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

ロボットが単なる工場の無骨な機械ではなく、洗濯物を畳んだり、飲み物を手渡したり、両手で柔らかい豆袋を一度に持ち上げたりできる、機敏な助っ人となる世界を想像してみてください。長い間、こうした繊細な作業をロボットに教えるには、人間が遠隔操作でロボットの腕を導き、その動きを見せる「テレオペレーション」が必要でした。その後、ロボットはこれらの動きをコピーすることで学習する「模倣学習」というプロセスを用います。しかし、ここに落とし穴がありました。これまでは、これらのロボットの「脳」には、巨大なグラフィックスカードを搭載したスーパーチャージド・ワークステーションのような、非常に高価で巨大なコンピュータが必要だったのです。このため、ロボットはしばしば重くて電力を大量に消費するマシンに繋がれた状態になり、実際の家庭や外出先で使用することが困難でした。研究者たちが問いかけている大きな疑問は、「この巨大な脳を、ロボット自体に搭載できる、非常に小さくて手頃な価格のコンピュータチップへと縮小できるのか？」ということです。

この論文は、その方向への大胆な一歩を踏み出しています。研究チームは、わずか8 GBのメモリ（大型のスマートフォンのストレージ程度のサイズ）を持つ、エントリーレベルの小型コンピュータチップであるNVIDIA Jetson Orin Nano Super上で完全に動作する、両腕ロボットシステムを構築しました。彼らは、変形しやすい豆袋を両腕で掴んで目標地点まで移動するという難しいタスクでこれをテストしました。彼らの目的は、大きなコンピュータの助けを借りずに、ロボットを十分に高速かつスマートに動作させられるかどうかを確認することでした。

3つの大きな驚き

チームは、これを実現する上で最も困難な部分はどこかについて、3つの大きな仮説を立てました。メモリの制限に直面すること、2種類の異なる「脳」のアーキテクチャのどちらかを選択しなければならなくなること、そしてロボットを高速化するには精度を犠牲にする必要があると考えていました。しかし、実験の結果、彼らの予想は覆されました。

1. メモリの神話：問題はRAMではなくCPUだった
研究者たちは、3つのカメラ（ロボットの頭部に1つ、手首に2つ）からのビデオストリーミングによって、ロボットの8 GBのメモリがいっぱいになり、クラッシュしたりフレーム落ちが発生したりすると考えていました。そこで、ビデオデータをメインプロセッサにやり取りすることなくグラフィックスメモリ内に保持し続けるための、特別な「ゼロコピー」パイプラインを構築し、スペースを節約しようと試みました。

• 現実： 彼らはメモリについて間違っていました。ビデオデータを移動させる標準的な方法でも、8 GBの制限内に完璧に収まり、フレーム落ちも全く発生しませんでした。
• 真の勝利： 「ゼロコピー」のトリックは、スペースを節約したのではなく、**時間と脳の力（計算資源）を節約しました。ビデオデータのやり取りにエネルギーを浪費するのを止めることで、ロボットのメインプロセッサのCPUパワーを大幅に解放したのです。単一プロセッサコアのピーク使用率は、汗をかくような98.0%から、リラックスした77.0%**へと低下しました。これは、ランナーから重いバックパックを外すようなものです。ランナー自体が大きくなるわけではありませんが、より速く、よりスムーズに走れるようになります。この余剰な「ヘッドルーム」こそが、ロボットの制御ループをミスなくスムーズに実行し続けるために不可れるでした。

2. 脳のレース：スピード vs 忍耐
チームは、全く同じ一連の実演データを用いて、2種類の異なるロボットの脳、ACT（Transformersを用いたAction Chunking）とDiffusion Policyを訓練しました。

• セットアップ： 彼らはACTに100,000ステップ（この種の脳における標準的な量）のトレーニングを与え、Diffusion Policyには（Diffusionは通常、より多くの時間を必要とするため）2倍の200,000ステップを与えました。
• 結果： ACTはタスクを完璧に学習し、20回の試行のうち19回成功しました。一方、Diffusion Policyは、2倍のトレーニング時間を与えられたにもかかわらず、利用可能な戦略を全く学習できず、10回中0回の成功に終わりました。
• 教訓： これはDiffusionが「悪い」脳だからではありません。Diffusionは訓練コストが高いからです。厳しい予算条件下では、「学習が早い」方（ACT）だけがレースを完走できたのです。研究者たちは、これはDiffusionが永遠に劣っていることを意味するのではなく、現在のこの特定のセットアップにおいては、実用的にはるかに多くの「勾配ステップ（学習時間）」をコストとして支払う必要があることを強調しています。

3. スピードのトリック：「十分であること」が実は「完璧である」とき
ロボットをリアルタイムで反応させるのに十分な速さにするために、チームはACTの脳をTensorRTと呼ばれる専用エンジンで動作するように変換し、さらに低精度（超精密なFP32の代わりにFP16やINT8の数学を使用）での実行を試みました。

• スピードアップ： 精度を下げることで、ロボットの思考速度は劇的に向上しました。意思決定にかかる時間は、フル精度での114.02 ms（ミリ秒）から、FP16では17.93 msへ、そしてINT8では12.65 msへと減少しました。これは、実に9倍近い高速化です。
• 驚き： 通常、計算の精度を下げてコンピュータを「馬鹿」にすると、間違いが生じるものです。しかしここでは、たとえ「最も単純な」数学（INT8）を用いたとしても、ロボットは20回中19回成功しました。数値的な誤差は最大で**16.98%**にも達しましたが、ロボットは依然として豆袋をキャッチできました。
• 注意点： 研究者たちは、このスピードのトリックが必要かどうかは、ロボットがどのように動きを計画するかによって決まることを見出しました。もしロボットが一度に100ステップ分の動きの塊（チャンク）を計画する場合（今回行った方法）、低速でも問題ありません。しかし、もしステップごとに再計画を行う必要がある場合（「テンポラル・アンサンブリング」と呼ばれる手法）、低速なフル精度版では期限に間に合わなくなり、高速な低精度版が必須となります。

最終的な結論

本論文は、小さな8 GBのコンピュータ上で、複雑な両腕ロボットを確かに動作させることができると結論付けています。その秘訣は、単にメモリを節約することではなく、プロセッサの負荷を管理してオーバーフローを防ぐことにあります。

同様のロボットを構築しようとするすべての人に向けて、彼らは以下の特定のセットアップを推奨しています：

• CPUパワーを解放するためにGStreamerビデオパイプラインを使用すること。
• ACTポリシーを使用して訓練すること（このタスクにおいてはDiffusionよりも学習が早いため）。
• ポリシーをFP16精度で実行すること（これは十分に速く、かつ正確です）。あるいは、さらなるスピードが必要な場合はINT8を使用すること。

最も重要な教訓は何でしょうか？ 最大のコンピュータを使うことだけが唯一の道だと思わないことです。時として、ロボットを賢くする最善の方法は、不要なことにエネルギーを浪費するのを止めさせ、目の前の仕事に集中させることです。ロボットにはスーパーコンピュータは必要ありませんでした。ただ、少しの「効率性」が必要だったのです。