移动河流监测机器人需要识别障碍物和水面边界，这些信息仅靠地理航点无法完整描述。受限的计算资源使得将不完美的视觉预测转化为及时且可检查的引导成为难点。传统的目标标签或转向指令往往缺乏对决策依据的解释，也无法指出证据何时不可靠。为此我们提出 PAANI，一种在设备上完成感知到引导的完整架构。\
PAANI 将经过项目训练的 YOLO11n 检测器与自定义的 MobileNetV3‑Small 语义分割模型结合，并在 Arduino UNO Q 上实现时间戳对齐的证据融合。\
- 检测器：使用 10,000 张 WaterScenes 图像进行四类目标检测训练，FP32 ONNX 模型大小为 14.817 MB，mAP@0.5IoU 为 0.7388（检查点），导出 ONNX 版本验证 mAP 为 0.7367。\
- 分割器：基于 1,127 张 MaSTr1325 图像训练，验证 mIoU 达 0.9750。\
- 跟踪与持久化：受限跟踪模块提供目标持久性，确保同一目标在连续帧之间保持关联。\
- 走廊策略：显式走廊策略综合表面标签、接受的检测、紧急程度以及分割掩码的不确定性，生成最终的操作建议。每条建议都会公开其所依据的证据和策略原因，实现可解释性。\
ROS 2 接口将本地 AI 流水线与 Gazebo 中的船体、定位和控制测试平台相连，支持端到端的仿真验证。\
在一次 5 分钟的 UNO Q 记录中，流水线的中位数延迟为 467.8 ms，95% 分位延迟为 580.3 ms，采样频率配置为 0.5 Hz。评估过程中发现黑色输入会导致误分类，并且采样率不匹配导致诊断性表观运动估计器无法收集足够证据。\
这些结果表明，PAANI 为边缘机器人提供了可检查、可复用的基础，同时清晰地区分了模型精度、板上执行性能与经验证的水面碰撞规避能力。\
点评：PAANI 在资源受限的嵌入式平台上实现了高精度检测与分割的协同融合，并通过走廊策略提供了可解释的导航建议，为实际河流机器人部署提供了可靠的技术路径。