MemoGuard：一種用於通信受限機器人導航中防止記憶陷阱的自適應運行時
在災難檢查、搜索救援等關鍵任務中，通信受限的機器人必須依賴機載決策。低成本的記憶重用可能因環境變化而變得不安全（稱為“記憶陷阱”）。本文提出MemoGuard，一種輕量級自適應運行時，在重用前根據拓撲、資源和結果契約驗證記憶，僅當驗證失敗時才調用回退推理。在走廊巡檢模擬器中，與單純相似性重用相比，電池安全違規減少76.6%，回退調用次數比始終使用推理減少21.4%。在NVIDIA Jetson AGX Xavier上使用本地llama3.2:3b回退推理時，每次試驗節省3.67秒和36.97焦耳。
在災難救援、太空探索等關鍵任務中，機器人往往無法依賴遠程操作員或高性能計算服務，必須依靠機載系統做出可靠決策。為了降低計算負擔，一種常見的策略是重用過去成功的情景記憶，即檢索與當前狀態相似的歷史動作。然而，這種方法存在一個隱患：相似的歷史動作可能因為環境拓撲變化、電池電量不足或先前結果不可靠等原因，在當前情境下並不安全。研究人員將這種高相似度但執行無效的情景記憶稱為“記憶陷阱”。
針對這一問題，來自IEEE/ACM ESWEEK (CODES) 2026的一篇論文提出了MemoGuard，一種輕量級自適應運行時系統。MemoGuard的核心思想是在重用情景記憶之前，對其進行三項合同檢查：拓撲合同驗證環境結構是否一致，資源合同檢查電池等資源的充足性，結果合同確認先前動作的可靠結果。只有當所有檢查通過時，記憶才會被允許重用；否則，系統將調用本地推理作為回退方案，從而在安全性和效率之間取得平衡。
為了驗證MemoGuard的效果，研究人員在基於圖的走廊巡檢模擬器上進行了實驗。結果顯示，與單純基於相似性重用的策略相比，MemoGuard將電池安全違規降低了76.6%；與始終使用本地推理的方案相比，MemoGuard將回退調用的次數減少了21.4%。在NVIDIA Jetson AGX Xavier嵌入式平台上使用本地llama3.2:3b模型進行回退推理時，每次試驗平均節省了3.67秒和36.97焦耳的能耗。
MemoGuard的代碼已在GitHub上開源（https://github.com/hetheiin/memoguard）。該工作為通信受限機器人提供了一種切實可行的解決方案，有望在無人探測、搜索救援等領域發揮重要作用。論文已被IEEE/ACM ESWEEK (CODES) 2026接收，並將發表在IEEE Embedded Systems Letters上。