Une puce ultra-efficace pourrait aider de minuscules robots à se déplacer dans des environnements complexes.

Des chercheurs ont combiné un algorithme efficace avec un matériel dédié pour générer rapidement des cartes 3D de navigation en utilisant un minimum de mémoire et d'énergie.

Une nouvelle puce mise au point par des chercheurs du MIT pourrait aider de minuscules drones à faible consommation d'énergie à éviter les obstacles lorsqu'ils se faufilent dans des virages serrés à l'intérieur d'un système de climatisation industriel pour détecter les fuites de gaz.

Cette puce permet aux petits robots autonomes et autres appareils à autonomie limitée de construire en temps réel des cartes 3D détaillées de leur environnement, en consommant à peine l'énergie d'une simple LED. Un robot pourrait utiliser une telle carte pour planifier un parcours sans collision afin d'atteindre son objectif.

En règle générale, la génération de cartes aussi détaillées nécessite des systèmes énergivores et une grande quantité de mémoire pour construire et stocker des représentations 3D des obstacles dans l'environnement d'un robot.

Les chercheurs du MIT ont adopté une approche différente en combinant un algorithme de cartographie extrêmement efficace avec un matériel spécialisé conçu pour accélérer sa charge de travail, ce qui minimise la consommation de mémoire et d'énergie. 

Ce système sur puce ne consomme qu'environ 6 milliwatts d'énergie, soit une fraction de l'énergie requise par d'autres systèmes. 

Ce fonctionnement à faible consommation pourrait également rendre la puce parfaitement adaptée aux casques de réalité augmentée légers pouvant être portés pendant de longues périodes, pour des applications telles que la simulation médicale éducative ou les travaux de réparation et d'assemblage de précision.

« Cet article présente un exemple clé de la manière dont la conception conjointe de l'algorithme et du matériel peut permettre d'améliorer considérablement l'efficacité énergétique. Bien que de nombreux travaux aient porté sur les cartes 3D compactes, ce qui distingue cette étude, c'est qu'elle garantit également une efficacité maximale du processus de génération de ces cartes. Notre puce permet de stocker des cartes très volumineuses dans un espace très réduit, et ce, de manière très économe en énergie », explique Vivienne Sze, professeure au Département de génie électrique et d'informatique (EECS), membre du Laboratoire de recherche en électronique (RLE) et auteure principale d'un article sur la puce .

Une carte plus compacte

Pour un robot, la génération d'une carte 3D incluant les obstacles de son environnement exige généralement beaucoup d'énergie car il doit stocker les images capturées par sa caméra et traiter plusieurs fois tous les pixels 3D de chaque image.

Au lieu de représenter l'environnement à l'aide de pixels 3D, qui sont des cubes appelés voxels, les chercheurs du MIT ont utilisé une technique qui cartographie les obstacles dans l'espace à l'aide de formes ellipsoïdales appelées gaussiennes. 

La taille, la forme et l'épaisseur de ces ellipsoïdes peuvent être adaptées en douceur, de sorte qu'ils correspondent plus efficacement à la forme des objets courbes que si l'on utilisait des voxels rigides en forme de cube. 

Surtout, la carte capture les obstacles et l'espace libre autour du robot, ce qui lui permet de planifier un parcours sûr et sans collision. La cartographie des obstacles et de l'espace libre à l'aide de voxels consomme généralement beaucoup de mémoire, ce qui rend les méthodes traditionnelles énergivores. Grâce à leur capacité à s'adapter à la géométrie, les gaussiennes permettent à un seul ellipsoïde allongé de représenter une région qui nécessiterait de nombreux voxels. Ainsi, les surfaces occupées et l'espace libre sont capturés de manière beaucoup plus compacte.

Pour leur nouveau système sur puce, appelé Gleanmer, les chercheurs ont utilisé un  algorithme développé par leur laboratoire, appelé GMMap, qui génère efficacement une carte 3D de l'environnement du robot en utilisant des gaussiennes pour représenter les obstacles. 

Avec les méthodes traditionnelles, un robot devrait charger et traiter chaque image de profondeur plusieurs fois afin d'ajuster la taille et la forme des ellipsoïdes. Le système construirait généralement des gaussiennes en comparant tous les pixels d'une image entre eux. Cependant, la quantité de mémoire et d'énergie nécessaire à cette opération reste trop élevée pour de nombreux dispositifs embarqués.

Pour résoudre ce problème, les chercheurs du MIT ont inventé une technique capable de générer des gaussiennes très précises à partir d'images de profondeur en une seule passe, après quoi ils peuvent supprimer les images, de sorte que la puce n'a jamais besoin de stocker une image entière en une seule fois. 

Au lieu de comparer chaque pixel à tous les autres pixels de l'image 3D, leur algorithme suppose que les pixels voisins appartiennent à la même gaussienne, il suffit donc de comparer chaque pixel à ses voisins.

« À tout moment, nous n’avons besoin de stocker que quelques pixels en mémoire, ce qui réduit considérablement l’empreinte mémoire requise par notre algorithme », explique Li.

Tirer parti de la co-conception

Mais lorsque le robot se déplace dans l'espace, il observe généralement le même objet sous différents angles. Lors de la génération des gaussiennes, certaines se chevauchent car elles représentent le même objet. La carte 3D obtenue peut alors devenir trop volumineuse pour être stockée sur un périphérique de périphérie.

La fusion de gaussiennes superposées permet de rendre la carte plus compacte, mais cette opération nécessite généralement le traitement d'un grand nombre de pixels bruts stockés en mémoire. Les chercheurs ont mis au point une technique novatrice pour effectuer cette fusion directement sur les gaussiennes superposées, sans avoir à retravailler les pixels d'origine. Les gaussiennes étant plus compactes que les pixels, cette méthode réduit considérablement les besoins en mémoire et en énergie.

Le même principe sous-tend leur algorithme : la plupart des calculs opèrent directement sur des gaussiennes compactes plutôt que sur les pixels d'origine, ce qui permet une efficacité énergétique.

Les chercheurs exploitent ce principe pour concevoir une puce qui stocke les gaussiennes sur lesquelles elle travaille activement dans une mémoire embarquée compacte et rapide, située juste à côté des unités de calcul. Ceci est rendu possible par la grande compacité de la carte gaussienne.

Les gaussiennes sur lesquelles le robot doit travailler ensuite sont stockées dans les unités de mémoire intégrées, il n'est donc pas nécessaire de les récupérer depuis un stockage externe plus distant et énergivore. 

« En disposant d'une mémoire dédiée qui stocke uniquement les objets vus dans les images précédentes, vous pouvez accéder aux données beaucoup plus efficacement », explique Fu.

Ils ont testé le système sur puce en reconstruisant divers environnements 3D préexistants. La puce peut également reconstruire les obstacles et l'espace libre directement à partir de données en direct transmises par la caméra d'un iPhone.

Gleanmer a généré des cartes 3D détaillées en temps réel tout en consommant environ 6 milliwatts. Il ne nécessitait qu'environ 2,5 % de la puissance requise par la meilleure puce existante pour la construction de cartes. 

En réutilisant des gaussiennes compactes tout au long de la trajectoire lors de sa planification, la puce permet à un robot de tracer une trajectoire sûre en utilisant seulement environ 20 % de l'énergie dont il aurait autrement besoin.

« Nous réduisons la consommation de mémoire en veillant à l'efficacité de l'algorithme. Ensuite, nous accélérons la charge de travail effectuée par cet algorithme efficace, de sorte qu'au final, notre puce est aussi efficace que possible », explique Li.

Les chercheurs prévoient d'améliorer encore l'efficacité énergétique en rapprochant les unités de traitement de la puce des capteurs qui recueillent les données environnementales. Ils pourraient également explorer d'autres applications, comme l'utilisation de gaussiennes pour représenter des schémas. Cela pourrait permettre aux systèmes d'IA de raisonner plus efficacement sur des plans complexes.

« La cartographie 3D en temps réel était l'élément manquant pour les petits systèmes autonomes. Un drone inspectant un pipeline ou des lunettes de réalité augmentée naviguant dans une pièce doivent tous deux comprendre l'espace qui les entoure — instantanément, en continu et à un coût énergétique quasi nul. Gleanmer rend cela possible pour la première fois dans une puce que l'on peut tenir entre ses doigts », explique Karaman.

https://news.mit.edu/2026/new-chip-could-help-tiny-robots-traverse-complex-environments-0623