自動運転などのサイバーフィジカルシステムにおけるディープニューラルネットワーク（DNN）のリアルタイム応用では、レイテンシと精度のトレードオフが本質的な課題となる。2026年5月27日にarXivへ投稿された論文「自動運転におけるレイテンシ・精度トレードオフ最適化のためのマルチレゾリューション・エンドツーエンド深層ニューラルネットワーク」（arXiv:2605.29138、cs.ROロボティクス分類、cs.AI・cs.LG・eess.SYにも関連）は、Qitao Weng氏とHeechul Yun氏によるもので、ICCPS 2026に採択されている。著者らは、自動運転では安全性が予測品質とセンシングからアクチュエーションまでのエンドツーエンド遅延の両方に依存するため、精度だけを追求する設計では不十分だと指摘する。そして二つの観察を提示する。第一に、レイテンシを考慮に入れると、レイテンシ最適なネットワーク構成はシーンの文脈や利用可能な計算資源によって変化する。第二に、単一の固定解像度モデルは条件が変わると次第に最適ではなくなる、という点である。
そこで著者らは、単眼カメラ入力を用いたCARLA都市走行チャレンジ向けの、マルチレゾリューションかつエンドツーエンドの深層ニューラルネットワークを提案する。この手法は畳み込みニューラルネットワーク（CNN）を基盤とし、解像度ごとのバッチ正規化（per-resolution batch normalization）によって複数の入力解像度をサポートする。これにより、レイテンシ予算の下で実行時に理想的な入力スケールを選択できる。さらに「解像度リターゲティング」と呼ばれる仕組みを導入し、元の学習データセットへアクセスできない場合でもマルチレゾリューション学習を可能にしている。これは、実運用でデータの入手や共有が難しい状況において実用的な意味を持つ。
実験では、研究チームはCARLAシミュレータ上でこのマルチレゾリューション・エンドツーエンドCNNを実装・評価し、レイテンシと安全性のフロンティアを探った。その結果、固定解像度のベースラインと比較して、車線侵攻、赤信号違反、衝突といったルートごとの安全性指標において一貫した改善が確認された。論文は約933 KBで2026年5月27日22:06:23 UTCに投稿され、arXiv上でPDF、実験的HTML版、TeXソースを閲覧できる。DOIは10.48550/arXiv.2605.29138で、DataCiteにより発行（登録手続き中）され、引用表記はarXiv:2605.29138v1 [cs.RO]である。