Editorial ilmu komputer
Open AccessOA2026
MemoGuard: Runtime Adaptif untuk Menjaga terhadap Jebakan Memori dalam Navigasi Robot dengan Komunikasi Terbatas
Lapisan validasi ringan yang mencegah penggunaan ulang memori episodik yang tidak aman pada robot dengan komunikasi terbatas, menurunkan pelanggaran keselamatan baterai sebesar 76,6% sekaligus memangkas overhead penalaran fallback sebesar 21,4%.
Rajat Bhattacharjya; Hyeonjong Ju; Sing-Yao Wu; Eli Bozorgzadeh; Nikil Dutt· 2026· DOI 10.48550/arXiv.2607.15589
Masalah inti
Robot dengan komunikasi terbatas yang beroperasi dalam skenario misi kritis—seperti inspeksi bencana dan pencarian serta penyelamatan—harus membuat keputusan onboard yang andal tanpa akses ke operator jarak jauh atau layanan penalaran berkapasitas tinggi. Penggunaan ulang memori episodik menawarkan fallback berbiaya rendah: ambil episode masa lalu yang mirip dengan konteks saat ini dan gunakan ulang aksinya. Namun, kemiripan hasil pengambilan tidak menjamin validitas eksekusi. Aksi yang diambil mungkin cocok dengan konteks saat ini tetapi tidak aman karena topologi yang berubah, margin baterai yang tidak cukup, atau hasil sebelumnya yang tidak andal. Penulis menyebut episode dengan kemiripan tinggi tetapi eksekusinya tidak valid sebagai **jebakan memori**. Hal ini menciptakan ruang desain keselamatan-efisiensi: penggunaan ulang berbasis kemiripan saja meminimalkan biaya fallback tetapi bisa tidak aman, sementara selalu memanggil penalaran lokal meningkatkan keselamatan dengan biaya komputasi dan energi yang tinggi. Makalah ini menyajikan **MemoGuard**, runtime adaptif ringan yang memvalidasi memori episodik terhadap kontrak topologi, sumber daya, dan hasil sebelum digunakan ulang,
Inovasi
Dalam simulator inspeksi koridor berbasis graf, MemoGuard menurunkan pelanggaran keselamatan baterai sebesar **76,6%** dibandingkan penggunaan ulang top-1 berbasis kemiripan saja. Pada saat yang sama, sistem ini menurunkan panggilan fallback sebesar **21,4%** dibandingkan selalu memanggil penalaran lokal. Pada NVIDIA Jetson AGX Xavier dengan penalaran fallback lokal `llama3.2:3b`, penurunan tersebut setara dengan **3,67 detik** dan **36,97 Joule** overhead penalaran fallback yang dihindari per uji coba. Hasil ini menunjukkan bahwa validasi berbasis kontrak secara efektif menyaring jebakan memori tanpa menanggung biaya penuh dari selalu melakukan penalaran. Peningkatan keselamatan cukup besar, mengatasi risiko kritis aksi tidak aman dalam lingkungan dengan komunikasi terbatas. Keuntungan efisiensinya juga signifikan, karena penalaran fallback mahal secara komputasi dan energi. Kombinasi keselamatan dan efisiensi membuat MemoGuard cocok untuk robot misi kritis dengan sumber daya onboard yang terbatas.
Robot dengan komunikasi terbatas yang beroperasi dalam skenario misi kritis—seperti inspeksi bencana dan pencarian serta penyelamatan—harus membuat keputusan onboard yang andal tanpa akses ke operator jarak jauh atau layanan penalaran berkapasitas tinggi. Penggunaan ulang memori episodik menawarkan fallback berbiaya rendah: ambil episode masa lalu yang mirip dengan konteks saat ini dan gunakan ulang aksinya. Namun, kemiripan hasil pengambilan tidak menjamin validitas eksekusi. Aksi yang diambil mungkin cocok dengan konteks saat ini tetapi tidak aman karena topologi yang berubah, margin baterai yang tidak cukup, atau hasil sebelumnya yang tidak andal. Penulis menyebut episode dengan kemiripan tinggi tetapi eksekusinya tidak valid sebagai **jebakan memori**. Hal ini menciptakan ruang desain keselamatan-efisiensi: penggunaan ulang berbasis kemiripan saja meminimalkan biaya fallback tetapi bisa tidak aman, sementara selalu memanggil penalaran lokal meningkatkan keselamatan dengan biaya komputasi dan energi yang tinggi. Makalah ini menyajikan **MemoGuard**, runtime adaptif ringan yang memvalidasi memori episodik terhadap kontrak topologi, sumber daya, dan hasil sebelum digunakan ulang, serta memanggil fallback hanya ketika validasi gagal. Masalah inti diformalkan sebagai trade-off antara keselamatan dan efisiensi, dengan tujuan mencapai penggunaan ulang yang aman tanpa overhead penalaran yang berlebihan.
MemoGuard beroperasi sebagai lapisan runtime adaptif yang mencegat pengambilan memori dan memvalidasi episode kandidat sebelum eksekusi aksi. Validasi didasarkan pada tiga jenis kontrak:
Mengapa penting
Makalah ini menyoroti ketegangan mendasar dalam penggunaan ulang memori episodik: kemiripan adalah syarat perlu tetapi tidak cukup untuk penggunaan ulang aksi yang aman. MemoGuard mengatasi hal ini dengan memperkenalkan kontrak eksplisit yang menangkap validitas eksekusi di luar kemiripan. Penurunan 76,6% dalam pelanggaran keselamatan baterai menunjukkan bahwa banyak episode dengan kemiripan tinggi memang merupakan jebakan memori, dan bahwa pemeriksaan topologi, sumber daya, serta hasil merupakan penyaring yang efektif. Penurunan 21,4% dalam panggilan fallback menunjukkan bahwa validasi dapat menghindari penalaran yang tidak perlu, menghemat waktu dan energi. Overhead validasi itu sendiri tidak dirinci, tetapi manfaat bersihnya menunjukkan bahwa overhead tersebut rendah. Pendekatan ini dapat digeneralisasi ke domain lain tempat penggunaan ulang memori dipakai di bawah batasan sumber daya. Batasannya meliputi ketergantungan pada definisi kontrak yang akurat dan potensi negatif palsu (menolak episode yang aman) atau positif palsu (menerima episode yang tidak aman). Penelitian selanjutnya dapat mengeksplorasi pembelajaran kontrak atau penyesuaian ambang batas secara online. Rilis open-source di https://github.com/hetheiin/memoguard memfasilitasi reproduksibilitas dan pengembangan lebih lanjut. Secara keseluruhan, MemoGuard menyediakan solusi praktis untuk penggunaan ulang memori yang aman dan efisien dalam navigasi robot dengan komunikasi terbatas.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…