近日，辉羲智能与上海交通大学联合开展的研究成果《RGPU: A Domain-Specific GPGPU for Edge Robotics》获计算机体系结构领域国际顶级学术会议 HPCA 2027 录用。针对机器人端侧部署的通用性和实时性需求，开创性地提出具身智能领域专用 GPU 架构 RGPU。通过计算、访存与缓存架构的协同创新，探索兼顾通用可编程性与高效执行能力的机器人计算架构。
HPCA（IEEE International Symposium on High-Performance Computer Architecture）是计算机体系结构领域的顶级学术会议，与 ISCA、ASPLOS、MICRO 并称为体系结构四大顶会。本届会议共收到来自全球顶尖研究机构和高校的 1113 篇论文投稿，录用率仅 17.9%。
在研究中，RGPU 在感知、规划、控制等各类任务上实现 1.35-3.00 倍加速。这一成果验证了面向机器人负载开展 GPU 架构专用优化的有效性，为兼顾计算通用性与端侧执行效率提供了新的技术路径。
机器人计算面临哪些架构挑战？
随着具身智能向真实场景加速发展，机器人需要在动态复杂的环境中持续完成感知、规划与控制等多阶段任务，涉及神经网络推理、运动规划、控制优化等多类型算法。日益复杂且持续演进的算法负载，叠加端侧有限的算力与功耗约束，对计算平台的通用性、执行效率与实时响应能力提出了更高要求。
然而，传统 GPU 的高吞吐量计算架构主要面向规则、大规模并行负载优化，在机器人计算中存在一定的适配局限：不规则计算容易造成资源利用不足，非连续访存限制并行处理效率，频繁的跨核数据交互也会增加执行开销。
更高的理论算力，未必带来更高的机器人任务执行效率。如何在保持计算通用性的同时，提高机器人典型负载的处理效率，成为具身智能端侧计算架构需要解决的重要问题。
兼顾通用性与专用效率，RGPU 探索 GPU 架构创新
针对上述机器人负载的共性瓶颈，RGPU 在保留 GPU 通用可编程性的基础上，提出计算、访存与缓存协同优化的领域专用架构，提升机器人负载的执行效率。
具体而言，在计算层面，通过可配置机器人计算核心与线程间负载共享，提高多类型、不规则计算的资源利用效率；在访存层面，通过机器人访存加速器实现硬件自主访存及计算协同，提升空间数据访问与碰撞检测等任务的处理效率；在缓存层面，通过 L2 缓存锁定访问策略优化多核数据交互，减少频繁访存带来的额外开销。
RGPU 的核心创新，在于将机器人负载的共性特征融入 GPU 架构设计，在保留通用可编程性的同时，通过领域专用优化提升典型任务的执行效率。这一设计兼顾了算法适应性与专用架构的性能优势，为持续演进的机器人算法提供了新的计算架构思路。
从架构创新走向部署应用，支撑复杂任务高效执行
在真实机器人系统中，模型能力最终需要转化为连续的任务执行能力。尤其在大小脑协同等系统架构下，高层模型负责环境理解与任务决策，底层系统还需要完成运动规划、碰撞检测与控制执行。即使模型推理足够高效，规划与控制等环节的计算瓶颈，仍可能影响机器人对复杂环境的响应能力。
RGPU 的产业价值，正在于从底层架构出发，提升机器人多类型负载的处理效率，为复杂任务中的计算协同提供更高效的硬件支持。随着具身智能走向规模化部署，机器人需要在有限的端侧资源下适应不同场景、任务与持续迭代的算法。兼顾计算通用性与领域专用效率的架构路线，为提升复杂任务的响应效率、适应未来算法演进提供了新的技术可能。
这一研究也呼应了辉羲智能长期坚持的 "数据闭环定义芯片" 技术理念：从真实任务与算法负载中识别计算瓶颈，再将这些需求转化为底层架构创新。
面向下一代具身智能芯片，辉羲智能将持续推进 RGPU 相关技术的工程化实践，探索将机器人专用计算能力融入未来计算平台。从现有产品的端侧部署，到面向未来的 GPU 架构创新，辉羲智能正持续深化对机器人计算需求的理解，探索以负载驱动的芯片架构设计，为复杂任务高效执行与具身智能规模化应用提供底层支撑。
关于辉羲智能
辉羲智能专注于具身智能大算力芯片研发和产业生态建设，为机器人企业提供覆盖芯片、模组、软件工具链与基础模型的全栈算力产品及解决方案。 辉羲智能坚持 "数据闭环定义芯片" 的技术理念，从真实场景出发设计计算架构，推出基于通用可编程架构的高性能 AI SoC 光至 R1 及配套计算平台。同时，公司构建了覆盖模型框架、编译器、算子库等在内的软件体系，通过软硬件协同优化，加速具身智能规模化部署。目前，相关计算产品已应用于工业制造、智慧零售、无人物流、商用餐饮等场景中，并向边缘计算、特种作业等智算场景拓展。 辉羲智能致力于成为全球领先的具身智能计算平台供应商，以卓越计算促进人工智能发展。
（来源：辉羲智能）
资讯评论 （0）
全部评论
暂无评论，来发表你的看法吧