河流監測機器人需要理解僅靠地理航點無法描述的障礙物和水域邊界。在資源受限的平台上，將不完美的視覺預測轉化為及時且可檢查的引導是一項獨特挑戰：一個物體標籤或轉向命令本身並不能解釋決策依據了哪些證據，也無法説明證據何時不可靠。為此，研究者提出了 PAANI——一種設備端從感知到引導的架構。
PAANI 在 Arduino UNO Q 上結合了項目訓練的 YOLO11n 檢測器和自定義的 MobileNetV3 Small 語義分割器，並採用時間戳對齊的證據融合。有界跟蹤提供物體持續性，顯式走廊策略則綜合水面標籤、被接受的檢測結果、緊急程度和掩碼不確定性。每條最終建議都會公開其貢獻證據和政策原因。ROS 2 接口將本地 AI 流水線與獨立的 Gazebo 船隻、定位和控制測試平台連接起來。
訓練使用 10,000 張 WaterScenes 圖像進行四類檢測，並使用 1,127 張 MaSTr1325 圖像進行分割，其中包含 198 張分割驗證圖像。選定的 FP32 ONNX 模型佔用 14.817 MB。檢測器檢查點在 0.5 IoU 下的測試 mAP 為 0.7388，而單獨評估的矩形 ONNX 導出在 0.5 IoU 下的驗證 mAP 為 0.7367。分割 ONNX 驗證 mIoU 為 0.9750。一段五分鐘的 UNO Q 記錄顯示，在配置為 0.5 Hz 的節奏下，流水線延遲的中位數和第 95 百分位分別為 467.8 毫秒和 580.3 毫秒。
評估還發現了黑色輸入誤分類問題，以及採樣率不匹配導致診斷性表觀運動估計器無法收集足夠證據。這些結果支持一個可檢查且可複用的邊緣機器人基礎，同時清楚地區分了模型準確性和在板執行與已驗證的水上避碰能力。論文共 20 頁、8 幅圖、11 張表，包含系統和 AI 架構圖、模型訓練結果、定性評估以及 Arduino UNO Q 部署測量。項目代碼、訓練模型、ONNX 產物、日誌和可復現性文檔均可在論文給出的鏈接獲取。該論文屬於 cs.AI 領域，編號 arXiv:2609.22353，由 Santhiya Rajan 於 2026 年 9 月 17 日提交。