Zespół badawczy opracował PAANI, architekturę przetwarzającej percepcji wizyjnej na urządzeniach o ograniczonej mocy obliczeniowej, wspierającą roboty monitorujące rzeki. System łączy detektor YOLO11n z semantycznym segmentatorem MobileNetV3 Small na Arduino UNO Q i przekształca niedoskonałe przewidywania wizyjne w jasne, wyjaśniane rekomendacje sterowania.
Architektura PAANI rozwiązuje konkretny problem: geolokalizacja i waypoints nie wystarczają, aby robot zrozumiał rzeczywiste przeszkody i granice wody w rzece. System trenowany był na 10 tys. obrazów WaterScenes dla czteroclasowej detekcji oraz 1127 obrazów MaSTr1325 dla segmentacji. Modele ONNX w formacie FP32 zajmują tylko 14,817 MB. Detektor osiągnął mAP 0,7388 na testach, a segmentor uzyskał mIoU 0,9750, co pokazuje wysoką dokładność przy minimalnym zużyciu pamięci.
Kluczową innowacją jest wyjaśnialność - każda decyzja systemu zawiera informacje o wspierających ją dowodach i zastosowanych regułach polityki. Bounded tracking zapewnia ciągłość śledzenia obiektów, a jawna polityka korytarza łączy etykiety powierzchni, zaakceptowane detektory, urgencję i niepewność maski. System integruje się z ROS 2 i testbedem Gazebo, umożliwiając symulacje i rzeczywisty monitoring. Mediana opóźnienia latencji pipeline wyniosła 467,8 ms w testach pięciominutowych na UNO Q, co pozwala na prawie rzeczywistą pracę.