Recti-Q：边缘机器人中非分布鲁棒量化感知的特征空间校正

机器人感知管道越来越依赖于部署在 SWaP 约束的边缘平台上的大型视觉主干，这使得 后训练 量化 (PTQ) 对于实时推理具有吸引力。然而，虽然 PTQ 通常可以保持干净的分布精度，但我们表明，在与部署相关的分布变化（例如传感器噪声、恶劣天气和新颖的操作环境）下，它会大大降低可靠性，从而产生量化引起的鲁棒性差距。在基础视觉基准（ImageNet-C 和 PACS）中，4 位 PTQ 模型表现出明显的鲁棒性下降，尽管 ID 精度损失可以忽略不计。为了解决这个问题，我们提出了 Recti-Q，这是一种轻量级特征空间校正框架，它冻结量化主干并仅使用源数据训练小型分类器头 LoRA 适配器。 Recti-Q 与 CNN 和 Transformer 的架构无关，支持高效的无教师训练，并恢复了大部分丢失的鲁棒性，在某些情况下匹配或超过 FP32 性能。 Recti-Q 的参数开销不到 1%（小至 6 KB），可节省超过 99% 的 PTQ 内存，增加的计算量可忽略不计，并为在不可预测的物理环境中运行的已部署机器人车队提供低带宽无线 (OTA) 弹性修补。