ИССЛЕДОВАНИЕ · RESEARCH · #848
PAANI: локальная агрегация визуальных доказательств и объяснимое руководство для моделирования речных роботов (arXiv:2609.22353v1)
PAANI — это архитектура «восприятие→руководство» для речных роботов, выполняемая на устройстве: она объединяет синхронизированные по времени выходы обученного YOLO11n и сегментера MobileNetV3 Small на Arduino UNO Q и делает явными доказательства и правила, приведшие к каждому совету. Модели обучены на 10 000 изображениях WaterScenes для детекции и 1 127 изображениях MaSTr1325 для сегментации (198 валидационных сегментных изображений); FP32 ONNX-экспорты занимают 14,817 МБ, детектор mAP@0.5 ≈ 0,7388/0,7367, сегментация mIoU = 0,9750, а пяти-минутная запись на UNO Q показала медианную/95%-перцентильную задержки конвейера 467,8 мс / 580,3 мс при частоте 0,5 Гц; также обнаружены ошибки при чёрных входах и несоответствие частоты выборки, мешающее сбору доказательств о движении.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- PAANI — это архитектура «восприятие→руководство» для речных роботов, выполняемая на устройстве: она объединяет синхронизированные по времени выходы обученного YOLO11n и сегментера MobileNetV3 Small на Arduino UNO Q и делает явными доказательства и правила, приведшие к каждому совету.
- Модели обучены на 10 000 изображениях WaterScenes для детекции и 1 127 изображениях MaSTr1325 для сегментации (198 валидационных сегментных изображений); FP32 ONNX-экспорты занимают 14,817 МБ, детектор mAP@0.5 ≈ 0,7388/0,7367, сегментация mIoU = 0,9750, а пяти-минутная запись на UNO Q показала медианную/95%-перцентильную задержки конвейера 467,8 мс / 580,3 мс при частоте 0,5 Гц; также обнаружены ошибки при чёрных входах и несоответствие частоты выборки, мешающее сбору доказательств о движении.
- Исследование показывает воспроизводимую, малоресурсную on-device AI-пайплайн для речных роботов, измеряя компромиссы между точностью моделей и выполнением на борту и указывая на незакрытые вопросы валидации и синхронизации датчиков.
ПОЧЕМУ ЭТО ВАЖНО
Исследование показывает воспроизводимую, малоресурсную on-device AI-пайплайн для речных роботов, измеряя компромиссы между точностью моделей и выполнением на борту и указывая на незакрытые вопросы валидации и синхронизации датчиков.