Трёхмерное картирование позволяет роботу понимать окружающее пространство и прокладывать маршрут без столкновений. Традиционные системы представляют среду в виде кубических пикселей — вокселей — и вынуждены многократно загружать и обрабатывать изображения с камеры, что требует большого объёма памяти и энергозатрат. Именно поэтому компактные автономные устройства с ограниченным временем работы от батареи не могли полноценно использовать такие технологии.

Исследователи пошли другим путём. Вместо вокселей они представляют препятствия с помощью эллипсоидных математических объектов — гауссовых распределений. Один вытянутый эллипсоид способен описать область, которая при традиционном подходе потребовала бы множества кубических пикселей. Поскольку гауссовы функции гибко подстраиваются под форму объектов, карта получается более компактной и занимает гораздо меньше памяти.

Однако при использовании гауссовых распределений оставалась проблема: чтобы подобрать размер и форму каждого эллипсоида, системе приходилось несколько раз загружать и обрабатывать одно и то же изображение глубины, сравнивая все пиксели друг с другом. Это сводило на нет экономию памяти и энергии. Тогда ученые разработали алгоритм GMMap, который генерирует точные гауссовы распределения за один проход. Вместо того чтобы сравнивать каждый пиксель со всеми остальными в кадре, алгоритм анализирует только соседние пиксели — исходя из предположения, что они, скорее всего, принадлежат одному объекту. За счет этого после обработки можно сразу «выбрасывать» исходный кадр — чипу не нужно хранить всё изображение целиком. В памяти в каждый момент остаётся только небольшая часть данных, а не вся сцена.

По мере движения робот видит одни и те же объекты с разных сторон, из-за чего гауссовы распределения начинают перекрываться. Чтобы карта не разрасталась, их нужно объединять — обычно это требует повторной обработки исходных пикселей. Исследователи разработали метод, позволяющий объединять перекрывающиеся эллипсоиды напрямую, без обращения к исходным данным. Это дополнительно снизило требования к памяти и энергопотреблению.

Аппаратная часть чипа спроектирована специально под этот алгоритм. Обрабатываемые гауссовы распределения хранятся в небольшой быстрой памяти прямо на кристалле, рядом с вычислительными блоками. Исходные данные с камеры также помещаются во встроенную память — их не нужно извлекать из энергоёмких внешних хранилищ. Благодаря этому чип не только строит карты, но и планирует безопасный маршрут движения, потребляя лишь 20% той энергии, которая потребовалась бы при традиционном подходе. Чип уже протестировали: Gleanmer строил подробные 3D-карты в реальном времени, получая данные непосредственно с камеры iPhone.

Среди потенциальных применений — миниатюрные дроны для инспекции промышленных вентиляционных систем и поиска утечек газа в труднодоступных местах, а также лёгкие очки дополненной реальности. Исследователи планируют ещё больше повысить энергоэффективность, разместив вычислительные блоки непосредственно рядом с датчиками. Помимо этого, они рассматривают возможность применения гауссовых распределений для анализа схем и чертежей — это помогло бы ИИ лучше работать со сложной технической документацией.