Nano-U: Efficient Terrain Segmentation for Tiny Robot Navigation

Resumen Técnico: Nano-U: Segmentación de Terreno Eficiente para la Navegación de Robots Diminutos

Planteamiento del Problema
La segmentación de terreno es una capacidad de percepción crítica para robots móviles autónomos que operan en entornos exteriores no estructurados, como campos agrícolas y senderos naturales. Aunque las arquitecturas de aprendizaje profundo se han convertido en el estándar para una segmentación robusta (por ejemplo, U-Net, DeepLabV3), estas suelen requerir cientos de millones de parámetros e inferencia basada en GPU. Estas demandas de recursos son incompatibles con los estrictos presupuestos de memoria de kilobytes y las restricciones de potencia de milivatios de los microcontroladores (MCU) utilizados en plataformas robóticas pequeñas y de bajo costo. Las soluciones de TinyML existentes suelen depender de aceleradores de ML dedicados o se centran en tareas de clasificación más simples, dejando un vacío para la estimación de la transitabilidad binaria robusta en hardware de propósito general convencional.

Metodología
Los autores proponen Nano-U, un marco completo para desplegar segmentación de terreno binaria en un microcontrolador ESP32-S3 de bajo costo. El enfoque integra tres componentes principales:

1. Arquitectura de Red (Nano-U):

   • Inspirada en la arquitectura U-Net, Nano-U es una red codificador-decodificador altamente compacta diseñada para ajustarse dentro de los 320 KB de RAM interna del ESP32-S3.
   • Procesa imágenes en color de 60×80×3.
   • Para minimizar el uso de memoria, la red omite las conexiones de salto (skip connections) estándar, que requerirían almacenar mapas de características del codificador en la RAM hasta la etapa del decodificador. En su lugar, depende de un flujo de siete etapas utilizando convoluciones de profundidad separable (depthwise separable convolutions) y sobremuestreo por vecindad cercana (nearest-neighbor upsampling).
   • El modelo final contiene solo 3,357 parámetros (después de la fusión de capas), ocupando aproximadamente 33 KB en precisión INT8.

2. Estrategia de Entrenamiento (Destilación con Conciencia de Cuantización - QAD):

   • Para compensar la capacidad mínima de la red y la degradación de la precisión típicamente asociada con la cuantización INT8, los autores emplean un flujo de Destilación con Conciencia de Cuantización (QAD) de una sola pasada.
   • Destilación de Conocimiento: Una red "profesora" de gran tamaño (BU-Net, ~12.85M de parámetros) guía a la estudiante (Nano-U). La pérdida de destilación utiliza el escalado de temperatura en el espacio sigmoide para suavizar la distribución de salida, exponiendo señales de gradiente en píxeles de bordes ambiguos que las etiquetas rígidas (hard labels) suprimirían.
   • Entrenamiento con Conciencia de Cuantización (QAT): Se inyectan nodos de cuantificación simulada (fake-quantization) desde la primera época para simular la aritmética de enteros de 8 bits durante la pasada hacia adelante (forward pass), preservando al mismo tiempo los gradientes de precisión completa mediante un estimador de paso directo (straight-through estimator).
   • La función de pérdida total combina la entropía cruzada binaria (etiquetas rígidas) y el error cuadrático medio (destilación suave), ponderada para priorizar la precisión en la navegación crítica para la seguridad.

3. Marco de Despliegue (MicroFlow):

   • El modelo cuantizado se despliega utilizando MicroFlow, un motor de inferencia basado en compilador escrito en Rust.
   • A diferencia de las soluciones basadas en intérpretes (por ejemplo, TensorFlow Lite Micro), MicroFlow resuelve la topología de la red en tiempo de compilación mediante macros de procedimiento. Esto elimina los registros de operadores, la asignación dinámica de memoria y la sobrecarga del intérprete.
   • El sistema se ejecuta en un entorno no-std sobre metal (bare metal), activando solo los periféricos necesarios y evitando las tareas del sistema operativo (por ejemplo, FreeRTOS), maximizando así la RAM disponible y minimizando el consumo de energía.

Contribuciones Clave

• Diseño de Nano-U: Una novedosa red de segmentación binaria con ~3,000 parámetros que se ajusta a las estrictas restricciones de memoria de los MCU convencionales manteniendo capacidades de salida densa.
• Flujo QAD: Un régimen de entrenamiento unificado que fusiona la destilación de conocimiento con el entrenamiento con conciencia de cuantización, permitiendo que un modelo INT8 diminuto logre una alta precisión en conjuntos de datos agrícolas desafiantes.
• Ejecución Basada en Compilador: Una extensión del motor MicroFlow para soportar los operadores específicos requeridos por Nano-U (MaxPool2D, sobremuestreo por vecindad cercana), demostiendo una vía de ejecución viable y eficiente energéticamente sin aceleradores de ML dedicados.
• Conjuntos de Datos y Lanzamiento: La introducción de TinyAgri, un conjunto de datos personalizado recolectado desde un pequeño rover en campos agrícolas, y el lanzamiento público del modelo y el conjunto de datos Nano-U.

Resultados Experimentales
El marco fue evaluado en dos conjuntos de datos: el de Botanic Garden (senderos estructurados) y TinyAgri (vegetación densa, iluminación desafiante).

• Precisión:

  • En Botanic Garden, el Nano-U INT8 logró un 87.0% de mIoU, igualando a su contraparte FP32 y mostrando una degradación insignificante en comparación con la profesora (95.1% mIoU).
  • En el más desafiante conjunto de datos TinyAgri, el modelo INT8 logró un 70.0% de mIoU (frente al 88.3% de FP32). Aunque se perdieron los detalles de los bordes, el modelo identificó con éxito las regiones transitables centrales, manteniendo un F1-score de 0.82.
  • El modelo exhibió una alta precisión (0.96 en Botanic Garden, 0.81 en TinyAgri) con una recuperación (recall) moderada, lo que indica una estrategia de subsegmentación conservadora beneficiosa para la seguridad.

• Rendimiento de Hardware (ESP32-S3-CAM):

  • Latencia: El tiempo de inferencia fue de 844 ms (aprox. 1.2 FPS).
  • Memoria: El uso pico de la RAM de datos interna fue de 257 KB, dejando ~60 KB libres.
  • Potencia: El consumo de potencia de inferencia activa fue de 470 mW (un exceso de 333 mW sobre la línea base inactiva), lo que resulta en un costo energético de 281 mJ por inferencia.
  • Estas métricas demuestran que el enfoque basado en compilador reduce significativamente la sobrecarga en comparación con los despliegues estándar basados en intérpretes.

Significancia y Limitaciones
El artículo afirma que este trabajo demuestra la viabilidad de la segmentación de terreno binaria en tiempo real en microcontroladores convencionales sin aceleradores especializados. La combinación de QAD y la inferencia basada en compilador permite que los robots pequeños realicen tareas de percepción anteriormente limitadas a plataformas más grandes.

Los autores reconocen limitaciones específicas:

• Latencia: Con ~1.2 FPS, el sistema es adecuado para plataformas terrestres de movimiento lento, pero insuficiente para vehículos más rápidos o tareas que requieran una resolución temporal fina.
• Resolución: La resolución de salida de 60×80 está dictada por las restricciones de memoria en lugar de los requisitos de la tarea; una mayor resolución mejoraría la precisión de la planificación de rutas.
• Generalización: El modelo fue entrenado y probado en conjuntos de datos específicos; la generalización a través de diversos tipos de vegetación, condiciones de iluminación y texturas de suelo requiere una validación adicional.
• Integración del Pipeline: Los benchmarks actuales aíslan la latencia de inferencia cargando imágenes desde la PSRAM; queda por demostrar un sistema de ciclo cerrado completo que involucre la captura de cámara en vivo y el control del robot.