MemoGuard：一种自适应运行时，用于防止通信受限的机器人导航中的内存陷阱

在灾害检查和搜救等关键任务场景中，通信受限的机器人必须在无法访问远程操作员或高容量推理服务的情况下做出可靠的机载决策。情景内存重用是一种有吸引力的低成本后备方案，但检索相似性并不能保证执行有效性，即检索到的操作可能与当前上下文匹配，但由于拓扑变化、电池余量不足或先前结果不可靠而不安全。我们将这种高度相似但执行无效的情节称为记忆陷阱。这创建了一个安全高效的设计空间，其中相似性仅重用可以最大限度地减少回退成本，但可能不安全，同时始终调用局部推理以高计算和能源成本提高安全性。本文介绍了 MemoGuard，这是一种轻量级自适应运行时，可在重用之前根据拓扑、资源和结果契约验证情景记忆，仅在验证失败时调用回退。在基于图形的走廊检查模拟器中，MemoGuard 比仅相似性 top-1 重用减少了 76.6% 的电池安全违规，同时比始终推理减少了 21.4% 的回退调用。在具有本地 llama3.2:3b 回退推理的 NVIDIA Jetson AGX Xavier 上，这相当于每次试验避免的回退推理开销为 3.67 秒和 36.97 J。我们在 https://github.com/hetheiin/memoguard 开源了 MemoGuard。