基础模型为自主系统提供了更强的感知能力，例如 Human Mesh Recovery (HMR) 能够输出目标的 3D 姿态与形状，帮助战术任务。然而，这类模型体积大、功耗高，难以在边缘平台实时运行，尤其在需要现场规划下一视角（NBV）的主动感知场景中，通信受限时无法将计算卸载到云端。
我们提出 LEAP-NBV，一个在边缘设备上运行的轻量级主动感知框架。首先，对一组大型 HMR 教师模型进行蒸馏，每个教师压缩为 32M 参数的学生模型，并使用离线网格目标进行训练。随后，将视觉编码器量化至 FP16，并在设备上测量其精度与延迟。
在遮挡感知的主动感知循环中，我们在同一留出基准上评估所有压缩配置，并将完整流水线部署到 NVIDIA Jetson Xavier NX。实验显示，蒸馏后学生模型在 Procrustes 对齐的每顶点平均位置误差 (PA‑MPVPE) 上比未蒸馏模型提升 6‑7 mm。选取边缘最优的压缩模型后，HMR 引擎推理时间约为 12 ms，整体闭环以 3.6 FPS、每帧 2.6 J 的能耗运行，实现了相较未压缩模型的 2.0 倍加速和 3.0 倍能耗降低，同时几乎保持下游任务质量。
点评：LEAP-NBV 通过蒸馏与量化在保持精度的前提下显著降低了计算与能耗，为边缘机器人在受限环境下实现实时主动感知提供了可行路径。