MIT 发布 Gleanmer 低功耗 3D 映射芯片，小型机器人实时避障从算法走向 SoC
学术圈重大事件 · 发布 2026-06-24T05:20:00+08:00 · 更新 2026-06-24T05:27:58+08:00
MIT News 6 月 23 日发布 Gleanmer 芯片研究，团队把 3D 高斯占据映射算法与专用硬件协同设计结合，使小型机器人能用约 6 毫瓦功耗实时构建环境的障碍物与自由空间地图。传统 3D 映射通常需要大量内存反复处理深度图像，而 Gleanmer 只保留少量像素、直接融合紧凑高斯表示，并在片上存储活跃数据。它的意义在于让管道巡检、狭窄空间机器人、低功耗无人机和轻量 AR 眼镜具备更接近实时的空间理解能力，但研究仍处于芯片/算法验证阶段，距离复杂户外或工业现场部署还要经过传感器、可靠性和系统集成测试。
MIT 这项研究面向一个很具体的瓶颈：小型机器人需要边移动边理解周围空间，但电池、内存和算力都很有限。常规 3D 地图往往使用 voxel 存储障碍物和自由空间，既要保存相机深度图，又要多次处理大量 3D 像素。MIT 团队的 Gleanmer 采用高斯占据映射，把空间中的障碍物与自由空间表示为可变形的椭球状高斯，使一个紧凑对象可以覆盖原本需要很多 voxel 才能表示的曲面或空域。
MIT 发布 Gleanmer 低功耗 3D 映射芯片，小型机器人实时避障从算法走向 SoC（图源：MIT News）
硬件亮点在于算法和芯片一起设计。团队使用实验室此前开发的 GMMap 算法，让系统只用一次遍历就从深度图像生成高斯，并且只需比较邻近像素，避免把整幅图像长期留在内存中。机器人移动时，不同视角产生的高斯会重叠；Gleanmer 的融合过程直接在高斯表示上完成，不需要回看原始像素。这让芯片可以把正在处理的高斯放在靠近计算单元的小型片上存储中，减少访问外部存储带来的能耗。
测试结果显示，Gleanmer 可以用约 6 毫瓦功耗实时生成 3D 地图；MIT 新闻稿称其功耗约为现有最好建图芯片所需功耗的 2.5%，在复用路径上的紧凑高斯后，安全轨迹规划所需能量也显著下降。对工业巡检、灾害现场机器人、狭窄管线检测和长时间佩戴的 AR 设备来说，这类能力对应的是“能不能把实时空间理解放到端侧”的工程边界。
需要保留的边界是，新闻稿披露的验证主要来自已有 3D 环境重建与 iPhone 相机实时数据流，离粉尘、反光、震动、低照度等工业环境还有距离。Gleanmer 更像是端侧空间智能的一块基础芯片，而不是完整机器人系统。后续应观察论文公开后的基准测试、传感器贴近芯片后的能耗变化，以及它是否能和 SLAM、路径规划、机械控制堆栈稳定集成。
信息来源
可信度说明
信息来自 MIT News、论文链接和 EurekAlert AI 专题页，属于机构发布与会议论文传播；新闻稿给出功耗、算法路径和应用场景，但没有替代独立评测。本文不将其解读为已商用机器人产品，只把它定位为低功耗 3D 建图 SoC 原型和算法硬件协同案例。