在动态环境中部署的机器人必须应对由环境驱动的计算变化：新任务可能突然出现，任务之间的优先关系可能发生改变，整体工作负载结构也会不断演进。这些变化会严重降低系统性能，尤其是在资源受限且实时预算紧张的情况下执行多任务推理时。为了解决这一挑战，研究人员提出了RED（Robotic Environmental Dynamics）——一个面向多任务深度神经网络工作负载的实时调度框架，专为资源受限的机器人平台设计。RED能够在保持建模假设下端到端时序保证的同时，自适应环境动态，确保系统在变化中仍能可靠运行。
RED的核心是一个截止时间感知调度器，它为每个任务分配中间子截止时间。这种机制使得调度器能够灵活应对不断变化的计算图，以及由不可预测条件（如传感器噪声、环境障碍物）引发的异步推理需求。通过将端到端截止时间分解为中间子截止时间，RED可以在运行时动态调整任务执行顺序，避免因局部延迟导致的整体超时。
此外，RED框架支持灵活部署MIMONet（多输入多输出神经网络），这种网络结构在多任务机器人中广泛应用，通过权重共享有效减轻内存压力。RED充分利用了MIMONet的共享参数特性，采用工作负载细化和图重构过程，将MIMONet的结构与可调度性要求对齐。具体而言，通过分析MIMONet中的共享层和独立分支，RED能够优化计算图的划分，减少不必要的资源竞争，从而提升兼容性和调度效率。
研究团队在NVIDIA Jetson系列平台和Apple M系列MacBook上实现了RED，并针对代表真实机器人场景的导航类工作负载进行了评估。导航任务通常包括目标检测、路径规划、避障等多个子任务，对实时性和资源利用率要求极高。实验结果显示，与现有方法（如固定优先级调度、最早截止时间优先等）相比，RED在吞吐量、截止时间满足率、抗干扰鲁棒性、自适应能力以及运行时开销方面均取得了持续改进。特别地，在面对突然增加的任务或优先级翻转时，RED表现出优异的稳定性。
该成果是RTSS'23会议的扩展版本，作者包括Zexin Li等五位研究人员。这一工作不仅为实时机器人系统提供了实用的调度方案，也为未来更复杂的动态环境（如自动驾驶、无人机协同）下的多任务推理奠定了理论基础。研究团队表示，他们将继续探索RED在更多异构平台上的适用性，并计划开源相关代码。