Dziś nie powinien nas dziwić fakt, że najciekawsze przełomy w autonomii nie zawsze wyglądają jak filmowy robot wykonujący salto albo rój dronów lecący nad polem walki. Czasem ważniejsza okazuje się drobna zmiana na poziomie obliczeń, pamięci i algorytmu. Coś, czego przeciętny użytkownik nigdy nie zobaczy, ale co decyduje o tym, czy mała maszyna faktycznie poradzi sobie w tunelu, magazynie, płonącym budynku albo ciasnym przewodzie wentylacyjnym. Opisywałem to już przy robotach i smartfonach korzystających z LiDAR-u do nietypowego widzenia otoczenia, bo sama obecność czujnika jeszcze nie oznacza, że urządzenie potrafi sensownie wykorzystać zalewające je dane.
Gleanmer z MIT celuje w bardzo poważny problem
Naukowcy z MIT pokazali chip SOC o nazwie Gleanmer, czyli system-on-a-chip, który został zaprojektowany z myślą o małych robotach, dronach i innych urządzeniach ograniczonych energetycznie. Jego zadanie jest pozornie proste, bo ma tworzyć szczegółowe mapy 3D otoczenia w czasie rzeczywistym, żeby robot wiedział, gdzie może przelecieć, przejechać albo przejść bez zderzenia z przeszkodą. W praktyce mówimy jednak o jednym z najważniejszych klocków autonomii. Robot, który nie rozumie przestrzeni, nie jest autonomiczny. Jest tylko zdalnie sterowaną maszyną z dodatkowymi czujnikami.
Czytaj też: Wchodzimy w erę robotów. Amerykanie i Chińczycy próbują przeciągnąć linę na swoją stronę, ale wychodzi im coś innego
Największe wrażenie robi jednak finalne zużycie energii, bo Gleanmer potrzebuje około 6 miliwatów, a więc pobiera tak mało prądu, że trudno przyłożyć tę wartość do typowej elektroniki użytkowej bez zgubienia skali. MIT porównuje ten poziom do pojedynczej diody LED, ale dla mnie ważniejszy jest inny kontekst, bo fakt, że taki pobór energii zaczyna pasować do urządzeń, w których klasyczne podejście do mapowania po prostu nie ma sensu. Dlaczego? Ano dlatego, że wymaga zbyt wielu operacji na danych i zbyt częstego sięgania do pamięci.
W tradycyjnych systemach 3D przestrzeń bywa dzielona na woksele, czyli małe sześciany opisujące zajęte i wolne obszary, które swoją drogą wykorzystuje w autorskiej grze DIGSITE ZERO. Da się w ten sposób budować mapę, ale cena takiego budowania rośnie szybko. Im dokładniejszy staje się bowiem taki obraz świata, tym więcej elementów trzeba przechowywać i przeliczać. Mały robot nie może sobie pozwolić na luksus ciągłego mielenia pełnych obrazów głębi, ponownego odczytywania tych samych danych i trzymania ogromnej mapy w pamięci zewnętrznej. Każdy taki ruch zużywa energię, a energia w miniaturowym sprzęcie jest walutą ważniejszą niż liczba rdzeni.
Jak więc naukowcy z MIT to obeszli?
Zamiast sześcianów są elipsoidy. Mały detal zmienia cały rachunek
Najważniejszy pomysł specjalistów z MIT polega na odejściu od klasycznego myślenia o przestrzeni jako zbiorze drobnych kostek. Gleanmer korzysta z algorytmu GMMap, który opisuje otoczenie za pomocą gaussowskich elipsoid. Takie kształty można dopasowywać do powierzchni, zakrzywień i pustych przestrzeni znacznie oszczędniej niż sztywną siatkę wokseli. Jeden wydłużony obiekt matematyczny może zastąpić wiele małych elementów mapy, więc robot nie musi taszczyć ze sobą tak rozrośniętej reprezentacji świata.
Czytaj też: Niby humanoid, a wcale nie wygląda jak człowiek. Francuzi pokazali robota przyszłości
Właśnie tutaj ukrywa się najważniejszy sens tej pracy – leży bezpośrednio w połączeniu algorytmu z układem scalonym zaprojektowanym specjalnie pod ten algorytm. MIT nie próbuje więc wrzucić ciężkiego problemu na uniwersalny procesor. Zamiast tego dopasowuje sposób opisu świata do sprzętu, a sprzęt do sposobu opisu świata. W efekcie GMMap potrafi generować reprezentacje z obrazów głębi w jednym przebiegu.
Dane wejściowe w przypadku tego połączenia nie muszą być przechowywane i analizowane wielokrotnie, bo system zakłada, że sąsiednie piksele często należą do tego samego obiektu lub tej samej powierzchni. W efekcie chip potrzebuje naraz tylko niewielkiego fragmentu informacji, a nie pełnego obrazu. Później, gdy robot zobaczy ten sam obiekt z innej strony, nakładające się reprezentacje gaussowskie mogą zostać scalone bez powrotu do surowych danych obrazu. Dla małej maszyny oznacza to znacznie mniej odczytów z pamięci, mniej pracy i dłuższą szansę na działanie poza laboratorium.
6 mW, ponad 88 klatek i mapowanie na żywo
Gleanmer powstał w procesie 16 nm i według danych z prezentacji na IEEE VLSI 2026 przetwarza obrazy 640 x 480 pikseli z szybkością przekraczającą 88 klatek na sekundę podczas budowania mapy. Do tego obsługuje ponad 540 tysięcy zapytań o współrzędne na sekundę podczas sprawdzania mapy. Te liczby nie robiłyby na mnie większego wrażenia, gdyby nie pobór energii. Mapowanie 3D w czasie rzeczywistym poniżej 6 mW oznacza bowiem, że mówimy o układzie, który nie tylko “działa”, ale działa w budżecie energetycznym sensownym dla nawet bardzo małych systemów.
MIT podaje również, że Gleanmer zużywa około 2,5 procent energii wymaganej przez najlepszy istniejący chip do konstrukcji map cyfrowych. Przy planowaniu ścieżki, dzięki ponownemu wykorzystaniu zwartej reprezentacji gaussowskiej, robot może wyznaczać bezkolizyjną trasę przy użyciu około 20 procent energii, której wymagałoby typowe podejście. W badaniu pojawiają się też oszczędności na poziomie konstrukcji i zapytań do mapy rzędu do 63 procent mniej energii przy budowaniu oraz do 81 procent mniej przy sprawdzaniu mapy. Do tego przybliżone obliczenia na reprezentacjach gaussowskich pozwoliły zmniejszyć powierzchnię akceleratora o 38 procent.
Takie dane oczywiście nie oznaczają, że jutro każdy dron dostanie “pełną świadomość przestrzenną”. Oznaczają raczej, że bardzo konkretny element autonomii został przesunięty bliżej progu praktyczności. Robot nadal potrzebuje czujników, sterowania, napędu, odpornej obudowy, łączności i sensownego oprogramowania wyższego poziomu. Gleanmer nie rozwiązuje całej robotyki. Rozwiązuje jednak jeden z tych problemów, które przez lata blokowały miniaturowe maszyny.
Przyszłość robotów może zależeć od tego, czego nie widać
Odkąd piszę o dronach, robotach i autonomicznych maszynach, coraz mocniej mam wrażenie, że przyszłość nie rozstrzyga się wyłącznie w modelach sztucznej inteligencji. W robotyce ciało ma znaczenie, czujniki mają znaczenie, napęd ma znaczenie, ale równie ważne jest pytanie, ile kosztuje każda decyzja w dżulach, opóźnieniach i dostępie do pamięci. Pisałem o tym przy badaniach nad zręcznością robotów, gdzie większa liczba danych nie zawsze okazuje się ważniejsza od mądrzejszego sposobu uczenia.
W przypadku Gleanmera najbardziej przemawia do mnie właśnie uderzenie prosto w podstawowy problem. Ten chip nie obiecuje człekokształtnego robota sprzątającego mieszkanie lepiej od człowieka ani kieszonkowego drona zastępującego ekipę inspekcyjną. Pokazuje za to, że małe maszyny mogą otrzymać tańszy energetycznie zmysł przestrzeni. Dla drona w kanale wentylacyjnym, robota w rurze przemysłowej albo lekkiego urządzenia AR jest to różnica między “mam kamerę” a “rozumiem, gdzie jestem”.
W zastosowaniach przemysłowych taki układ mógłby pomóc przy inspekcji tuneli, magazynów, kanałów wentylacyjnych, rurociągów i innych miejsc, do których człowiek nie chce albo nie powinien wchodzić. W ratownictwie sens tej klasy technologii widać choćby przy takich konstrukcjach jak FireDrone odporny na wysoką temperaturę. Sam pancerz i odporność środowiskowa nie wystarczą, jeśli maszyna nie potrafi szybko odczytać geometrii otoczenia i uniknąć przeszkód w zadymionej, chaotycznej przestrzeni. Autonomia zaczyna się od percepcji, a percepcja musi mieścić się w ograniczeniach sprzętu.
Czytaj też: Od pierwszego robota do niemal bezobsługowego pomocnika. Tak wygląda nowa rodzina Roomba
Oczywiście nie da się pisać o małych dronach i autonomii bez wojskowego kontekstu. Małe maszyny, które widzą przestrzeń, omijają przeszkody i pracują przy niskim poborze energii, będą interesujące nie tylko dla przemysłu czy ratowników. Będą interesujące również dla armii. W ostatnich latach ten kierunek stał się aż nazbyt widoczny przy autonomii wojskowych maszyn i systemach dla wielu platform naraz. Im mniej energii potrzebuje percepcja, tym łatwiej budować drony mniejsze, tańsze i trudniejsze do wykrycia.
Źródła: MIT News
