ADM-Fusion：自適應深度多感測器融合，實現多樣條件下的魯棒自我運動估計
提出ADM-Fusion，一種端到端深度學習多感測器融合方法，採用自適應感測器混合專家框架和內容感知路由，動態分配感測器權重，並分離平移和旋轉分支，透過跨任務注意力機制實現資訊共享。在CARLA-LOC模擬資料集訓練並在KITTI真實資料微調，展示了模擬到現實的有效遷移，在退化條件下保持魯棒性。
在自主駕駛等機器人應用中，多感測器融合是實現可靠感知的關鍵。然而，不同感測器在不同環境下可能失效，傳統固定權重的融合方法難以適應動態變化。針對這一問題，研究人員提出了一種名為ADM-Fusion的端到端深度學習方法，旨在自適應地平衡多感測器資訊，從而在多樣化和退化環境中實現魯棒的自我運動估計。
ADM-Fusion的核心是一個自適應感測器混合專家（Mixture-of-Experts）框架，透過內容感知路由機制即時動態分配各感測器輸入的權重。這意味著系統能夠根據當前環境條件和感測器狀態，智慧地調整對每個感測器的依賴程度，從而在感測器退化時仍能保持可靠的估計效能。此外，該方法將平移和旋轉估計分為兩個獨立的分支，並透過跨任務注意力機制連線，既保留了每個任務的特化處理，又允許資訊在分支間共享，提升了整體效能。
在訓練策略上，ADM-Fusion首先在CARLA-LOC模擬資料集上進行訓練，隨後在KITTI真實世界資料集上進行微調。這種模擬到現實的遷移學習策略有效降低了資料採整合本，同時保持了模型在真實場景中的適應性。實驗結果顯示，ADM-Fusion在感測器退化條件下展現出優越的魯棒性，其效能與當前最先進的方法相比毫不遜色。
這項研究為多感測器融合在複雜動態環境中的應用提供了新的思路，特別是在自動駕駛、機器人導航等領域，其自適應特性有望顯著提升系統在極端條件下的可靠性。未來，該方法可能進一步擴充套件到更多感測器型別和更復雜的任務中。論文由Hasan Moughnieh等五位作者提交，發表於arXiv，共8頁4圖，涉及機器人學和計算機視覺方向。程式碼和資料尚未公開，但研究已引發廣泛關注。