Les chercheurs proposent une méthode pour le calcul anytime dans les réseaux neuronaux profonds traitant des nuages de points LiDAR, permettant une mise à l'échelle dynamique de la résolution d'entrée pour équilibrer la latence d'exécution et l'utilité des résultats. Cette approche permet aux modèles utilisant des piliers ou des voxels d'ajuster la résolution en cours d'exécution sans déployer plusieurs modèles distincts.
- Le système utilise un modèle DNN unique qui met à l'échelle dynamiquement la résolution d'entrée en fonction des exigences de temps.
- Un planificateur conscient du délai prédit le temps d'exécution pour toutes les résolutions possibles en cours d'exécution afin de sélectionner la résolution réalisable la plus élevée.
- Les résultats expérimentaux sur l'ensemble de données nuScenes montrent des améliorations de performances significatives par rapport aux approches existantes de calcul anytime.
- Le déploiement dans un système de conduite autonome simulé permet une navigation sans collision tout en évitant les blocages causés par la complexité environnementale.
Cette méthode améliore l'adaptabilité des systèmes cyber-physiques en gérant efficacement les ressources informatiques sous des contraintes opérationnelles dynamiques.