，机器人需要持续判断托盘、货架、车辆、墙体以及可通行区域。如果部分空间建图和环境判断能够由毫瓦级边缘芯片实时完成，机器人对高性能中央计算硬件的依赖有望进一步降低。Gleanmer目前仍属于研究型芯片，距离直接应用于无人叉车或工业AMR还有一定距离，工业车辆所面对的环境尺度、功能安全、传感器融合和可靠性要求，也远高于实验室中的微型机器人，但其展示出的方向已经十分清晰：机器人空间智能并不一定只能依赖更大的GPU和更高算力，通过改变空间数据表达方式并采用专用硬件，同样有可能以更低功耗完成实时三维环境理解。