在自动驾驶等网络物理系统中，深度神经网络（DNN）的实时应用始终面临一个根本性矛盾：延迟与精度之间的权衡。2026年5月27日提交至arXiv的论文《面向自动驾驶延迟-精度权衡优化的多分辨率端到端深度神经网络》（编号arXiv:2605.29138，属于cs.RO机器人学分类，同时涉及cs.AI、cs.LG与eess.SY）由Qitao Weng与Heechul Yun撰写，并被ICCPS 2026接收。研究者指出，在自动驾驶场景中，安全性同时取决于预测质量以及从传感器感知到执行器动作的端到端延迟，因此单纯追求精度而忽视时延的做法并不足够。作者基于观察提出两点核心发现：其一，当把延迟纳入考量后，延迟最优的网络配置会随场景上下文与可用计算资源而变化；其二，使用单一固定分辨率的模型在条件变化时会变得次优。
针对上述问题，作者提出了一种多分辨率、端到端的深度神经网络，用于CARLA城市驾驶挑战赛，输入为单目摄像头图像。该方法基于卷积神经网络（CNN），通过为每个分辨率单独设置批归一化（per-resolution batch normalization）来支持多种输入分辨率，从而能够在给定的延迟预算下于运行时选择理想的输入尺度。此外，作者还提出“分辨率重定向”（resolution retargeting）机制，使得在无法访问原始训练数据集的情况下也能进行多分辨率训练，这一点对于实际部署中数据难以获取或不便共享的场景具有实用价值。
在实验部分，研究团队在CARLA仿真环境中实现并评估了该多分辨率端到端CNN，以探索延迟与安全之间的前沿关系。结果显示，与固定分辨率基线相比，该方法在每条路线的安全指标上均取得了一致改进，包括车道侵入、闯红灯违规以及碰撞等关键指标。论文全文约933 KB，于2026年5月27日22:06:23 UTC提交，可通过arXiv获取PDF、实验性HTML版本及TeX源码，DOI为10.48550/arXiv.2605.29138，由DataCite发放（注册待完成），引用格式为arXiv:2605.29138v1 [cs.RO]。