Recti-Q：面向边缘机器人量化感知的分布外鲁棒特征空间矫正方法
该论文发现后训练量化（PTQ）在边缘设备上的机器人感知模型中引入了鲁棒性差距，即PTQ虽保持分布内精度，但在分布偏移下会降低可靠性。作者提出Recti-Q，一种轻量级特征空间矫正方法，通过冻结量化骨干网络并训练小型LoRA适配器，以极小的开销显著恢复鲁棒性。
在边缘机器人领域，感知管道越来越依赖大型视觉骨干网络，这些网络通常部署在具有SWaP（尺寸、重量和功耗）约束的硬件上。后训练量化（PTQ）因其能显著降低模型大小和计算开销而成为实时推理的常用技术。然而，一项新研究表明，尽管PTQ在分布内（in-distribution）数据上保持了较高的准确性，但在部署中遇到分布偏移（如传感器噪声、恶劣天气或全新环境）时，模型的可靠性会大幅下降。这种量化引起的鲁棒性差距成为阻碍边缘机器人安全运行的关键问题。
为了应对这一挑战，来自多所机构的研究人员提出了Recti-Q，一个轻量级的特征空间矫正框架。该方法的核心思想是冻结量化后的骨干网络，仅在其分类器头部添加一个极小的LoRA适配器，并使用原始训练数据进行训练。Recti-Q与网络架构无关，适用于CNN和Transformer，且无需教师模型。实验表明，在ImageNet-C和PACS等视觉基准测试中，4位PTQ模型表现出显著的鲁棒性退化，而Recti-Q能恢复大部分丢失的鲁棒性，在某些情况下甚至达到或超过全精度FP32模型的性能。
Recti-Q的参数开销不到1%（最小仅为6 KB），同时保留了超过99%的PTQ内存节省。这意味着它几乎不增加计算负担，非常适合资源受限的边缘设备。此外，该技术还支持低带宽的空中（OTA）弹性补丁，使得部署在不可预测物理环境中的机器人车队可以远程更新模型，而无需大规模重新部署。该论文已被2026年IEEE/RSJ国际智能机器人与系统大会（IROS 2026）接收。
总之，Recti-Q为边缘机器人提供了一种实用且高效的方案，在不牺牲量化带来内存优势的前提下，显著提升了模型在复杂现实环境中的鲁棒性。这对推进自主机器人在危险、多变场景中的可靠应用具有重要意义。