多解析度端到端深度神經網路最佳化自動駕駛延遲-精度權衡
研究者提出了一種多解析度端到端深度神經網路，用於自動駕駛中延遲與安全性的平衡。透過在執行時選擇輸入解析度，該網路在CARLA模擬中相比固定解析度模型改善了車道入侵、闖紅燈和碰撞等安全指標。
文章情報
工程師進階
要點
- 延遲-精度權衡是自動駕駛即時決策的關鍵。
- 提出多解析度CNN，支援執行時根據延遲預算選擇輸入解析度。
- 利用逐解析度批歸一化實現多解析度訓練，無需原始資料集。
- 在CARLA中評估，安全指標一致優於固定解析度基線。
為什麼重要
這條新聞值得關注，因為延遲-精度權衡是自動駕駛即時決策的關鍵。
技術影響
可能影響模型選型、推理成本、產品能力和評測基準。
在自動駕駛等即時系統中，深度神經網路的延遲與預測精度之間存在根本性權衡。一項由Qitao Weng和Heechul Yun進行的新研究指出，當考慮端到端延遲時，最優網路配置會隨場景上下文和計算資源動態變化，而固定解析度模型在條件變化時變得次優。該論文已被ICCPS 2026接收。研究者提出了一種多解析度端到端深度神經網路，基於單目相機輸入，專為CARLA城市駕駛挑戰設計。該網路採用卷積神經網路（CNN）架構，透過逐解析度批歸一化支援多種輸入解析度。這種方法允許在執行時根據延遲預算選擇理想的輸入尺度，同時實現解析度重定向——無需原始訓練資料集即可進行多解析度訓練，顯著提高了模型在不同硬體平臺上的適應性。研究者在CARLA模擬器中實現並評估了該多解析度端到端CNN，探索延遲與安全的邊界。結果顯示，相對於固定解析度基線，該方法在每路線安全指標上取得了一致改進，包括車道入侵減少、闖紅燈違規降低和碰撞次數下降。論文詳細分析了不同解析度下的效能表現，發現中等解析度在某些場景下能取得最佳平衡。此外，該多解析度模型在計算資源受限時能自動降級到較低解析度，從而保證即時性。這一工作為自動駕駛系統提供了一種實用的解決方案，透過動態調整輸入解析度來最佳化延遲-精度權衡，有望推動自動駕駛技術向更安全、更高效的方向發展。未來工作可能包括在真實車輛上測試該方法的有效性。