動的環境に配備されたロボットは、実行時に計算を変化させる環境駆動型の変化に対処する必要がある。新しいタスクが突然現れたり、タスク間の優先順位が変わったり、ワークロード全体の構造が進化したりする。これらの変化は、特にリソースとリアルタイムの制約が厳しい状況でのマルチタスク推論において、パフォーマンスを著しく低下させる。この課題に対処するため、研究者らはRED（Robotic Environmental Dynamics）を提案した。これは、リソース制約のあるロボットプラットフォーム上でマルチタスク深層ニューラルネットワークワークロードをリアルタイムスケジューリングするフレームワークであり、モデル化仮定の下でエンドツーエンドのタイミング保証を維持しながら、環境の動態に適応する。
REDの中核はデッドライン認識スケジューラであり、各タスクに中間サブデッドラインを割り当てる。このメカニズムにより、スケジューラは進化する計算グラフや、予測不能な条件（センサーノイズや環境障害など）によって引き起こされる非同期推論に柔軟に対応できる。エンドツーエンドのデッドラインを中間サブデッドラインに分解することで、REDは実行時にタスク実行順序を動的に調整し、部分的な遅延が全体のタイムアウトにつながるのを防ぐ。
さらに、REDフレームワークはMIMONet（多入力多出力ニューラルネットワーク）の柔軟な展開をサポートする。MIMONetはマルチタスクロボットでよく使われ、重み共有によりメモリ負荷を軽減する。REDはこの共有パラメータ特性を明示的に活用し、ワークロードの精緻化とグラフ再構築手順を通じて、MIMONetの構造をスケジューラビリティ要件に整合させる。具体的には、MIMONet内の共有層と独立分岐を分析し、計算グラフの分割を最適化して不要なリソース競合を減らし、互換性と効率を向上させる。
研究チームは、NVIDIA JetsonファミリーおよびApple MシリーズMacBook上でREDを実装し、実際のロボットシナリオを代表するナビゲーション指向のワークロードで評価を行った。ナビゲーションタスクには通常、物体検出、経路計画、障害物回避などの複数のサブタスクが含まれ、リアルタイム性とリソース利用効率が厳しく要求される。実験結果は、既存手法（固定優先度スケジューリング、早期デッドライン優先など）と比較して、スループット、デッドライン遵守率、干渉に対する堅牢性、適応性、実行時オーバーヘッドにおいて一貫した改善を示した。特に、突発的なタスク追加や優先度逆転が発生した場合でも、REDは優れた安定性を発揮した。
本成果はRTSS'23の拡張版であり、Zexin Liを含む5名の研究者によるものである。この研究は、リアルタイムロボットシステムに実用的なスケジューリング手法を提供するだけでなく、自動運転やドローン協調などのより複雑な動的環境におけるマルチタスク推論の理論的基盤を築くものである。研究チームは、さらに多くの異種プラットフォームでのREDの適用可能性を探求し、関連コードをオープンソース化する計画であると述べている。