Recti-Q: エッジロボティクスにおける分布外ロバストな量子化認識のための特徴空間修正
本論文では、SWaP制約のあるエッジプラットフォームに展開されるロボット認識モデルにおいて、後学習量子化（PTQ）が引き起こすロバスト性ギャップを特定しています。PTQは分布内精度を維持するものの、分布シフト下では信頼性を低下させます。著者らは、量子化されたバックボーンを凍結し、小さなLoRAアダプタをトレーニングする軽量な特徴空間修正フレームワークRecti-Qを提案し、最小限のオーバーヘッドで大幅なロバスト性回復を実現します。
エッジロボティクスの分野では、ロボットの認識パイプラインが大型の視覚バックボーンネットワークに依存しており、これらのネットワークはSWaP（サイズ、重量、消費電力）制約のあるハードウェアに展開されます。後学習量子化（PTQ）はモデルサイズと計算コストを大幅に削減できるため、リアルタイム推論に広く使われています。しかし、新たな研究により、PTQは分布内データでは高い精度を維持するものの、センサーノイズ、悪天候、未知の環境などの分布シフトが発生すると、モデルの信頼性が著しく低下することが明らかになりました。この量子化に起因するロバスト性ギャップは、エッジロボティクスの安全な運用を妨げる重要な問題です。
この課題に対処するため、複数の研究機関の研究者らはRecti-Qを提案しました。これは軽量な特徴空間修正フレームワークであり、量子化されたバックボーンを凍結し、その分類器ヘッドに極めて小さなLoRAアダプタを追加し、元のトレーニングデータのみを使用して学習します。Recti-QはCNNやTransformerなどのアーキテクチャに依存せず、教師モデルも不要です。ImageNet-CやPACSなどのベンチマーク実験では、4ビットPTQモデルが顕著なロバスト性低下を示すのに対し、Recti-Qは失われたロバスト性の大部分を回復し、場合によってはFP32フル精度モデルと同等以上の性能を達成しました。
Recti-Qのパラメータオーバーヘッドは1%未満（最小6 KB）であり、PTQによるメモリ節約効果の99%以上を維持します。これは計算負荷をほぼ増やさないため、リソースが限られたエッジデバイスに最適です。さらに、この技術は低帯域幅の無線（OTA）レジリエンスパッチを可能にし、予測不能な物理環境で動作するロボット群にモデル更新を遠隔で行えます。本論文は2026年のIEEE/RSJ国際知能ロボットシステム会議（IROS 2026）に採択されました。
まとめると、Recti-Qはエッジロボティクスにおいて、量子化のメモリ利点を犠牲にすることなく、複雑な実環境でのロバスト性を大幅に向上させる実用的かつ効率的なソリューションを提供します。これは、危険で変動の多いシナリオにおける自律ロボットの信頼性向上に貢献します。