PAANI：端侧视觉证据融合，让河流机器人决策可解释

河流监测机器人面临的核心难题

移动河流监测机器人在真实水域作业时，仅靠GPS航点无法应对复杂环境——它们必须实时识别障碍物、判断水面边界，而这些信息是地理坐标无法描述的。更棘手的是，这类机器人往往运行在算力受限的边缘平台上，如何把并不完美的视觉预测转化为及时、可检验的导航指令，是一个独立且严峻的工程挑战。

论文提出的PAANI架构直指一个被长期忽视的痛点：一个物体标签或转向指令本身，并不能说明「支撑这一决策的证据是什么」，也无法告诉操作者「这些证据在什么情况下不可靠」。换句话说，传统方案给出的是黑箱式的结论，而水上作业需要的是可追溯、可解释的判断依据。

PAANI 的技术架构设计

PAANI 是一套「从感知到导航」的端侧架构，部署在 Arduino UNO Q 这样的资源受限硬件上。它把两个轻量级视觉模型组合起来：一个是项目自训练的 YOLO11n 检测器，负责目标检测；另一个是定制的 MobileNetV3 Small 语义分割器，负责水面区域划分。两者的输出通过带时间戳对齐的证据融合机制整合到一起。

在此基础上，系统引入了有界跟踪（Bounded tracking）来提供目标的持续性识别，避免因单帧漏检导致判断跳变。真正体现「可解释」理念的是它的显式航道策略（corridor policy）：这一策略会综合水面标签、被接受的检测结果、紧急程度以及分割掩码的不确定性，最终给出导航建议。

每条建议都「亮出证据」

PAANI 最具特色的设计在于——每一条最终的导航建议都会暴露出支撑它的证据以及策略推理原因。这意味着操作者不仅能看到「向左避让」这样的指令，还能看到系统为何做出这一判断、依据了哪些视觉证据。这种可检视性（inspectability）对于安全攸关的水上机器人尤为重要。

系统还通过 ROS 2 接口，将本地 AI 流水线与独立的 Gazebo 仿真船只、定位与控制测试平台连接起来，形成了完整的仿真验证闭环。

YOLO11n 是 Ultralytics YOLO 系列的最新一代纳米级（nano）变体，参数量极小，专为边缘推理设计。YOLO（You Only Look Once）架构通过单次前向传播同时预测边界框与类别概率，相比两阶段检测器（如 Faster R-CNN）省去了候选区域生成步骤，因此在低算力设备上具有明显的速度优势。MobileNetV3 Small 则是 Google 针对移动端优化的轻量骨干网络，采用硬件感知神经架构搜索（NAS）与重新设计的激活函数（h-swish），在精度与计算量之间取得平衡。将二者组合——前者负责目标定位与分类，后者驱动逐像素的语义分割——是在单板机级别硬件上同时获取「有什么」与「在哪里」两类信息的常见轻量化策略。

ROS 2（Robot Operating System 2）是当前机器人软件开发的主流中间件框架，提供节点间消息发布/订阅、服务调用与动作接口等通信机制。相比第一代 ROS，ROS 2 基于 DDS（Data Distribution Service）实现，支持实时性保证与多机器人协同。Gazebo 是与 ROS 生态深度集成的三维物理仿真平台，可模拟船体动力学、水面环境与传感器噪声，使研究者在无需实体船只的情况下验证控制与感知算法。PAANI 通过 ROS 2 将板载 AI 流水线的输出发布为标准话题，Gazebo 中的虚拟船只订阅这些话题并执行相应动作，从而形成「感知→决策→仿真执行→反馈」的完整验证回路，降低了真实水上测试的成本与风险。

训练数据与模型性能

在数据层面，检测任务使用了 10,000 张 WaterScenes 图像进行四类目标检测训练；分割任务则采用 1,127 张 MaSTr1325 图像，其中包含 198 张分割验证图像。最终选用的 FP32 ONNX 模型仅占用 14.817 MB，充分体现了边缘部署的轻量化考量。

性能指标上，检测器 checkpoint 在 0.5 IoU 下的测试 mAP 为 0.7388，单独评估的矩形 ONNX 导出版本验证 mAP 为 0.7367，两者高度一致。分割 ONNX 的验证 mIoU 达到 0.9750，表现相当出色。

端侧执行的真实延迟

在 UNO Q 上进行的一段五分钟录制显示，在配置为 0.5 Hz 的采样节奏下，流水线延迟的中位数为 467.8 毫秒，第 95 百分位为 580.3 毫秒。这一数据真实反映了在低成本硬件上运行多模型融合的执行代价——虽然不算快，但对于 0.5 Hz 的监测场景是可接受的。

mAP（mean Average Precision，平均精度均值）是目标检测领域的标准评估指标，在指定 IoU（Intersection over Union，交并比）阈值下，对各类别精度-召回曲线下面积取均值。0.5 IoU 意味着预测框与真实框的重叠面积须超过 50% 才算正检。mIoU（mean Intersection over Union）则是语义分割的对应指标，衡量各语义类别预测掩码与真实掩码的平均交并比，数值越接近 1 表示像素级分类越精准。0.9750 的分割 mIoU 在小数据集上属于较高水平，但需注意 MaSTr1325 数据集场景以欧洲近海/内河为主，与具体部署河道的视觉差异可能影响泛化能力。ONNX（Open Neural Network Exchange）格式则是模型跨框架部署的通用中间表示，FP32 指以 32 位浮点数存储权重，保留完整精度，适合在尚未支持硬件量化的边缘设备上运行。

诚实披露的局限与失败案例

这篇工作值得称道的一点，是它没有回避系统的缺陷。评估过程中识别出两个明确问题：一是黑色输入的误分类（black input misclassification），即纯黑或极暗画面会导致错误判断；二是采样率不匹配，这一问题使得用于诊断的表观运动估计器无法收集到足够的证据。

作者特别强调，这些结果支撑的是一个「可检视、可复用的边缘机器人基础平台」，并明确区分了三件事：模型精度、板载执行能力，以及经过实际水上验证的避碰能力。换言之，PAANI 目前验证的是前两者，而真实水域的碰撞规避仍需进一步验证——这种界限清晰的表述在机器人研究中难能可贵。

对边缘机器人研究的意义

PAANI 的价值不只在于具体的性能数字，而在于它提供了一种方法论：在算力受限的边缘平台上，如何把不完美的感知结果转化为可解释、可追溯的导航决策。它把「模型能力」与「实际部署有效性」分得很清楚，避免了常见的过度宣称。

对于从事水上机器人、边缘 AI 部署以及可解释 AI 的研究者来说，这套结合了 YOLO11n、MobileNetV3、证据融合与 ROS 2 仿真的架构，提供了一个可复现的参考基座。它证明了轻量化模型（不到 15MB）也能在真实硬件上跑出可用的感知-导航流水线，同时保持决策过程的透明度。