在動態環境中部署的機器人必須應對由環境驅動的計算變化：新任務可能突然出現，任務之間的優先關係可能發生改變，整體工作負載結構也會不斷演進。這些變化會嚴重降低系統性能，尤其是在資源受限且實時預算緊張的情況下執行多任務推理時。為了解決這一挑戰，研究人員提出了RED（Robotic Environmental Dynamics）——一個面向多任務深度神經網絡工作負載的實時調度框架，專為資源受限的機器人平台設計。RED能夠在保持建模假設下端到端時序保證的同時，自適應環境動態，確保系統在變化中仍能可靠運行。
RED的核心是一個截止時間感知調度器，它為每個任務分配中間子截止時間。這種機制使得調度器能夠靈活應對不斷變化的計算圖，以及由不可預測條件（如傳感器噪聲、環境障礙物）引發的異步推理需求。通過將端到端截止時間分解為中間子截止時間，RED可以在運行時動態調整任務執行順序，避免因局部延遲導致的整體超時。
此外，RED框架支持靈活部署MIMONet（多輸入多輸出神經網絡），這種網絡結構在多任務機器人中廣泛應用，通過權重共享有效減輕內存壓力。RED充分利用了MIMONet的共享參數特性，採用工作負載細化和圖重構過程，將MIMONet的結構與可調度性要求對齊。具體而言，通過分析MIMONet中的共享層和獨立分支，RED能夠優化計算圖的劃分，減少不必要的資源競爭，從而提升兼容性和調度效率。
研究團隊在NVIDIA Jetson系列平台和Apple M系列MacBook上實現了RED，並針對代表真實機器人場景的導航類工作負載進行了評估。導航任務通常包括目標檢測、路徑規劃、避障等多個子任務，對實時性和資源利用率要求極高。實驗結果顯示，與現有方法（如固定優先級調度、最早截止時間優先等）相比，RED在吞吐量、截止時間滿足率、抗干擾魯棒性、自適應能力以及運行時開銷方面均取得了持續改進。特別地，在面對突然增加的任務或優先級翻轉時，RED表現出優異的穩定性。
該成果是RTSS'23會議的擴展版本，作者包括Zexin Li等五位研究人員。這一工作不僅為實時機器人系統提供了實用的調度方案，也為未來更復雜的動態環境（如自動駕駛、無人機協同）下的多任務推理奠定了理論基礎。研究團隊表示，他們將繼續探索RED在更多異構平台上的適用性，並計劃開源相關代碼。