競争力のあるロボティクスにおいて、視覚認識は中心的な役割を果たし、環境の変化がリアルタイム検出性能に直接影響を与えます。しかし、Transformerベースの検出器（RT-DETRなど）に関する既存研究では、バックボーンスケールや環境設定がモデル性能に与える影響についての情報が不足しています。そこで本研究では、ロボット競技に関連する環境およびハイパーパラメータの変動下で、円形物体を検出するRT-DETRの比較評価を実施しました。
具体的には、ResNet18、ResNet34、ResNet50、ResNet101の4つのResNetバックボーンを、ドロップアウト率を変えて比較し、それらが信頼度と精度に与える影響を分析しました。すべてのモデルは同一設定でトレーニングされ、照明変化と背景コントラスト変化の下で評価されました。実験の結果、環境条件は主に予測信頼度に影響を与え、推論レイテンシはほとんど影響を受けず、分類精度はほとんどの場合で1.00に近い高い値を維持しました。
照明変動下では、ResNet50がほぼ完全な精度、約0.869の信頼度、0.058～0.059ミリ秒のレイテンシを達成し、最良のトレードオフを示しました。一方、背景変動下では、ResNet34が最もバランスの取れた性能を示し、ほぼ完全な精度と約0.887の高い信頼度を達成しました。これらの結果は、最適なアーキテクチャが環境変動の種類に依存することを示しており、中間深度のモデルが性能と効率の最良のバランスを提供します。
本論文は、2026年の国際データサイエンス・技術・応用会議（DATA 2026）に採択され、arXiv（arXiv:2605.08136）で公開されています。研究はPamela Barbozaら6名の著者によって行われ、ロボットビジョンにおけるリアルタイム検出モデルの選定に重要な知見を提供します。