ロボットを軽くする外部GPU、反射神経はネットワーク次第

Microsoftは、移動ロボットによる物体操作を、オンボード、edge、cloudの各GPUで比較した。32 GBメモリの小型Jetson Orinでは、stack全体を実行できなかった。性能の低いhardwareでは、mappingと計画がA100より最大383％遅く、障害物を時間内に検知できる割合が30％低下し、VLAモデルの精度も最大50％落ちた。

外部GPUがバッテリーとモデルの負担を軽くする

研究によると、高性能なJetson Thorを本体に搭載すると、バッテリー消費が最大160％増え、稼働時間が数時間削られた。Inferenceを外部の高性能GPUへ移すことで、より大きなモデルを使え、タスク成功率も改善した。検証にはSO-101、TurtleBot 4、Stretch 3が使われ、知覚、計画、ナビゲーション、操作を測定した。

計算資源がロボット基盤の一部になる

フリート運用者にとっては、機体の経済性が変わる。ロボットが最も高価なGPUとその消費電力を抱える必要がなくなり、edgeの計算資源を共有できる。その代わり、コストはネットワーク、容量設計、タスクの優先制御へ移る。

厳密に管理された工場の外では、この条件が特に重要になる。オフィスや家庭のロボットは、人や障害物へ継続的に反応しなければならない。外部の計算性能は、物理動作の前に結果が届いて初めて価値を持つ。

ネットワーク遅延が精度を削る

Offloadingは無償の高速化ではない。追加遅延が数十ミリ秒あるだけで、操作精度は10％超低下した。映像を常時送るとネットワークが飽和しうるうえ、圧縮によって操作とsemantic mappingの精度が約20％落ちた。

共有GPUには待ち行列も生まれる。複数のロボットが同時に使えば、inferenceと通信の遅延が増える。重要タスクにはadmission controlか、保証された優先順位が必要だ。

Edgeかcloudかはフリート運用が決める

次に見るべき信号は、実験室の1台ではなくフリート全体の挙動だ。高負荷時に保証できる応答時間、転送映像量、バッテリー稼働時間、通信断での安全なlocal fallbackを測る必要がある。これらの指標が、offloadingを開放環境へ持ち込めるかを決める。

Lilithの判定

ロボットの体は軽くできるが、反射神経はネットワークへ移る。回線がつまずけば、高価なcloud GPUは機体が障害物を見落とす場面を遠くから眺めるだけだ。