ADM-Fusion：自适应深度多传感器融合，实现多样条件下的鲁棒自我运动估计
提出ADM-Fusion，一种端到端深度学习多传感器融合方法，采用自适应传感器混合专家框架和内容感知路由，动态分配传感器权重，并分离平移和旋转分支，通过跨任务注意力机制实现信息共享。在CARLA-LOC模拟数据集训练并在KITTI真实数据微调，展示了仿真到现实的有效迁移，在退化条件下保持鲁棒性。
在自主驾驶等机器人应用中，多传感器融合是实现可靠感知的关键。然而，不同传感器在不同环境下可能失效，传统固定权重的融合方法难以适应动态变化。针对这一问题，研究人员提出了一种名为ADM-Fusion的端到端深度学习方法，旨在自适应地平衡多传感器信息，从而在多样化和退化环境中实现鲁棒的自我运动估计。
ADM-Fusion的核心是一个自适应传感器混合专家（Mixture-of-Experts）框架，通过内容感知路由机制实时动态分配各传感器输入的权重。这意味着系统能够根据当前环境条件和传感器状态，智能地调整对每个传感器的依赖程度，从而在传感器退化时仍能保持可靠的估计性能。此外，该方法将平移和旋转估计分为两个独立的分支，并通过跨任务注意力机制连接，既保留了每个任务的特化处理，又允许信息在分支间共享，提升了整体性能。
在训练策略上，ADM-Fusion首先在CARLA-LOC仿真数据集上进行训练，随后在KITTI真实世界数据集上进行微调。这种仿真到现实的迁移学习策略有效降低了数据采集成本，同时保持了模型在真实场景中的适应性。实验结果显示，ADM-Fusion在传感器退化条件下展现出优越的鲁棒性，其性能与当前最先进的方法相比毫不逊色。
这项研究为多传感器融合在复杂动态环境中的应用提供了新的思路，特别是在自动驾驶、机器人导航等领域，其自适应特性有望显著提升系统在极端条件下的可靠性。未来，该方法可能进一步扩展到更多传感器类型和更复杂的任务中。论文由Hasan Moughnieh等五位作者提交，发表于arXiv，共8页4图，涉及机器人学和计算机视觉方向。代码和数据尚未公开，但研究已引发广泛关注。