L'inférence déportée pour la robotique physique en conditions réelles
Une nouvelle étude sur l'infrastructure d'inférence pour les robots remet en question l'approche dominante consistant à embarquer un GPU directement sur chaque robot pour exécuter ses modèles d'IA. Les chercheurs à l'origine de ces travaux ont mené ce qu'ils présentent comme la première étude systématique des charges de calcul robotiques, en se concentrant sur la manipulation mobile, illustrée par une tâche type : repérer des déchets dans une cuisine et les jeter à la poubelle, ce qui suppose de planifier un trajet, percevoir l'environnement, naviguer, saisir l'objet puis revenir à la poubelle. Trois capacités clés ont été évaluées, la cartographie et la planification sémantiques, la navigation et la manipulation, sur une gamme de configurations matérielles allant du GPU embarqué au calcul en périphérie de réseau (edge) puis dans le cloud. Résultat marquant : certains GPU embarqués de faible capacité ne parvenaient tout simplement pas à faire tourner la pile logicielle complète de manipulation mobile, tandis que même sur des GPU dotés de mémoire suffisante, les tâches de cartographie et de planification pouvaient ralentir de manière très significative, jusqu'à 383 % dans certains cas, lorsque l'inférence restait limitée au matériel embarqué. À l'inverse, délester une partie du calcul vers des serveurs distants a permis d'améliorer le taux de réussite des tâches, d'exécuter des modèles d'IA plus volumineux et donc plus performants, et de rendre les robots plus réactifs dans des environnements réels et changeants.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de Microsoft Research. Lire l'article original →
L'enjeu dépasse la simple performance technique. Les GPU embarqués consomment beaucoup d'énergie, alourdissent le coût et le poids des robots, et limitent la capacité à faire tourner les modèles d'IA les plus récents et les plus gourmands. En remplaçant ce matériel de calcul lourd par des composants embarqués légers et en reportant l'inférence vers l'edge ou le cloud, l'autonomie des batteries progresse nettement, ce qui permet aux robots de fonctionner plus longtemps entre deux charges. Pour des secteurs comme la logistique, la fabrication industrielle ou l'assistance à domicile, où la robotique physique doit encore gagner en fiabilité et en accessibilité économique, cette approche pourrait accélérer le déploiement à grande échelle de flottes de robots plus légers, moins coûteux et plus capables.
Ces travaux s'inscrivent dans un mouvement plus large visant à combler un angle mort du développement de l'IA physique : si le matériel robotique et les modèles d'IA embarqués ont beaucoup progressé ces dernières années, l'infrastructure d'inférence distribuée restait peu explorée. Une nouvelle brique logicielle, intégrée à une boîte à outils dédiée à l'IA physique, permet désormais aux développeurs de conteneuriser, déployer et orchestrer ces charges de travail robotiques entre robots, infrastructures en périphérie de réseau et cloud, via des outils fondés sur Kubernetes. Cette orientation ouvre la voie à des systèmes robotiques pensés comme des architectures distribuées plutôt que comme des machines autonomes isolées, une évolution qui pourrait redéfinir la manière dont l'industrie conçoit le calcul embarqué dans les prochaines générations de robots.
Cette approche pourrait a terme bénéficier aux entreprises européennes de logistique, de fabrication ou d'assistance a domicile développant des flottes de robots, mais aucun acteur ni réglementation français ou européen n'est cite dans l'article.