التعرف على البيئة المحيطة بزمن استجابة منخفض حاسم في القيادة الذاتية. في البيئات الزمنية الحقيقية، تتغير البيئة المحيطة أثناء عملية المعالجة. لا تملك النماذج الحالية للكشف القدرة على التعامل مع التغيرات التي تحدث في البيئة بعد انتهاء المعالجة. تم اقتراح مفهوم "الإدراك التدفقي" لتقييم زمن الاستجابة والدقة في الإدراك الفعلي للفيديو. ومع ذلك، تنشأ مشكلات إضافية في التطبيقات الواقعية بسبب محدودية الموارد المادية، وارتفاع درجات الحرارة، والعوامل الأخرى. في هذه الدراسة، نطور نموذجًا قادرًا على عكس تأخيرات المعالجة في الوقت الفعلي وإنتاج النتائج الأكثر منطقية. من خلال دمج الطريقة المقترحة لطابور الميزات (feature queue) ووحدة اختيار الميزات (feature select module)، يكتسب النظام القدرة على التنبؤ بخطوات زمنية محددة دون أي تكاليف حسابية إضافية. تم اختبار طريقة我们的 على مجموعة بيانات Argoverse-HD، وحققت أداءً أفضل من أحدث الأساليب الحالية (ديسمبر 2022) في بيئات مختلفة عند حدوث تأخير. يمكن الوصول إلى الكود من خلال الرابط: https://github.com/danjos95/DADE