تشكل موازنات التأخير والدقة تحديًا أساسيًا في تطبيقات الشبكات العصبية العميقة (Deep Neural Networks) لنظم الحوسبة المادية، وبشكل خاص في مجال القيادة الذاتية. فالسلامة في هذا المجال تعتمد على جودة التنبؤ والفترة الزمنية اللازمة من استشعار المعلومات إلى تنفيذ الأوامر. لقد لوحظ أنه حين يتم أخذ التأخير بالحسبان، فإن تكوين الشبكة الأمثل للتأخير يتغير وفقًا لسياق المشهد وتوافر الحوسبة. كما أن استخدام نموذج ثابت الدقة يصبح غير مثالي مع تغير الظروف.

لذا، تم تطوير شبكة عميقة متعددة الدقة (Multi-Resolution End-to-End Deep Neural Network) تناسب تحديات القيادة الحضرية، معتمدة على إدخالات من كاميرا أحادية (Monocular Camera). تعتمد استراتيجيتنا على استخدام شبكة عصبية تلافيفية (Convolutional Neural Network - CNN) تدعم تعدد الدقات المدخلة من خلال تطبيع الدفعة لكل دقة، مما يمكّن من اختيار المقياس المدخل المثالي ضمن قيود التأخير وتغيير الدقة بشكل ديناميكي، مما يسمح بالتدريب المتعدد الدقة دون الحاجة إلى مجموعة البيانات الأساسية.

تم تنفيذ وتقييم هذه الشبكة متعددة الدقة في بيئة CARLA لدراسة حدود التأخير والسلامة. أظهرت النتائج تحسينات ملحوظة في مقاييس السلامة، بما في ذلك الانتهاكات المخصصة للمسارات، وخرقات إشارات المرور، وحوادث الاصطدام، مقارنة بأسس الدقة الثابتة. تعتبر هذه التطورات خطوة كبيرة نحو تحسين الأداء والسلامة في تجربة القيادة الذاتية، مما يُعزز من جاهزية هذه الأنظمة للاستخدام الواسع في المستقبل.