Zdalne GPU pomagają robotom, lecz sieć kontroluje ich refleks

Microsoft porównał mobilną manipulację robotyczną na pokładowych GPU oraz na GPU w edge i chmurze. Mniejszy Jetson Orin z 32 GB pamięci nie mieścił całego stacku. Na słabszym sprzęcie mapping i planowanie były nawet o 383% wolniejsze niż na A100, terminowe wykrywanie przeszkód spadło o 30%, a dokładność modeli VLA nawet o 50%.

Zdalne GPU odciąża baterię i model

Według badania mocniejszy pokładowy Jetson Thor zwiększał zużycie baterii nawet o 160%, odbierając robotowi kilka godzin pracy. Przeniesienie inference na wydajniejsze GPU poza robotem pozwalało używać większych modeli i zwiększało skuteczność zadań. Badacze testowali roboty SO-101, TurtleBot 4 i Stretch 3 w percepcji, planowaniu, nawigacji i manipulacji.

Moc obliczeniowa staje się częścią infrastruktury robotów

Dla operatora floty zmienia to ekonomię maszyny. Robot nie musi wozić najdroższego GPU ani zasilać go z własnej baterii, a zasoby edge można współdzielić. Koszt przenosi się jednak do sieci, planowania pojemności i ustalania priorytetów zadań.

Ma to największe znaczenie poza ściśle kontrolowaną fabryką. Robot w biurze lub domu stale reaguje na ludzi i przeszkody, więc zdalna wydajność ma wartość tylko wtedy, gdy wynik dociera przed fizycznym ruchem.

Opóźnienie sieci odbiera robotowi precyzję

Offloading nie daje przyspieszenia za darmo. Już kilkadziesiąt milisekund dodatkowej latencji obniżało dokładność manipulacji o ponad 10%. Ciągły przesył obrazu może nasycić sieć, a kompresja zmniejszała w badaniu dokładność manipulacji i mapowania semantycznego o niemal 20%.

Wspólne GPU tworzy też kolejkę. Gdy korzysta z niego kilka robotów naraz, rosną opóźnienia inference i sieci, dlatego krytyczne zadania wymagają admission control albo gwarantowanego priorytetu.

Praca całej floty rozstrzygnie wybór między edge a chmurą

Kolejnym ważnym sygnałem będzie zachowanie całej floty, a nie jednego robota w laboratorium. Warto obserwować gwarantowany czas odpowiedzi pod obciążeniem, ilość przesyłanego wideo, czas pracy baterii i jakość bezpiecznego lokalnego fallbacku podczas awarii sieci. Te metryki pokażą, czy offloading nadaje się do otwartego środowiska.

Werdykt Lilith

Robot może mieć lżejsze ciało, lecz jego refleks przenosi się do sieci. Gdy połączenie się zakrztusi, droga GPU w chmurze tylko patrzy z oddali, jak maszyna mija przeszkodę.