PAANI：面向河流机器人仿真的端侧视觉证据融合与可解释引导
事件
移动河流监测机器人需要理解地理航点无法描述的水面障碍与水域边界。在资源受限平台上，把不完美的视觉预测转化为及时且可检查的引导是一项独立挑战：单个目标标签或转向指令无法说明决策依据，也无法提示证据何时不可靠。为此，研究者提出 PAANI，一种端侧“感知到引导”架构，在 Arduino UNO Q 上结合自训练 YOLO11n 检测器与定制 MobileNetV3-Small 语义分割器，并进行时间戳对齐的证据融合。
系统用有界跟踪维持目标持续性，并以显式走廊策略综合水面标签、被接受的检测、紧急程度与掩码不确定性；每条最终建议都会给出贡献证据与策略理由。ROS 2 接口把本地 AI 流水线连接到独立的 Gazebo 船体、定位与控制测试台。训练使用 10000 张 WaterScenes 图像做四类检测、1127 张 MaSTr1325 图像做分割（含 198 张分割验证图）。所选 FP32 ONNX 模型共占 14.817 MB；检测器在 0.5 IoU 下测试 mAP 为 0.7388，矩形 ONNX 导出验证 mAP 为 0.7367，分割 ONNX 验证 mIoU 为 0.9750。
五分钟 UNO Q 录制在 0.5 Hz 配置节奏下，流水线延迟中位数为 467.8 ms、95 分位为 580.3 ms。评估还发现黑色输入误分类，以及采样率不匹配导致诊断用表观运动估计器证据不足。这些结果支持可检查、可复用的边缘机器人基础，同时明确区分模型精度、板载执行与经过验证的水上避碰能力。
来源
本条目由采集管线自动抓取并发布，完整内容见下方来源链接。
*采集源：arXiv cs.AI*