自動運転におけるレイテンシと精度のトレードオフを最適化するマルチ解像度エンドツーエンド深層ニューラルネットワーク

自動運転などのリアルタイムシステムでは、深層ニューラルネットワークのレイテンシと予測精度の間に根本的なトレードオフが存在します。Qitao Weng氏とHeechul Yun氏による新しい研究では、エンドツーエンドのレイテンシを考慮すると、最適なネットワーク構成はシーンのコンテキストや計算リソースに応じて動的に変化し、固定解像度モデルは条件が変わると準最適になることが指摘されています。この研究はICCPS 2026に採択されました。研究者らは、単眼カメラ入力を使用し、CARLA都市運転チャレンジ向けに設計されたマルチ解像度エンドツーエンド深層ニューラルネットワークを提案しました。このネットワークは、解像度ごとのバッチ正規化を備えた畳み込みニューラルネットワーク（CNN）を採用し、複数の入力解像度をサポートします。これにより、ランタイムにレイテンシ予算に応じて理想的な入力スケールを選択でき、さらに解像度リターゲッティングにより、元のトレーニングデータセットにアクセスせずにマルチ解像度トレーニングが可能になります。研究者らはCARLAシミュレーターでこのマルチ解像度エンドツーエンド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求しました。結果は、固定解像度ベースラインと比較して、車線逸脱、赤信号違反、衝突などのルートごとの安全指標で一貫した改善を示しました。論文では、異なる解像度でのパフォーマンスを詳細に分析し、中程度の解像度が特定のシナリオで最適なバランスを提供することが明らかにされました。また、計算リソースが限られている場合、このマルチ解像度モデルは自動的に低解像度にダウングレードし、リアルタイム性を確保します。この研究は、動的解像度調整によりレイテンシと精度のトレードオフを最適化する実用的なソリューションを提供し、自動運転技術の安全性と効率性の向上に貢献することが期待されます。今後の課題として、実車両でのテストや、他のセンサーモダリティへの拡張が考えられます。