Um novo chip desenvolvido por pesquisadores do MIT pode ajudar pequenos drones de baixo consumo de energia a evitar obstáculos enquanto percorrem espaços apertados dentro de um sistema de climatização industrial para verificar vazamentos de gás.

O chip permite que pequenos robôs autônomos e outros dispositivos com bateria limitada construam mapas 3D detalhados de seus ambientes em tempo real, usando aproximadamente a mesma energia que um único LED. Um robô poderia usar esse mapa para planejar um caminho livre de colisões para alcançar seu objetivo.

Normalmente, gerar mapas tão detalhados exige sistemas que consomem muita energia e uma grande quantidade de memória para construir e armazenar representações 3D dos obstáculos no ambiente de um robô.

Os pesquisadores do MIT adotaram uma abordagem diferente, combinando um algoritmo de mapeamento extremamente eficiente com hardware especializado projetado para acelerar sua carga de trabalho, o que minimiza o consumo de memória e energia. 

Este sistema em um chip consome apenas cerca de 6 miliwatts de energia, uma fração da energia necessária para outros sistemas. 

Essa operação de baixo consumo de energia também pode tornar o chip adequado para headsets de realidade aumentada leves, que podem ser usados por longos períodos, para aplicações como simulação médica educacional ou trabalhos detalhados de reparo e montagem.

“Este artigo apresenta um exemplo fundamental de como é possível aproveitar o design conjunto do algoritmo e do hardware para realmente impulsionar a eficiência energética. Embora já tenha havido muito trabalho investigando mapas 3D compactos, o que se destaca neste trabalho é que ele também garante que o processo de geração desses mapas seja o mais eficiente possível. Nosso chip permite armazenar mapas muito grandes em um espaço muito pequeno e fazer isso de maneira muito eficiente em termos de energia”, afirma Vivienne Sze, professora do Departamento de Engenharia Elétrica e Ciência da Computação (EECS), membro do Laboratório de Pesquisa em Eletrônica (RLE) e autora sênior de um artigo sobre o chip .

Ela é acompanhada no artigo pelos coautores principais e estudantes de pós-graduação do MIT, Zih-Sing Fu e Peter Zhi Xuan Li, bem como por Sertac Karaman, professor de aeronáutica e astronáutica e diretor do LIDS. O trabalho foi apresentado recentemente no Simpósio de Circuitos Integrados de Muito Grande Escala do IEEE.

Para um robô, gerar um mapa 3D que inclua os obstáculos em seu ambiente geralmente exige muita energia, pois ele precisa armazenar imagens capturadas por sua câmera e processar todos os pixels 3D em cada imagem várias vezes.

Em vez de representar o ambiente usando pixels 3D, que são cubos chamados voxels, os pesquisadores do MIT utilizaram uma técnica que mapeia os obstáculos no espaço usando manchas elipsoidais chamadas gaussianas. 

O tamanho, a forma e a espessura desses elipsoides podem ser adaptados suavemente, de modo que correspondam à forma de objetos curvos com mais eficiência do que se fossem usados voxels rígidos em forma de cubo. 

É importante destacar que o mapa captura os obstáculos e o espaço livre ao redor do robô, e juntos, esses elementos permitem que o robô planeje um caminho seguro e livre de colisões. Mapear obstáculos e espaço livre com voxels normalmente consome muita memória, o que torna os métodos tradicionais muito dispendiosos em termos de energia. Como as gaussianas podem se ajustar à geometria de forma flexível, um único elipsoide alongado pode representar uma região que exigiria muitos voxels, de modo que as superfícies ocupadas e o espaço livre são capturados de forma muito mais compacta.

Para o seu novo sistema em um chip, chamado Gleanmer, os pesquisadores empregaram um  algoritmo desenvolvido em seu laboratório, chamado GMMap , que gera de forma eficiente um mapa 3D do ambiente do robô usando gaussianas para representar obstáculos. 

Com as abordagens tradicionais, um robô precisaria carregar e processar cada imagem de profundidade diversas vezes para ajustar o tamanho e a forma dos elipsoides. O sistema normalmente construiria gaussianas comparando todos os pixels de uma imagem entre si. Mas a quantidade de memória e energia necessária para isso ainda é muito alta para muitos dispositivos de borda.

Para resolver esse problema, os pesquisadores do MIT inventaram uma técnica capaz de gerar gaussianas de alta precisão a partir de imagens de profundidade com apenas uma passagem, após a qual as imagens podem ser descartadas, de modo que o chip nunca precise armazenar uma imagem inteira de uma só vez. 

Em vez de comparar cada pixel com todos os outros pixels na imagem 3D, o algoritmo deles assume que pixels próximos pertencem à mesma distribuição gaussiana, então ele só precisa comparar cada pixel com seus vizinhos.

“Em qualquer momento, precisamos armazenar apenas alguns pixels na memória, o que reduz significativamente a quantidade de memória necessária para o nosso algoritmo”, diz Li.

Mas, à medida que o robô se move pelo espaço, geralmente vê o mesmo objeto de diferentes pontos de vista. Ao gerar distribuições gaussianas, algumas se sobrepõem porque representam o mesmo objeto. Isso pode tornar o mapa 3D grande demais para ser armazenado em um dispositivo de borda.

A fusão de gaussianas sobrepostas torna o mapa mais compacto, mas normalmente exige que o algoritmo processe muitos pixels brutos armazenados na memória. Os pesquisadores desenvolveram uma nova técnica para realizar esse processo de fusão diretamente nas gaussianas sobrepostas, sem precisar revisitar os pixels originais. Como as gaussianas são mais compactas que os pixels, isso reduz significativamente os requisitos de memória e energia.

O mesmo princípio permeia todo o algoritmo deles — a maioria dos cálculos opera diretamente em gaussianas compactas, em vez dos pixels originais, o que possibilita eficiência energética.

Os pesquisadores exploram esse princípio para projetar um chip que mantém as gaussianas com as quais está trabalhando ativamente em uma pequena e rápida memória integrada, bem ao lado das unidades computacionais. Isso só é possível porque o mapa gaussiano é muito compacto.

As funções gaussianas que o robô precisa processar em seguida estão armazenadas nas unidades de memória integradas, portanto, não precisam ser buscadas em um armazenamento externo mais distante e que consome muita energia. 

Eles testaram o sistema em um chip reconstruindo uma variedade de ambientes 3D preexistentes e diversos. O chip também pode reconstruir obstáculos e espaço livre diretamente a partir de dados transmitidos ao vivo pela câmera de um iPhone.

O Gleanmer gerou mapas 3D detalhados em tempo real, consumindo cerca de 6 miliwatts de energia. Ele exigiu apenas cerca de 2,5% da energia necessária para o melhor chip existente para construção de mapas. 

Ao reutilizar gaussianas compactas ao longo do percurso durante o planejamento, o chip permite que um robô trace uma trajetória segura usando apenas cerca de 20% da energia que precisaria de outra forma.

“Reduzimos o consumo de memória garantindo que o algoritmo seja eficiente. Em seguida, aceleramos a carga de trabalho executada por esse algoritmo eficiente, de modo que, no final, nosso chip seja o mais eficiente possível”, diz Li.

Os pesquisadores planejam aprimorar ainda mais a eficiência energética, aproximando as unidades de processamento do chip dos sensores que coletam dados ambientais. Eles também podem explorar outras aplicações, como o uso de gaussianas para representar esquemas. Isso poderia ajudar os sistemas de IA a raciocinar sobre projetos complexos com mais eficiência.

“O mapeamento 3D em tempo real era a peça que faltava para os pequenos sistemas autônomos. Um drone inspecionando um oleoduto ou um par de óculos de realidade aumentada navegando por uma sala precisam entender o espaço ao seu redor — instantaneamente, continuamente e com consumo de energia quase nulo. O Gleanmer torna isso possível pela primeira vez em um chip que você pode segurar entre os dedos”, afirma Karaman.

Este trabalho foi financiado, em parte, pela Bolsa de Estudos MIT-MathWorks, pela Amazon, pela Fundação Nacional de Ciência dos EUA e pela Intel.