PLATE: 一个感知延迟感知估计器
内容提要
该文汇总多篇自动驾驶感知研究，核心是平衡实时性与准确性，涉及SlowTrack对抗攻击、流式准确性基准、双流动态静态感知、边缘计算卸载、延迟感知协同感知SyncNet、ApproxDet自适应检测等，通过优化延迟与精度权衡提升感知性能。
延伸解读
延迟与精度的权衡是核心挑战
文章汇总的多项研究均围绕自动驾驶感知中实时性与准确性的平衡展开。例如，边缘计算物体识别系统通过优化传输延迟和神经网络大小来寻找最佳权衡点，而ApproxDet则利用自适应分支在运行时选择执行路径，以应对资源争用和内容变化。这些工作表明，单纯追求低延迟或高精度都不可取，系统级协同优化才能提升整体性能。
对抗攻击与协同感知的鲁棒性
SlowTrack展示了针对摄像头感知的延迟攻击，通过增加执行时间影响安全性，这提醒我们感知系统需考虑对抗性延迟。另一方面，SyncNet针对协同感知中的通信延迟，通过特征级同步提升鲁棒性，即使在严重延迟下仍优于单智能体感知。两者从攻击和防御角度说明，延迟不仅是性能问题，更是安全因素。
流式感知与自适应调度方法
文章提及的流式准确性基准将单帧任务转化为流式感知任务，揭示了延迟与准确性的新关系。ApproxDet采用时延SLA驱动调度器，结合数据驱动建模，动态选择检测分支，在基准测试中相比YOLOv3实现了52%的延迟降低和11.1%的准确度提升。这些方法强调根据内容和资源动态调整计算，而非固定配置。
Q&A
SlowTrack 是什么？它有什么作用？
SlowTrack 是一种用于增加基于摄像头的自动驾驶感知执行时间的对抗性攻击框架。评估结果表明，它在保持可感知性水平的同时明显优于现有的基于延迟的攻击。
什么是流式准确性？它有什么用途？
流式准确性是一种将感知延迟和准确性相结合的方法，可用于任何单帧任务变成流式感知任务的系统性 meta-benchmark，并在城市视频流中的物体检测和实例分割等任务上得出了令人惊讶的结论。
双流动态静态感知模块（DFP）是如何工作的？
DFP 用于捕捉运动趋势和基本检测特征，并引入趋势感知损失（TAL）和趋势因子来产生适应性权重，进而优化移动车辆物体的检测结果。
边缘计算卸载如何影响物体识别的延迟和准确性？
边缘计算卸载研究端到端延迟和物体识别准确性之间的系统级权衡，重点优化传输延迟。图像编码速率和神经网络大小会影响这两个性能指标。通过精心调整系统操作，实时条件下性能可比标准传输方法提高至少 33%。
SyncNet 是什么？它解决了什么问题？
SyncNet 是首个延迟感知的协同感知系统，通过异步感知特征的特征级同步来提高协作的鲁棒性和效果。在通讯延迟场景下，它优于现有的协同感知方法，且在严重延迟情况下，协同感知仍优于单个智能体感知。
ApproxDet 框架如何实现自适应视频目标检测？
ApproxDet 采用多分支目标检测内核，引入数据驱动建模方法和时延 SLA 驱动调度器，在运行时选择最佳执行分支以适应内容和资源争用特征，并结合可近似视频目标跟踪算法创建端到端视频目标检测系统。评估表明，它适应各种争用和内容特征，并优于所有基线，例如相对于 YOLOv3，实现了 52% 的较低时延和 11.1% 的更高准确度。
