多分辨率端到端深度神经网络优化自动驾驶延迟-精度权衡
研究者提出了一种多分辨率端到端深度神经网络，用于自动驾驶中延迟与安全性的平衡。通过在运行时选择输入分辨率，该网络在CARLA模拟中相比固定分辨率模型改善了车道入侵、闯红灯和碰撞等安全指标。
文章情报
工程师进阶
要点
- 延迟-精度权衡是自动驾驶实时决策的关键。
- 提出多分辨率CNN，支持运行时根据延迟预算选择输入分辨率。
- 利用逐分辨率批归一化实现多分辨率训练，无需原始数据集。
- 在CARLA中评估，安全指标一致优于固定分辨率基线。
为什么重要
这条新闻值得关注，因为延迟-精度权衡是自动驾驶实时决策的关键。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
在自动驾驶等实时系统中，深度神经网络的延迟与预测精度之间存在根本性权衡。一项由Qitao Weng和Heechul Yun进行的新研究指出，当考虑端到端延迟时，最优网络配置会随场景上下文和计算资源动态变化，而固定分辨率模型在条件变化时变得次优。该论文已被ICCPS 2026接收。研究者提出了一种多分辨率端到端深度神经网络，基于单目相机输入，专为CARLA城市驾驶挑战设计。该网络采用卷积神经网络（CNN）架构，通过逐分辨率批归一化支持多种输入分辨率。这种方法允许在运行时根据延迟预算选择理想的输入尺度，同时实现分辨率重定向——无需原始训练数据集即可进行多分辨率训练，显著提高了模型在不同硬件平台上的适应性。研究者在CARLA模拟器中实现并评估了该多分辨率端到端CNN，探索延迟与安全的边界。结果显示，相对于固定分辨率基线，该方法在每路线安全指标上取得了一致改进，包括车道入侵减少、闯红灯违规降低和碰撞次数下降。论文详细分析了不同分辨率下的性能表现，发现中等分辨率在某些场景下能取得最佳平衡。此外，该多分辨率模型在计算资源受限时能自动降级到较低分辨率，从而保证实时性。这一工作为自动驾驶系统提供了一种实用的解决方案，通过动态调整输入分辨率来优化延迟-精度权衡，有望推动自动驾驶技术向更安全、更高效的方向发展。未来工作可能包括在真实车辆上测试该方法的有效性。