Nano-U: Efficient Terrain Segmentation for Tiny Robot Navigation

Resumo Técnico: Nano-U: Segmentação de Terreno Eficiente para Navegação de Robôs Minúsculos

Declaração do Problema
A segmentação de terreno é uma capacidade de percepção crítica para robôs móveis autônomos que operam em ambientes externos não estruturados, como campos agrícolas e trilhas naturais. Embora modelos de aprendizado profundo tenham se tornado o padrão para segmentação robusta (ex: U-Net, DeepLabV3), as arquiteturas de estado da arte normalmente exigem centenas de milhões de parâmetros e inferência baseada em GPU. Essas demandas de recursos são incompatíveis com os rigorosos orçamentos de memória em kilobytes e as restrições de potência em miliwatts de microcontroladores (MCUs) usados em plataformas robóticas pequenas e de baixo custo. As soluções de TinyML existentes muitas vezes dependem de aceleradores de ML dedicados ou focam em tarefas de classificação mais simples, deixando uma lacuna para a estimativa de navegabilidade binária robusta em hardware de propósito geral comum.

Metodologia
Os autores propõem o Nano-U, um framework completo para implantar segmentação de terreno binária em um microcontrolador ESP32-S3 de baixo custo. A abordagem integra três componentes principais:

1. Arquitetura de Rede (Nano-U):

   • Inspirado na arquitetura U-Net, o Nano-U é uma rede codificador-decodificador altamente compacta projetada para caber dentro dos 320 KB de RAM interna do ESP32-S3.
   • Ele processa imagens coloridas de 60×80×3.
   • Para minimizar o uso de memória, a rede omite conexões de salto (skip connections) padrão, que exigiriam o armazenamento de mapas de características do codificador na RAM até o estágio do decodificador. Em vez disso, ela depende de um pipeline de sete estágios usando convoluções separáveis em profundidade (depthwise separable convolutions) e upsampling por vizinho mais próximo (nearest-neighbor upsampling).
   • O modelo final contém apenas 3.357 parâmetros (após fusão de camadas), ocupando aproximadamente 33 KB em precisão INT8.

2. Estratégia de Treinamento (Destilação com Consciência de Quantização - QAD):

   • Para compensar a capacidade mínima da rede e a degradação de precisão tipicamente associada à quantização INT8, os autores empregam um pipeline de Destilação com Consciência de Quantização (QAD) de passagem única.
   • Destilação de Conhecimento: Uma rede "professora" de grande porte (BU-Net, ~12,85M de parâmetros) guia a aluna (Nano-U). A perda de destilação utiliza o escalonamento de temperatura no espaço sigmoide para suavizar a distribuição de saída, expondo sinais de gradiente em pixels de borda ambíguos que rótulos rígidos (hard labels) suprimiriam.
   • Treinamento com Consciência de Quantização (QAT): Nós de quantização fictícia (fake-quantization) são injetados desde a primeira época para simular aritmética de inteiros de 8 bits durante a passagem direta (forward pass), preservando os gradientes de precisão total via estimador de passagem direta (straight-through estimator).
   • A função de perda total combina entropia cruzada binária (binary cross-entropy - rótulos rígidos) e erro quadrático médio (mean squared error - destilação suave), ponderada para priorizar a precisão para navegação crítica de segurança.

3. Framework de Implantação (MicroFlow):

   • O modelo quantizado é implantado usando o MicroFlow, um motor de inferência baseado em compilador escrito em Rust.
   • Ao contrário das soluções baseadas em interpretador (ex: TensorFlow Lite Micro), o MicroFlow resolve a topologia da rede em tempo de compilação usando macros procedurais. Isso elimina registros de operadores, alocação dinâmica de memória e overhead do interpretador.
   • O sistema roda em um ambiente no-std em bare metal, ativando apenas os periféricos necessários e evitando tarefas de sistema operacional (ex: FreeRTOS), maximizando assim a RAM disponível e minimizando o consumo de energia.

Principais Contribuições

• Design Nano-U: Uma nova rede de segmentação binária com ~3.000 parâmetros que se ajusta às restrições apertadas de memória de MCUs comuns, mantendo capacidades de saída densa.
• Pipeline QAD: Um regime de treinamento unificado que funde a destilação de conhecimento com o treinamento com consciência de quantização, permitindo que um modelo INT8 minúsculo alcance alta precisão em conjuntos de dados agrícolas desafiadores.
• Execução Baseada em Compilador: Uma extensão do motor MicroFlow para suportar os operadores específicos exigidos pelo Nano-U (MaxPool2D, upsampling por vizinho mais próximo), demonstrando um caminho de execução viável e energeticamente eficiente sem aceleradores de ML dedicados.
• Datasets e Lançamento: A introdução do TinyAgri, um conjunto de dados customizado coletado de um pequeno rover em campos agrícolas, e o lançamento público do modelo Nano-U e do dataset.

Resultados Experimentais
O framework foi avaliado em dois conjuntos de dados: o Botanic Garden (caminhos estruturados) e o TinyAgri (vegetação densa, iluminação desafiadora).

• Precisão:

  • No Botanic Garden, o Nano-U INT8 alcançou 87,0% de mIoU, igualando-se ao seu correspondente FP32 e mostrando degradação negligível em comparação com a professora (95,1% de mIoU).
  • No dataset mais desafiador TinyAgri, o modelo INT8 alcançou 70,0% de mIoU (vs. 88,3% para o FP32). Embora os detalhes de borda tenham sido perdidos, o modelo identificou com sucesso as regiões principais de navegabilidade, mantendo um F1-score de 0,82.
  • O modelo exibiu alta precisão (0,96 no Botanic Garden, 0,81 no TinyAgri) com recall moderado, indicando uma estratégia de subsegmentação conservadora benéfica para a segurança.

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

  • Latência: Tempo de inferência de 844 ms (aprox. 1,2 FPS).
  • Memória: Uso de pico da RAM de dados interna de 257 KB, deixando ~60 KB livres.
  • Potência: Consumo de potência de inferência ativa de 470 mW (um overhead de 333 mW sobre a linha de base ociosa), resultando em um custo energético de 281 mJ por inferência.
  • Essas métricas demonstram que a abordagem baseada em compilador reduz significativamente o overhead em comparação com implantações padrão baseadas em interpretador.

Significância e Limitações
O artigo afirma que este trabalho demonstra a viabilidade da segmentação de terreno binária em tempo real em microcontroladores comuns sem aceleradores especializados. A combinação de QAD e inferência baseada em compilador permite que pequenos robôs realizem tarefas de percepção anteriormente limitadas a plataformas maiores.

Os autores reconhecem limitações específicas:

• Latência: Com ~1,2 FPS, o sistema é adequado para plataformas terrestres de movimento lento, mas insuficiente para veículos mais rápidos ou tarefas que exigem resolução temporal fina.
• Resolução: A resolução de saída de 60×80 é ditada pelas restrições de memória, não pelos requisitos da tarefa; uma resolução maior melhoraria a precisão do planejamento de trajetória.
• Generalização: O modelo foi treinado e testado em datasets específicos; a generalização através de diversos tipos de vegetação, condições de iluminação e texturas de solo requer validação adicional.
• Integração de Pipeline: Os benchmarks atuais isolam a latência de inferência carregando imagens da PSRAM; um sistema de malha fechada completo envolvendo captura de câmera ao vivo e controle do robô ainda precisa ser demonstrado.