Characterizing Vision-Language-Action Models across XPUs: Constraints and Acceleration for On-Robot Deployment
تتناول هذه الورقة تحديات نشر نماذج الرؤية واللغة والعمل (VLA) على الروبوتات ذات الموارد المحدودة من خلال التقييم المنهجي للمقايضات بين النموذج والأجهزة عبر مسرعات متنوعة، وتحديد اختناق الاستدلال ثنائي المرحلة، واقتراح تقنيتي DP-Cache و V-AEFusion لتحقيق تسريع كبير في كل من وحدات معالجة الرسومات (GPUs) ووحدات المعالجة العصبية (NPUs) الطرفية مع حد أدنى من فقدان الأداء.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت كيفية أداء مهمة، مثل التقاط كوب أو تنظيف طاولة. للقيام بذلك، يحتاج الروبوت إلى "دماغ" يسمى نموذج الرؤية واللغة والعمل (VLA). هذا الدماغ ينظر إلى العالم (الرؤية)، ويفهم ما تقوله (اللغة)، ويقرر ما يجب فعله (العمل).
المشكلة هي أن هذه الأدمغة حالياً ثقيلة جداً وبطيئة في التشغيل، خاصة على روبوت يحتاج إلى التحرك في الوقت الفعلي دون الاصطدام بشيء. معظم الباحثين كانوا يختبرون هذه الأدمغة على أجهزة كمبيوتر فائقة القدرة وغالية الثمن (مثل جهاز كمبيوتر مكتبي عالي الأداء)، لكن الروبوتات الحقيقية تحتاج إلى العمل على أجهزة أصغر، أرخص، وتعمل بالبطارية.
هذه الورقة البحثية تشبه دليل الميكانيكي وضبط الأداء لهذه الأدمغة الروبوتية. إليك ما وجدوه وكيف قاموا بإصلاحه، مشروحاً ببساطة:
1. تشبيه "السيارة ذات الحجم المناسب"
سأل الباحثون سؤالاً بسيطاً: هل نحتاج حقاً إلى محرك سيارة فورمولا 1 للذهاب إلى متجر البقالة؟
- الطريقة القديمة: افترض الجميع أنك بحاجة إلى أقوى وأغلى بطاقة رسوميات (مثل NVIDIA RTX 4090) لتشغيل هذه الأدمغة الروبوتية. الأمر يشبه وضع محرك سيارة سباق في سيارة "ميني فان". إنها سريعة، لكنها تكلف ثروة وتستهلك الكثير من الوقود (الطاقة).
- الاكتشاف الجديد: قاموا ببناء لوحة صدارة (لوحة نتائج) اختبرت هذه الأدمغة الروبوتية على العديد من الأجهزة المختلفة، من أجهزة الكمبيوتر المكتبية القوية إلى الرقائق الأصغر والأرخص الموجودة في الأجهزة الطرفية (edge devices).
- النتيجة: وجدوا أنه بالنسبة للعديد من المهام، يكون "المحرك الأصغر ذو الحجم المناسب" (رقاقة أرخص وأقل استهلاكاً للطاقة) أفضل بالفعل. فهو أرخص شراءً، ويستهلك بطارية أقل، وهو سريع بما يكفي لأداء المهمة بشكل مثالي. لا تحتاج دائماً إلى الأداة الأكبر والأغلى للقيام بالمهمة.
2. مشكلة "رقصة الخطوتين"
عندما نظروا عن كثب في كيفية عمل هذه الأدمغة الروبوتية، اكتشفوا مشكلة إيقاع غريبة؛ فالدماغ لا يعمل بسرعة ثابتة، بل لديه خطوتان متمايزتان، مثل رقصة الخطوتين:
- الخطوة 1: المفكر (نموذج الرؤية واللغة): هذا الجزء ينظر إلى الكاميرا ويفهم المشهد. إنه يعمل بجهد كبير، مستخدماً ما يقرب من 100% من قدرة معالج الكمبيوتر. إنه يشبه عداء الماراثون الذي يركض بأقصى سرعته.
- الخطوة 2: المخطط (خبير العمل): هذا الجزء يقرر بالضبط كيفية تحريك الذراع. ومن المثير للدهشة أن هذا الجزء "كسول" جداً في استخدام طاقة الكمبيوتر؛ فهو يقضي معظم وقته في انتظار جلب البيانات من الذاكرة، مما يترك الكمبيوتر القوي خاملاً. إنه يشبه العداء الذي يتوقف لربط حذائه في منتصف السباق.
نقطة الاختناق: ولأن هاتين الخطوتين تحدثان واحدة تلو الأخرى (بالتتابع)، فإن الكمبيوتر القوي يقضي الكثير من الوقت في الانتظار بينما يكون "المخطط" بطيئاً. هذا يهدر الطاقة ويبطئ كل شيء.
3. الحلول: "تخطي الخطوات" و "الركن المتوازي"
لإصلاح ذلك، ابتكر الفريق حيلتين ذكيتين لجعل الروبوت أسرع دون أن يصبح "أغبى" (فقدان الدقة).
الحيلة (أ): ذاكرة التخزين المؤقت لـ "تخطي الخطوات" (DP-Cache)
غالباً ما يعمل جزء "المخطط" عن طريق اتخاذ 100 خطوة صغيرة لتحديد حركة ما، مثل رسم لوحة مراراً وتكراراً حتى تصبح مثالية.
- الحل: لاحظ الباحثون أنه في منتصف هذه العملية، لا يتغير الرسم كثيراً لفترة من الوقت. لذا، قاموا ببناء ذاكرة تخزين مؤقت (Cache) (اختصار للذاكرة). بمجرد أن يستقر الرسم، يقوم الروبوت ببساطة بإعادة استخدام النتيجة السابقة بدلاً من إعادة حسابها من الصفر.
- التشبيه: تخيل أنك تدهن جداراً. بدلاً من خلط طلاء جديد وتطبيقه على كل بوصة مربعة، تدرك أن القسم الأوسط قد جف وأصبح مثالياً، لذا تتخطى دهن هذا الجزء وتنتقل إلى الحواف فقط. لقد وفر لهم هذا ما يصل إلى 6 أضعاف السرعة في بعض الرقائق الصغيرة.
الحيلة (ب): "خط التجميع" (V-AEFusion)
بما أن "المفكر" و"المخطط" يعملان عادةً واحداً تلو الآخر، فإن الكمبيوتر يظل خاملاً.
- الحل: جعلوا الجزئين يعملان في نفس الوقت، مثل خط التجميع. بينما ينظر "المفكر" إلى المشهد الحالي، يبدأ "المخطط" في العمل على الحركة التالية باستخدام بيانات المشهد السابق. ولأن الروبوتات تتحرك ببطء، فإن المشهد "السابق" يكاد يكون متطابقاً مع المشهد "الحالي"، لذا لا يرتبك "المخطط".
- التشبيه: تخيل شيفاً (المفكر) يقطع الخضروما وطباخاً (المخطط) يقليها. بدلاً من انتظار الشيف حتى ينهي كل عمليات التقطيع قبل أن يبدأ الطباخ في القلي، يبدأ الطباخ في قلي الدفعة الأولى بينما لا يزال الشيف يقطع الدفعة الثانية. هذا يبقي المطبخ (الكمبيوتر) مشغولاً ويتحرك بشكل أسرع.
4. الخلاصة
تخلص الورقة البحثية إلى ما يلي:
- لا تبالغ في الإنفاق: لا تحتاج دائماً إلى أجهزة كمبيوتر باهظة الثمن لتشغيل روبوت. يمكن للرقائق الأصغر والأرخص القيام بالمهمة بنفس الكفاءة إذا اخترت النوع المناسب.
- افهم الإيقاع: تمتلك أدمغة الروبوت مرحلة "نشاط" ومرحلة "انتظار".
- الاختصارات الذكية: من خلال تخطي الحسابات المتكررة والسماي لأجزاء مختلفة من الدماغ بالعمل بالتوازي، يمكنك جعل الروبوتات أسرع بمعدل 2 إلى 6 مرات دون الحاجة إلى إعادة تدريبها أو إنفاق المزيد من المال.
لقد قاموا أيضاً ببناء موقع إلكتروني عام (لوحة صدارة) حيث يمكن لأي شخص التحقق من أي دماغ روبوتي يعمل بشكل أفضل على أي شريحة كمبيوتر محددة، مما يساعد المهندسين على بناء روبوتات أفضل وأرخص.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.