El laboratorio de Sistemas de Información y Decisión del MIT (LIDS) ha dado a conocer un avance que podría redefinir la robótica a microescala: un chip neuromórfico capaz de generar mapas tridimensionales en tiempo real consumiendo una fracción de la energía y memoria que requieren los sistemas convencionales. El trabajo, presentado en la última edición de la International Solid-State Circuits Conference (ISSCC), aborda uno de los cuellos de botella más persistentes de la robótica diminuta: la navegación autónoma en entornos no estructurados.
Hasta ahora, los robots del tamaño de un insecto —pensemos en drones de 10 gramos o exploradores submilimétricos para inspección de tuberías o búsqueda y rescate— dependían de computación externa o de sensores simplificados que limitaban su autonomía. El nuevo chip, denominado “Navion 2” en evolución de su predecesor de 2018, integra un acelerador de hardware dedicado al algoritmo de odometría visual inercial (VIO) y construcción de mapas dispersos 3D, todo en un área de silicio de 20 mm² y un consumo medio de 24 mW.
La clave está en la co-diseño algorítmico-hardware. El equipo, liderado por Vivienne Sze y Sertac Karaman, ha podado la red neuronal que estima profundidad y movimiento, eliminando operaciones redundantes y cuantizando pesos a 4-8 bits sin degradar la precisión del mapa. Además, han implementado una memoria SRAM jerárquica que mantiene los datos de los últimos keyframes en chip, evitando accesos costosos a DRAM externa. El resultado: 171 frames por segundo de procesamiento VIO con 0,8 MB de memoria en chip, frente a los varios gigabytes y vatios que necesita una GPU embebida tipo Jetson Orin Nano para la misma tarea.
¿Por qué importa esto ahora? La industria está empujando hacia enjambres de microbots para polinización artificial, inspección de aerogeneradores offshore y monitorización de cultivos en invernaderos sellados. En todos estos casos, el GPS no está disponible y el tether (cable de datos/energía) anula la agilidad del enjambre. Un chip que cabe en la huella de una uña y funciona con una diminuta batería de estado sólido abre la puerta a despliegues masivos y verdaderamente autónomos.
No todo está resuelto. La demostración actual asume iluminación controlada y texturas visuales ricas; en entornos monótonos (tuberías lisas, almacenes de paneles sándwich) la odometría visual deriva. Los autores reconocen que la fusión con sensores de tiempo de vuelo (ToF) o radar miniaturizado será el siguiente paso. Tampoco han publicado el diseño RTL ni el dataset de entrenamiento, lo que limita la reproducibilidad inmediata por parte de la comunidad open-source.
En perspectiva, este trabajo se alinea con la tendencia "edge-first" que domina la IA embebida: mover la inteligencia allí donde se generan los datos, sin depender de la nube ni de SoCs de alto consumo. Si los fabricantes de MEMS y ASICs logran escalar la fabricación a coste bajo, veremos en 3-5 años enjambres de microbots navegando de forma cooperativa en entornos que hoy son inaccesibles para la robótica convencional.
