Bimanual Manipulation Within an 8 GB Budget: Zero-Copy Sensing and Quantized ACT on an Entry-Level Jetson

تخيل عالماً لا تكون فيه الروبوتات مجرد آلات ضخمة في المصانع، بل مساعدين رشيقين يمكنهم طي الغسيل، أو تقديم مشروب لك، أو التقاط وسادة "بين باج" لينة بكلتا يديه في آن واحد. لفترة طويلة، تطلب تعليم هذه الروبوتات القيام بمهام دقيقة كهذه عملية "التحكم عن بُعد" (teleoperation)، حيث يقوم إنسان بتوجيه أذرع الروبوت عن بُعد ليريها كيف يتم الأمر. ثم يتعلم الروبوت من خلال تقليد هذه الحركات، وهي عملية تُسمى "التعلم بالتقليد" (imitation learning). ولكن هنا تكمن المشكلة: حتى الآن، كان "عقل" هذه الروبوتات يحتاج عادةً إلى كمبيوتر ضخم ومكلف — مثل محطة عمل فائقة القوة مزودة ببطاقة رسوميات عملاقة — ليفكر ويتحرك. وهذا يعني أن الروبوت كان غالباً مرتبطاً بآلة ثقيلة وتستهلك الكثير من الطاقة، مما جعل من الصعب استخدامه في المنازل الحقيقية أو أثناء التنقل. السؤال الكبير الذي يطرحه الباحثون هو: هل يمكننا تقليص هذا العقل الضخم ليناسب شريحة كمبيوتر صغيرة وبأسعار معقولة تعيش داخل الروبوت نفسه؟

تخطو هذه الورقة البحثية خطوة جريئة في هذا الاتجاه. فقد بنى الباحثون نظام روبوت ذو يدين يعمل بالكامل على NVIDIA Jetson Orin Nano Super، وهي شريحة كمبيوتر صغيرة واقتصادية تحتوي على 8 جيجابايت فقط من الذاكرة (ما يعادل تقريباً مساحة تخزين هاتف ذكي كبير). وقد اختبروا النظام في مهمة صعبة: التقاط وسادة "بين باج" قابلة للتشكل بكلتا اليدين ونقلها إلى نقطة مستهدفة. أرادوا معرفة ما إذا كان بإمكانهم جعل الروبوت سريعاً وذكياً بما يكفي للعمل دون أي مساعدة من كمبيوتر كبير.

المفاجآت الثلاث الكبرى

بدأ الفريق بثلاث تخمينات كبرى حول الجزء الأصعب في إنجاح هذا العمل. توقعوا مواجهة قيود في الذاكرة، وتوقعوا الاضطرار للاختيار بين نوعين مختلفين من بنيات "العقل"، وتوقعوا أن جعل الروبوت أسرع سيتطلب التضحية بالدقة. لكن تجاربهم قلبت هذه التخمينات رأساً على عقب.

1. أسطورة الذاكرة: لم تكن المشكلة في ذاكرة الوصول العشوائي (RAM)، بل في المعالج (CPU)
اعتقد الباحثون أن بث الفيديو من ثلاث كاميرات (واحدة على رأس الروبوت، واثنتان على معصميه) سيملأ ذاكرة الـ 8 جيجابايت الخاصة بالروبوت، مما سيؤدي إلى توقفه عن العمل أو سقوط الإطارات (frames). لذا بنوا مساراً خاصاً "بدون نسخ" (zero-copy) لإبقاء بيانات الفيديو في ذاكرة الرسوميات دون نقلها ذهاباً وإياباً إلى المعالج الرئيسي، آملين أن يوفر ذلك مساحة.

• الواقع: لقد أخطأوا بشأن الذاكرة. فالطريقة القياسية لنقل بيانات الفيديو ناسبت تماماً حد الـ 8 جيجابايت ولم تتسبب في سقوط إطار واحد.
• الربح الحقيقي: لم توفر حيلة "بدون نسخ" مساحة، بل وفرت الوقت وقدرة العقل. فمن خلال منع المعالج الرئيسي للروبوت من إضاعة الطاقة في نقل بيانات الفيديو، تمكنوا من تحرير قدر هائل من قوة المعالج (CPU). انخفض ذروة استخدام نواة معالج واحدة من نسبة 98.0% المرهقة إلى 77.0% المسترخية. هذا يشبه إزالة حقيبة ظهر ثقيلة عن عداء؛ فالعداء لا يصبح أكبر حجماً، لكنه يستطيع الجري بشكل أسرع وأكثر سلاسة. كانت هذه "المساحة الإضافية" حاسمة للحفاظ على حلقة التحكم في الروبوت تعمل بسلاسة دون أي تعثر.

2. سباق العقل: السرعة مقابل الصبر
قام الفريق بتدريب نوعين مختلفين من عقول الروبوت على نفس مجموعة العروض التوضيحية: ACT (التحكم بالأفعال باستخدام المحولات - Action Chunking with Transformers) و Diffusion Policy (سياسة الانتشار).

• الإعداد: أعطوا نموذج ACT عدد 100,000 خطوة تدريب (وهو مقدار قياسي لهذا النوع من العقول) وأعطوا Diffusion Policy عدد 200,000 خطوة (ضعف العدد، لأن نموذج Diffusion يحتاج عادةً لوقت أطول للتعلم).
• النتيجة: تعلم نموذج ACT المهمة بشكل مثالي، حيث نجح في 19 من أصل 20 تجربة. أما Diffusion Policy، فرغم حصوله على ضعف وقت التدريب، فقد فشل في تعلم أي استراتيجية قابلة للاستخدام (0 من أصل 10 تجارب).
• الخلاصة: لم يكن هذا لأن Diffusion "عقل سيء"، بل لأن التدريب عليه مكلف. ففي ظل ميزانية محدودة، كان "المتعلم الأسرع" (ACT) هو الوحيد القادر على إنهاء السباق. ويؤكد الباحثون أن هذا لا يعني أن Diffusion أسوأ للأبد، بل يعني فقط أن تكلفة "خطوات التدرج" (gradient steps) أو وقت التدريب مرتفقة جداً لتكون عملية لهذا الإعداد المحدد في الوقت الحالي.

3. خدعة السرعة: عندما يكون "الجيد بما يكفي" هو "المثالي بالفعل"
لجعل الروبوت سريعاً بما يكفي للاستجابة في الوقت الفعلي، قام الفريق بتحويل عقل ACT ليعمل على محرك متخصص يسمى TensorRT، وحاولوا تشغيله باستخدام دقة أقل (باستخدام عمليات حسابية من نوع FP16 و INT8 بدلاً من الدقة الفائقة FP32).

• دفعة السرعة: جعل خفض الدقة الروبوت يفكر بشكل أسرع بكثير. انخفض الوقت المستغرق لاتخاذ قرار من 114.02 مللي ثانية بالدقة الكاملة إلى 17.93 مللي ثانية مع FP16، وإلى 12.65 مللي ثانية مع INT8. هذه سرعة تزيد بمقدار 9 مرات تقريباً.
• المفاجأة: عادةً، عندما تجعل الكمبيوتر "أقل ذكاءً" باستخدام دقة أقل، فإنه يرتكب الأخطاء. لكن هنا، حتى مع الرياضيات "الأقل ذكاءً" (INT8)، نجح الروبوت في 19 من أصل 20 مرة. كانت الأخطاء الرقمية ضخمة (وصلت إلى 16.98% انحراف في بعض الأرقام)، لكن الروبوت لا يزال يمسك بالوسادة.
• التنبيه: وجد الباحثون أن حاجتك لهذه الخدعة تعتمد على كيفية تخطيط الروبوت لتحركاته. إذا كان الروبوت يخطط لمجموعة كاملة من 100 حركة دفعة واحدة (كما فعل في هذه التجربة)، فيمكنه تحمل البطء. ولكن إذا كان يحتاج لإعادة التخطيط في كل خطوة (تقنية تسمى "التجميع الزمني" أو temporal ensembling)، فإن النسخة البطيئة ذات الدقة الكاملة ستتجاوز الموعد النهائي المحدد لها، وعندها تصبح النسخة السريعة ذات الدقة المنخفضة أمراً إلزامياً.

الحكم النهائي

تخلص الورقة البحثية إلى أنه يمكنك بالفعل تشغيل روبوت معقد ذي يدين على كمبيوتر صغير بقوة 8 جيجابايت. السر لا يكمن فقط في توفير الذاكرة؛ بل في إدارة عبء عمل المعالج حتى لا ينهار.

ويوصون بإعداد محدد لأي شخص يحاول بناء روبوت مماثل:

• استخدم مسار فيديو GStreamer لتحرير قوة المعالج (CPU).
• استخدم سياسة ACT (فهي أسرع في التعلم من Diffusion لهذه المهمة).
• قم بتشغيل السياسة بدقة FP16 (وهي سريعة ودقيقة بما يكفي) أو INT8 إذا كنت بحاجة لمزيد من السرعة.

ما هو الدرس الأهم؟ لا تفترض أن الكمبيوتر الأكبر هو السبيل الوحيد دائماً. فأحياناً، أفضل طريقة لجعل الروبوت ذكياً هي التوقف عن إضاعة طاقته في أشياء لا يحتاجها، وجعله يركز على المهمة التي بين يديه. لم يكن الروبوت بحاجة إلى كمبيوتر خارق، بل كان يحتاج فقط إلى القليل من الكفاءة.