在自动驾驶系统中，实现低延迟的环境感知至关重要。然而，在实时处理过程中，周围环境可能在处理完成前已发生变化，而当前的检测模型无法应对处理完成后出现的环境动态变化。为评估实时视频感知中的延迟与精度，研究提出了流式感知（streaming perception）框架。但在实际应用中，受限于硬件资源、高温等复杂因素，又衍生出一系列新问题。为此，本文提出一种能够实时反映处理延迟并输出最合理结果的模型。通过引入所提出的特征队列（feature queue）与特征选择模块（feature select module），系统可在不增加任何计算开销的前提下，实现对未来特定时间步状态的预测。该方法在Argoverse-HD数据集上进行了验证，结果显示，在存在延迟的情况下，其性能优于2022年12月时的最先进方法。相关代码已开源，地址为：https://github.com/danjos95/DADE。