CADENCE: Context-Adaptive Depth Estimation for Navigation and Computational Efficiency

📄 arXiv: 2604.07286v1 📥 PDF

作者: Timothy K Johnsen, Marco Levorato

分类: cs.RO, cs.AI, cs.LG

发布日期: 2026-04-08

备注: 7 pages, 7 figures, Accepted for publication at IEEE World AI IoT Congress (AIIoT) 2026

💡 一句话要点

CADENCE：针对导航和计算效率的情境自适应深度估计

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 深度估计 自适应计算 自动驾驶 资源受限 嵌入式系统

📋 核心要点

  1. 现有深度估计方法在资源受限的自动驾驶车辆上计算开销大，难以兼顾精度和效率。
  2. CADENCE通过情境自适应地调整深度估计网络的计算复杂度，在保证导航精度的同时降低资源消耗。
  3. 实验表明，CADENCE显著降低了传感器采集、功耗和推理延迟，并提高了导航精度。

📝 摘要（中文）

本文提出了一种名为CADENCE的自适应系统，用于解决在资源受限的远程环境中部署的自动驾驶车辆所面临的挑战。该系统能够根据导航需求和环境情境，动态调整轻量级单目深度估计网络的计算复杂度。CADENCE通过闭环感知保真度和执行需求，确保仅在任务关键时使用高精度计算。该系统在集成了Microsoft AirSim和NVIDIA Jetson Orin Nano的开源测试平台上进行了评估。与最先进的静态方法相比，CADENCE分别降低了9.67%的传感器采集、16.1%的功耗和74.8%的推理延迟。结果表明，能源消耗总体降低了75.0%，导航精度提高了7.43%。

🔬 方法详解

问题定义：在资源受限的自动驾驶车辆上，如何高效地进行深度估计以支持导航？现有的深度估计方法，特别是基于深度神经网络的方法，通常计算量大，难以在嵌入式处理器上实时运行，并且功耗高，限制了车辆的续航能力。静态的深度估计方法无法根据环境和任务需求动态调整计算资源，造成资源浪费。

核心思路：CADENCE的核心思路是根据导航需求和环境情境，动态地调整深度估计网络的计算复杂度。当导航任务需要高精度深度信息时，使用更复杂的网络配置；当导航任务对精度要求不高时，使用更轻量级的网络配置。通过这种自适应的方式，可以在保证导航性能的同时，降低计算开销和功耗。

技术框架：CADENCE系统包含以下主要模块：1) 环境情境感知模块：用于感知当前的环境信息，例如光照条件、路面状况等。2) 导航需求评估模块：用于评估当前的导航任务对深度信息的需求，例如是否需要避障、是否需要精确定位等。3) 自适应深度估计模块：根据环境情境和导航需求，动态地选择合适的深度估计网络配置。该模块使用一个可伸缩的单目深度估计网络，可以根据需求调整网络的层数、通道数等参数。4) 控制模块：根据深度估计结果，控制车辆的运动。

关键创新：CADENCE的关键创新在于其情境自适应的深度估计方法。与传统的静态深度估计方法相比，CADENCE能够根据环境和任务需求动态调整计算资源，从而在保证导航性能的同时，显著降低计算开销和功耗。此外，CADENCE还通过闭环感知保真度和执行需求，进一步优化了资源利用率。

关键设计：CADENCE使用一个可伸缩的单目深度估计网络，该网络基于编码器-解码器结构，并采用了跳跃连接。网络的伸缩性通过调整编码器和解码器的层数、通道数等参数来实现。CADENCE使用强化学习来训练自适应策略，该策略根据环境情境和导航需求，选择合适的网络配置。损失函数包括深度估计误差、计算开销和功耗等因素。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，与最先进的静态方法相比，CADENCE分别降低了9.67%的传感器采集、16.1%的功耗和74.8%的推理延迟。能源消耗总体降低了75.0%，导航精度提高了7.43%。这些结果表明，CADENCE在资源受限的自动驾驶应用中具有显著的优势。

🎯 应用场景

CADENCE适用于各种资源受限的自动驾驶应用场景，例如无人机、移动机器人、以及在偏远地区或恶劣环境中运行的车辆。该技术可以显著降低这些设备的功耗和计算需求，延长续航时间，并提高导航性能。未来，CADENCE可以与其他感知模块（例如目标检测、语义分割）集成，构建更强大的自适应感知系统。

📄 摘要（原文）

Autonomous vehicles deployed in remote environments typically rely on embedded processors, compact batteries, and lightweight sensors. These hardware limitations conflict with the need to derive robust representations of the environment, which often requires executing computationally intensive deep neural networks for perception. To address this challenge, we present CADENCE, an adaptive system that dynamically scales the computational complexity of a slimmable monocular depth estimation network in response to navigation needs and environmental context. By closing the loop between perception fidelity and actuation requirements, CADENCE ensures high-precision computing is only used when mission-critical. We conduct evaluations on our released open-source testbed that integrates Microsoft AirSim with an NVIDIA Jetson Orin Nano. As compared to a state-of-the-art static approach, CADENCE decreases sensor acquisitions, power consumption, and inference latency by 9.67%, 16.1%, and 74.8%, respectively. The results demonstrate an overall reduction in energy expenditure by 75.0%, along with an increase in navigation accuracy by 7.43%.