自動運転やロボティクスにおいて、多様で劣化した環境下での信頼性の高い自律性を実現するためには、ロバストなマルチセンサフュージョンが不可欠である。カメラは低照度や雨霧で性能が低下し、LiDARは雨雪でエコーが乱れ、レーダーはマルチパス効果の影響を受けるなど、異なるモダリティはそれぞれ異なる形で故障する。したがって、効果的なフュージョンは固定の重み付けに頼るのではなく、相補的な手がかりを適応的にバランスさせるべきである。この適応性は、正確な更新が相補的なセンサ情報の一貫した統合に依存する自己運動推定において特に重要である。
この問題に対処するため、Hasan MoughniehらはADM-Fusionを提案した。これは環境変化やセンサ劣化に適応するように設計された、エンドツーエンドの深層学習ベースのマルチセンサフュージョン手法である。その中核は、コンテンツ認識ルーティングを備えた適応型センサ専門家混合フレームワークであり、入力内容に応じて各センサの重みをリアルタイムで動的に割り当てることができる。これにより、あるセンサの性能が低下した場合にその寄与を自動的に減らし、他の信頼できるセンサの重みを強化することで、全体の推定安定性を維持できる。
ADM-Fusionのもう一つの重要な設計は、並進と回転の独立したブランチである。自己運動推定では通常、並進と回転の成分を同時に出力する必要があり、両者は異なる特性を持つ。本システムは2つのタスクを分離して処理することでタスク固有の専門性を保持しつつ、クロスタスクアテンション機構を通じて結合し、両ブランチ間で情報を共有する。この設計により、特徴を一律に共有することによる干渉を避けつつ、並進と回転の相関を利用して全体的な精度を向上させる。
訓練戦略として、ADM-FusionはまずCARLA-LOCシミュレーションデータセットで訓練される。このデータセットは豊富なアノテーションと制御可能な環境変化を提供する。その後、モデルはKITTI実世界データで微調整され、効果的なシミュレーションから実世界への転移を実現する。実験結果は、ADM-Fusionが劣化条件下でもロバスト性を維持し、既存手法と比較して競争力のある性能を持つことを示している。
本論文は2026年6月23日に投稿され、8ページ、図4点からなり、ロボティクス（cs.RO）およびコンピュータビジョンとパターン認識（cs.CV）の分野に属する。著者はHasan Moughniehを含む5名である。この研究は、実世界の複雑な環境におけるマルチセンサフュージョンの適応能力に新たな視点を提供し、将来の自動運転や移動ロボットなど、高精度な自己運動推定を必要とする場面への応用が期待される。