مع تزايد انتشار نماذج التعلم العميق (Deep Learning) على منصات الحواف (Edge Platforms) ذات الموارد المحدودة في أنظمة القيادة الذاتية، تبرز الحاجة إلى فهم موثوق لسلوك الهاردوير تحت ظروف تدهور الموارد. في هذا السياق، تمثل دراسة جديدة فحصًا شاملًا لاستغلال الموارد وأداء استنتاج كشف الكائنات، مع التركيز على نماذج TensorRT المحسنة وعملها على منصة NVIDIA Jetson Nano.

تعتمد هذه الدراسة على تجربة واسعة النطاق لاستدخال الأخطاء، حيث تم تحديد وتحليل مجموعة من المؤشرات الحيوية مثل تحميل وحدة المعالجة المركزية (CPU Load) ودرجة استغلال وحدة معالجة الرسومات (GPU Utilization) واستهلاك ذاكرة الوصول العشوائي (RAM Consumption) ومعدل استهلاك الطاقة (Power Draw) وسلوك الحرارة (Thermal Behaviour).

تشمل النماذج المستخدمة في التجربة كل من YOLOv10s وYOLOv11s وYOLO2026n التي تماثل الأداء في مهام تتعلق بتتبع المسارات وكشف الكائنات. أظهرت النتائج أن محركات الاستنتاج حافظت على استقرار استغلال GPU ومعدل ارتفاع درجة الحرارة ضمن الحدود الآمنة، بينما استقرت استخدام الذاكرة في نمط إطلاقٍ ثابت بعد مرحلة التسخين الأولية. ورغم أن أداء كشف الكائنات كان له بعض التباين في سلوك الذاكرة ودرجة الحرارة، فإن كلا المهام ساهمت في دعم نفس الاستنتاج: أن خطوط الأنابيب المبنية على TensorRT تظل قوية حتى مع تدهور البيانات المدخلة بشكل كبير.

تقدم هذه النتائج رؤية على مستوى الهاردوير لمدى موثوقية النماذج، مما يضيف بُعدًا جديدًا في فهم أداء الاستنتاج على الحواف، ليكون متكاملًا مع الأبحاث الأخرى التي تركز على هذا المجال.