شرکت انویدیا (NVIDIA) راهنمای فنیای منتشر کرده که نشان میدهد چگونه میتوان مدل تازهی Cosmos 3 Edge را برای کنترل رباتهای صنعتی و بازویی، مستقیماً روی سختافزار خود ربات و بدون نیاز به هیچ سرور یا پردازندهی مرکز دادهای پسآموزش (Post-Training؛ آموزش تکمیلی یک مدل پایه برای یک وظیفهی مشخص) داد. این راهنما بخشی از خانوادهی مدلهای جهان (World Models) کازموس ۳ (Cosmos 3) انویدیا محسوب می شود که هدف آن، دادن درک فیزیکی از حرکت و برخورد اجسام به رباتهاست.
مدلی که روی خود ربات جا میشود
Cosmos 3 Edge یک مدل امنی (Omni-Model؛ مدلی که چند نوع داده مانند تصویر، متن و اقدام را بهطور یکپارچه پردازش میکند) با ۴ میلیارد پارامتر است که همراه با یک واحد استدلال ۲ میلیارد پارامتری مبتنی بر نموترون (Nemotron) انویدیا عرضه شده است. این مدل با همان دادههای فیزیکی دنیای واقعی که مدلهای بزرگتر خانواده، یعنی Cosmos 3 Nano و Cosmos 3 Super، روی آنها آموزش دیدهاند، پیشآموزش دیده و درک مشابهی از نحوهی حرکت و تعامل اجسام دارد؛ اما برخلاف آنها، بهاندازهای کوچک است که میتواند مستقیماً روی ماژول جتسون تور (NVIDIA Jetson Thor)، سکوی محاسباتی انویدیا برای هوش مصنوعی فیزیکی، اجرا شود.
به گفتهی انویدیا، استقرار مدلهای جهان روی یک ربات واقعی با دو محدودیت اصلی روبهرو است: نخست، حافظهی دستگاه که باید مدل و وضعیت اجرای آن را در خود جای دهد؛ و دوم، تأخیر کنترلی که باید برای فرکانس کنترلی مورد نیاز ربات بهاندازهی کافی سریع باشد. Cosmos 3 Edge دقیقاً برای رفع همین دو محدودیت طراحی شده است.
سرعت و دقت در عمل
بر اساس آزمایشهای انویدیا، سیاست کنترلی حاصل از این مدل روی ماژول Jetson AGX Thor T5000 و در وضوح ۶۴۰ در ۵۴۰ با فرکانس ۱۵ هرتز، هر بخش از اقدامهای حرکتی را در حدود ۱.۵۳ ثانیه تولید میکند، در حالی که هر بخش حدود ۲.۱۳ ثانیه از حرکت ربات را پوشش میدهد. از آنجا که بخش بعدی پیش از پایان بخش فعلی آماده میشود، بازوی ربات بدون وقفه و بدون دخالت هیچ پردازندهی مرکز دادهای حرکت میکند. وزنهای این مدل در قالب عددی BF16 (فرمت فشردهی اعداد ممیز شناور برای کاهش حجم حافظه) تنها حدود ۹ گیگابایت حجم دارند و بهراحتی در حافظهی داخلی Jetson Thor جا میشوند.
در آزمایش حلقهبسته (Closed-Loop) روی مجموعهی روبولب (RoboLab)، که بر پایهی محک آیزاکلب-آرنا (Isaac Lab-Arena) انویدیا ساخته شده و ۱۲۰ وظیفهی دستکاری اجسام مبتنی بر دستور زبانی را شامل میشود، این مدل نرخ موفقیت ۲۲.۹ درصد را ثبت کرده است. برای مقایسه، مدل بزرگتر خانواده، یعنی Cosmos 3 Nano، به نرخ موفقیت ۳۶.۸ درصد میرسد؛ اما اجرای آن نیازمند منابع پردازشی بسیار بیشتری است. به بیان دیگر، Cosmos 3 Edge دقت کمتری را در ازای امکان اجرای کاملاً بلادرنگ و مستقل روی خود ربات میپذیرد.
دادههای آموزشی و نیازمندیهای پسآموزش
مدل منتشرشده در این راهنما روی مجموعهدادهی Cosmos3-DROID آموزش دیده که شامل ۷۶ هزار مسیر حرکتی موفق و ضبطشده توسط اپراتور انسانی است؛ در مجموع حدود ۳۵۰ ساعت داده در ۸۶ وظیفه و ۵۶۴ صحنهی متفاوت، با استفاده از بازوی رباتیک فرانکا پاندا (Franka Panda) و گیرپَر روبوتیک (Robotiq) جمعآوری شده است. توسعهدهندگان همچنین میتوانند دادهی ربات خودشان را پس از تبدیل به قالب استاندارد LeRobot Dataset، برای آموزش مدلهای مرتبط با بازوهای دیگر مانند UR یا WidowX 250 استفاده کنند.
پسآموزش این مدل کار سبکی نیست؛ انویدیا این فرایند را نه یک تنظیمدقیق (Fine-Tune) ساده روی یک کارت گرافیک، بلکه پسآموزش یک مدل بنیادین کامل توصیف کرده است. اجرای معتبرشدهی این فرایند از ۶۴ گرهی محاسباتی، هرکدام مجهز به چهار تراشهی گریس بلکول (Grace Blackwell GB200) انویدیا، برای ۶۰ هزار تکرار و در حدود ۶۸ ساعت استفاده کرده که مجموعاً به حدود ۱۷ هزار و ۴۰۰ ساعت-تراشهی GB200 میرسد؛ رقمی که نشان میدهد این کار در سطح آزمایشگاههای پژوهشی و شرکتهای بزرگ انجامپذیر است، نه یک پروژهی شخصی.
استقرار روی ربات و راستیآزمایی در شبیهسازی
مدل نهایی از طریق یک سرور وبساکت (WebSocket) با پروتکل استاندارد OpenPI اجرا میشود که مستقیماً روی خود Jetson Thor بالا میآید؛ کلاینت کنترلی ربات تصاویر دوربینها و وضعیت فعلی مفاصل و گیرپَر را ارسال میکند و در پاسخ، مدل یک بخش شامل ۳۲ اقدام آینده را با فرکانس ۱۵ هرتز برمیگرداند. ربات تنها نیمی از این اقدامها را اجرا کرده و سپس دوباره از مدل برنامهی تازهای میخواهد؛ تکنیکی به نام کنترل افقلغزان (Receding-Horizon Control) که به ربات اجازه میدهد بر اساس وضعیت واقعی و بهروز خود، مسیر حرکتش را پیوسته اصلاح کند، نه بر پایهی پیشبینی چند ثانیهی قبل.
پیش از اجرای این سیاست کنترلی روی سختافزار واقعی، انویدیا توصیه میکند اعتبارسنجی آن ابتدا در محیط شبیهسازی روبولب انجام شود؛ همان بستری که کلاینت آن مستقیماً به سرور مدل متصل میشود و هر بخش از اقدامها را در یک موتور فیزیک واقعی اجرا و نتیجه را بهصورت ویدیو و گزارش موفقیت برمیگرداند. این رویکرد، ریسک آزمایش مستقیم روی سختافزار گرانقیمت رباتیک را پیش از استقرار نهایی کاهش میدهد.
کاربردی فراتر از کنترل مستقیم ربات
به گفتهی انویدیا، همین تکنیکهای پسآموزش برای کنترل ربات، در تولید دادهی مصنوعی (Synthetic Data) برای آموزش رباتها هم کاربرد دارند. برای نمونه، استارتاپ کشاورزی آیجن (Aigen) با پسآموزش کازموس برای تولید تصاویر متنوع مصنوعی از محصولات کشاورزی و علفهای هرز، توانسته یک سامانهی خودران وجینکنی را با استفاده از تنها ۱ درصد دادهی واقعی به عملکرد قابلقبولی برساند.
فریمورک کازموس و وزنهای آن بهصورت باز و تحت مجوز OpenMDW 1.1 منتشر شدهاند که به گفتهی انویدیا، پسآموزش و ساخت مدلهای تخصصی برای کاربردهای هوش مصنوعی فیزیکی را برای توسعهدهندگان سادهتر میکند.
انویدیا در گزارش خود، عدد ۲۲.۹ درصد را بهعنوان نرخ موفقیت ذکر کرده که بهروشنی نشان میدهد حتی جدیدترین مدلهای جهان برای کنترل ربات، هنوز از قابلیت اطمینان صنعتی فاصله دارند و مسیر رسیدن به رباتهای کاملاً خودران قابلاتکا همچنان طولانی است. این محدودیت بهعنوان یک مصالحهی آگاهانه میان دقت و اجرای بلادرنگ روی سختافزار محدود معرفی شده است. به نظر شما، برای پروژههای رباتیک واقعی، اولویت با مدلهایی مانند Edge است که کندتر اما کاملاً مستقل روی خود دستگاه اجرا میشوند، یا مدلهای بزرگتر و دقیقتری که به اتصال دائمی به سرور نیاز دارند؟