Hardware-Accelerated Instance Segmentation for Resource-Constrained Space Robotics with Criticality Analysis
本文提出了一种面向部署的月球机器人实例分割框架，该框架结合了无标签激活方差信息采样校准策略、具有有界延迟的 DPU 优化 YOLO 模型，以及软件层面的关键性分析，旨在极低光照和辐射诱发故障条件下实现可靠、低功耗的实时感知。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，一个机器人被派往月球表面，任务是独自在布满嶙峋岩石和深邃陨石坑的地形中穿行。它不能等待来自地球的指令，因为信号需要数秒才能到达，它也不能在坠毁时呼救。为了生存，它必须清晰地观察周围环境，识别危险，并实时规划出一条安全的路径。然而，它所面临的环境在三个截然不同的维度上都是极其恶劣的。首先，光照往往非常极端，深邃的阴影和月尘地面上的刺眼反射会让标准摄像头产生混乱。第二，机器人携带的计算能力和能量都非常有限；它无法运行地球上那种沉重且耗能巨大的软件。第三，也是最危险的一点，太空环境充满了辐射，这些辐射会悄无声息地翻转计算机内存中的位（bits），导致机器人在没有任何警告灯或错误信息的情况下做出错误判断。为了让任务成功，机器人的“大脑”必须足够精准以观察地形，足够高效以在小型电池上运行，并且足够强韧，即使在辐射试图破坏其思维时也能继续工作。
这正是研究人员解决的一个挑战，他们开发了一种在月球车上运行先进视觉软件的新方法。他们专注于一种被称为“实例分割”（instance segmentation）的特定人工智能类型，这种技术不仅仅是发现物体，还会逐像素地为每一块岩石和每一个陨石坑勾勒出精确的轮廓。这种细节程度对于机器人准确判断何处可以行驶而不被困住至关重要。研究人员将一个通常需要大型计算机才能运行的强大视觉模型进行了适配，使其能够在专为太空设计的低功耗处理器上运行。然而，仅仅缩小软件规模是不够的。他们发现，使软件变得更小、更快往往会降低其准确性，尤其是在月球昏暗的光线下。为了解决这个问题，他们创建了一种新方法，教导软件如何处理自身的精度降低问题。他们并没有使用随机的示例来调整系统，而是开发了一种策略，根据软件内部层对图像的反应，自动选择最具信息量的图像。这确保了软件即使在没有人工标签或重新训练的情况下，也能学会正确的观察方式。
团队还必须确保软件的行为是可预测的。在太空中，计算机无法在思考如何使用内存时停顿或犹豫。他们修改了软件的结构，使过程中的每一步都是固定且预先计划好的，从而消除了系统发生意外绊倒或减速的可能性。他们将视觉任务中的繁重计算交给了一个专门的硬件加速器，而由一个标准处理器负责数据的最后清理。这种分工协作使得系统能够以每张图像 309 毫秒的稳定速度运行，且功耗仅为 5.7 瓦特，这一效率水平符合小型月球车严格的能量限制。
除了速度和准确性，研究人员还应对了沉默的威胁——辐射。他们构建了一个系统，用于分析软件的哪些部分最容易受到太空辐射破坏。通过测量软件每个部分使用的内存量以及运行时间，他们可以按风险等级对组件进行排序。他们发现，核心处理引擎和运行时系统是最关键的部分。利用这张“脆弱性地图”，他们实施了针对性的保护措施，例如对关键计算进行备份，并为内存添加错误检查代码。这些措施并没有修复辐射本身，但它们显著降低了单次辐射击中导致灾难性故障的可能性。结果显示，与未受保护的版本相比，该系统将整体失效风险降低了 30% 以上。
在模拟月球车的平台上进行测试时，这个新系统证明了其价值。传统的缩小软件规模的方法会导致明显的准确度下降，使机器人难以看清岩石边缘。然而，团队的新型选择方法结合对软件计算中微小误差的修正，恢复了近 70% 的损失准确度。机器人能够再次以高精度观察地形，即使在弱光条件下也能在障碍物周围画出清晰的线条。整个过程耗时不到三分之一秒，足以让月球车在移动时对障碍物做出反应。这项工作表明，构建一个不仅聪明快速而且具有韧性的太空人工智能系统是完全可能的。通过仔细平衡软件的学习方式、硬件的运行方式以及对环境的自我保护，研究人员为更安全、更可靠的月球及更远深空的自主探测创建了一份蓝图。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。