为了确保自动驾驶的安全性，需要实时进行物体检测。尽管如此，用于自动驾驶汽车的GPU必须便宜且节能。它使当前使用的对象检测技术无法执行此任务。

最近的一篇论文建议将网络增强和修剪搜索与强化学习相结合。这样，框架会自动生成统一的网络增强和剪枝方案。然后将在这些方案下生成的模型的性能反馈给生成器。

该系统很灵活，可以自定义到层级。它是编译器感知的，并在搜索空间探索期间考虑编译器优化的影响。实验表明，可以在三星GalaxyS20等设备上实现实时3D物体检测。性能可与最先进的作品相媲美。

3D目标检测是一项重要任务，尤其是在自动驾驶应用领域。然而，在自动驾驶汽车的边缘计算设备上以有限的计算和内存资源来支持实时性能是一项挑战。为了实现这一点，我们提出了一个编译器感知的统一框架，将网络增强和修剪搜索与强化学习技术结合起来，以在资源有限的边缘计算设备上实现3D对象检测的实时推理。具体而言，使用生成器循环神经网络(RNN)自动为网络增强和修剪搜索提供统一方案，无需人工专业知识和帮助。并且可以反馈统一方案的评估性能来训练生成器RNN。