在自动驾驶与机器人领域，鲁棒的多传感器融合对于在多样化和退化环境中实现可靠自主性至关重要。不同传感器模态的失效方式各异，例如摄像头在低光照或雨雾下性能下降，激光雷达在雨雪中回波受干扰，雷达则可能受多径效应影响。因此，有效的融合策略应当自适应地平衡互补线索，而不是依赖固定的权重分配。这种自适应性对于自运动估计尤为关键，因为准确的位姿更新依赖于对互补传感器信息的持续、一致整合。
针对这一问题，Hasan Moughnieh等研究者提出了ADM-Fusion，一种端到端的深度学习多传感器融合方法，旨在适应环境变化和传感器退化。该方法的核心是自适应传感器专家混合框架，并引入内容感知路由机制，能够根据输入内容实时动态地为各传感器分配权重。这意味着系统可以在某一传感器性能下降时，自动降低其贡献并增强其他可靠传感器的权重，从而维持整体估计的稳定性。
ADM-Fusion的另一个关键设计是独立的平移与旋转分支。自运动估计通常需要同时输出平移和旋转分量，两者具有不同的特性。该系统将两个任务分开处理，以保留任务特定的专业化能力，同时通过跨任务注意力机制进行耦合，使两个分支能够共享信息。这种设计既避免了一味共享特征可能带来的干扰，又利用了平移与旋转之间的相关性来提升整体精度。
在训练策略上，ADM-Fusion首先在CARLA-LOC模拟数据集上进行训练，该数据集提供了丰富的标注和可控的环境变化。随后，模型在KITTI真实世界数据上进行微调，以实现有效的模拟到真实迁移。实验结果表明，ADM-Fusion在退化条件下仍保持鲁棒性，同时与现有方法相比具有竞争力的性能。
该论文提交于2026年6月23日，共8页、4幅图，属于机器人学（cs.RO）和计算机视觉与模式识别（cs.CV）领域。作者包括Hasan Moughnieh等共5人。这项研究为多传感器融合在真实复杂环境中的自适应能力提供了新的思路，未来有望应用于自动驾驶、移动机器人等需要高精度自运动估计的场景。