この論文は、2026年9月3日にarXiv:2609.04364として提出された。著者はTyler Landle氏を含む5名であり、ロボティクス（cs.RO）およびシステム制御（eess.SY）に分類される。研究の背景には、自動運転車（AV）の計画アルゴリズムが車載センサーの情報に依存する一方で、センサーの視界が交通状況や遮蔽物によって制限されるという問題がある。
論文が提案するConductorは、エッジコンピューティングを用いて、地理的領域内のコネクテッド自動運転車（CAV）と路側ユニット（RSU）から得られる情報を融合する。固定アンカー、例えばRSUを基準点とすることで、統一された世界モデルを構築し、その領域内にいるCAVの将来軌道を予測する。これにより、単車のオンボードセンサーでは捉えにくい周辺状況を補い、交通流の改善や衝突防止といった品質指標を高めることが期待される。
Conductorの特徴は、厳しい情報鮮度（Age of Information, AoI）予算を守りながら、融合するCAVの数を動的に制限する点にある。従来の手法では各AVが他のアクターの情報をローカルに融合しており、アクター数が増えるとスケーラビリティと結果の質がともに低下する。Conductorはすべての車両データを常に使うのではなく、その周期で最も良い結果をもたらすと期待される車両だけを選ぶことで、計算負荷と通信遅延を抑える。
具体的には、Conductorはオクルージョン考慮型セレクタとランタイムコントローラという2つのコンポーネントを持つ。オクルージョン考慮型セレクタは、RSUのカバレッジでは検出できない物体を自車のセンサーで捉えているCAVを優先し、融合後の世界モデルの死角を補う。ランタイムコントローラは、各サイクルで融合するCAV入力の数と軌道予測の量を調整し、処理が常にAoI時間予算内に収まるようにする。
評価はCAVシミュレーション基盤で行われ、最大31台のCAVが関与する複数の交通シナリオを対象とした。その結果、Conductorのセレクタとコントローラを組み合わせた機構は、すべてのシナリオでAoI安全境界を満たした。さらに、融合の忠実度は理論上の最適解であるOracleに近く、同じAoI制約の下でランダム選択よりもはるかに高い性能を示した。この研究は、リアルタイム制約と拡張性を両立するエッジ支援型の協調認識・意思決定に寄与するものと言える。