Entfernte GPUs helfen Robotern, doch das Netz bestimmt ihre Reflexe

Microsoft hat mobile Robotermanipulation mit Onboard-, Edge- und Cloud-GPUs verglichen. Ein kleinerer Jetson Orin mit 32 GB Speicher konnte den vollständigen Stack nicht ausführen. Auf schwächerer Hardware waren Mapping und Planung bis zu 383 % langsamer als auf einer A100, die rechtzeitige Hinderniserkennung sank um 30 % und die Genauigkeit der VLA-Modelle um bis zu 50 %.

Entfernte GPUs entlasten Akku und Modell

Laut Studie erhöhte ein leistungsstärkerer Jetson Thor an Bord den Akkuverbrauch um bis zu 160 %, was mehrere Betriebsstunden kostete. Die Verlagerung der Inference auf eine leistungsfähigere externe GPU ermöglichte größere Modelle und erhöhte die Erfolgsrate. Getestet wurden SO-101, TurtleBot 4 und Stretch 3 bei Wahrnehmung, Planung, Navigation und Manipulation.

Rechenleistung wird Teil der Roboterinfrastruktur

Für Flottenbetreiber ändert sich damit die Ökonomie der Maschine. Der Roboter muss weder die teuerste GPU noch deren Stromverbrauch tragen, während sich Edge-Ressourcen teilen lassen. Die Kosten wandern jedoch ins Netzwerk, in die Kapazitätsplanung und in die Priorisierung von Aufgaben.

Besonders wichtig ist das außerhalb streng kontrollierter Fabriken. Ein Roboter im Büro oder Haushalt muss laufend auf Menschen und Hindernisse reagieren. Externe Leistung ist nur wertvoll, wenn das Ergebnis vor der physischen Aktion eintrifft.

Netzlatenz kostet den Roboter Genauigkeit

Offloading liefert keine kostenlose Beschleunigung. Schon einige zehn Millisekunden zusätzliche Latenz verringerten die Genauigkeit der Manipulation um mehr als 10 %. Kontinuierliche Videoströme können das Netz sättigen, während Kompression die Genauigkeit von Manipulation und semantischem Mapping in der Studie um fast 20 % senkte.

Eine gemeinsam genutzte GPU erzeugt außerdem eine Warteschlange. Greifen mehrere Roboter gleichzeitig darauf zu, steigen Inference- und Netzlatenz. Kritische Aufgaben brauchen deshalb Admission Control oder garantierte Priorität.

Der Flottenbetrieb entscheidet zwischen Edge und Cloud

Das nächste aussagekräftige Signal liefert eine ganze Flotte, nicht ein einzelner Roboter im Labor. Entscheidend sind garantierte Reaktionszeiten unter Last, das übertragene Videovolumen, die Akkulaufzeit und ein sicherer lokaler Fallback bei Netzausfall. Diese Kennzahlen zeigen, ob Offloading in offenen Umgebungen bestehen kann.

Liliths Urteil

Der Roboter kann einen leichteren Körper tragen, doch seine Reflexe leben dann im Netz. Stockt die Verbindung, sieht die teure Cloud-GPU nur aus der Ferne zu, wie die Maschine das Hindernis verpasst.