MemoGuard：一种用于通信受限机器人导航中防止记忆陷阱的自适应运行时
在灾难检查、搜索救援等关键任务中，通信受限的机器人必须依赖机载决策。低成本的记忆重用可能因环境变化而变得不安全（称为“记忆陷阱”）。本文提出MemoGuard，一种轻量级自适应运行时，在重用前根据拓扑、资源和结果契约验证记忆，仅当验证失败时才调用回退推理。在走廊巡检模拟器中，与单纯相似性重用相比，电池安全违规减少76.6%，回退调用次数比始终使用推理减少21.4%。在NVIDIA Jetson AGX Xavier上使用本地llama3.2:3b回退推理时，每次试验节省3.67秒和36.97焦耳。
在灾难救援、太空探索等关键任务中，机器人往往无法依赖远程操作员或高性能计算服务，必须依靠机载系统做出可靠决策。为了降低计算负担，一种常见的策略是重用过去成功的情景记忆，即检索与当前状态相似的歷史动作。然而，这种方法存在一个隐患：相似的歷史动作可能因为环境拓扑变化、电池电量不足或先前结果不可靠等原因，在当前情境下并不安全。研究人员将这种高相似度但执行无效的情景记忆称为“记忆陷阱”。
针对这一问题，来自IEEE/ACM ESWEEK (CODES) 2026的一篇论文提出了MemoGuard，一种轻量级自适应运行时系统。MemoGuard的核心思想是在重用情景记忆之前，对其进行三项合同检查：拓扑合同验证环境结构是否一致，资源合同检查电池等资源的充足性，结果合同确认先前动作的可靠结果。只有当所有检查通过时，记忆才会被允许重用；否则，系统将调用本地推理作为回退方案，从而在安全性和效率之间取得平衡。
为了验证MemoGuard的效果，研究人员在基于图的走廊巡检模拟器上进行了实验。结果显示，与单纯基于相似性重用的策略相比，MemoGuard将电池安全违规降低了76.6%；与始终使用本地推理的方案相比，MemoGuard将回退调用的次数减少了21.4%。在NVIDIA Jetson AGX Xavier嵌入式平台上使用本地llama3.2:3b模型进行回退推理时，每次试验平均节省了3.67秒和36.97焦耳的能耗。
MemoGuard的代码已在GitHub上开源（https://github.com/hetheiin/memoguard）。该工作为通信受限机器人提供了一种切实可行的解决方案，有望在无人探测、搜索救援等领域发挥重要作用。论文已被IEEE/ACM ESWEEK (CODES) 2026接收，并将发表在IEEE Embedded Systems Letters上。