自動運転車（AV）の開発において、深層学習モデルの役割はますます重要になっています。しかし従来の設計では、認識、計画、制御といった機能がすべて車上のコンピュータで実行される一体型アーキテクチャが採用されてきました。こうした設計は、路側インフラ（RSU）やエッジサーバー、クラウドベースのインテリジェンスと通信する協調autonomyの新しいパラダイムの可能性を見落としています。V2X（vehicle-to-everything）接続により、複数の車両が相互に情報を交換することで、認識と制御の精度が向上し、安全性と効率性が改善されるのです。 しかし協調autonomyの導入には、ネットワーク遅延、計算資源の異質性、複数テナント間のリソース競合といったシステムレベルの課題が生じます。これらの課題は大規模基盤モデルの導入によってさらに深刻化します。クラウドデプロイメントが必要な大規模モデルの遅延が、リアルタイムの意思決定に悪影響を及ぼすからです。 これらの課題に対応するため、研究チームはCADET（Cooperative Autonomy through Distributed Experimentation Toolkit）を開発しました。CADETは、現実的な展開条件下で協調autonomyシステムを体系的かつ再現可能に評価できるモジュール型プラットフォームです。AVスタックを構成可能なモジュールに分割し、車両、インフラ、エッジ・クラウドレイヤーに柔軟にデプロイできます。ネットワークとワークロードのトレース駆動型エミュレーション機能を備え、V2V（vehicle-to-vehicle）およびV2I（vehicle-to-infrastructure）実験を通じて、デプロイメント選択が安全性に及ぼす影響を定量評価します。実験の結果、V2V意図パケットはクラウドベース認識より優れたパフォーマンスを示し、RSUによる支援は過負荷に至るまで安全性を維持することが確認されました。CADETはオープンソース化されており、完全な車両シミュレーションを必要としない分散推論ワークロードベンチマーク研究にも活用できます。