論文の概要: ADM-Fusion: Adaptive Deep Multi-Sensor Fusion for Robust Ego-Motion Estimation in Diverse Conditions

• arxiv url: http://arxiv.org/abs/2606.25111v1
• Date: Tue, 23 Jun 2026 19:38:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.127624
• Title: ADM-Fusion: Adaptive Deep Multi-Sensor Fusion for Robust Ego-Motion Estimation in Diverse Conditions
• Title（参考訳）: ADM-Fusion: 多様な条件下でのロバストエゴ運動推定のための適応型深部マルチセンサフュージョン
• Authors: Hasan Moughnieh, Ibrahim Ghaddar, Hadi Elham, Imad H. Elhajj, Daniel Asmar,
• Abstract要約: 本研究では,環境変化やセンサ劣化に適応するエンド・ツー・エンドの深層学習に基づくマルチセンサ融合法を提案する。 ADM-Fusionは、適応型センサー混在フレームワークとコンテンツ対応ルーティングを使用して、リアルタイムでセンサー入力に重みを動的に割り当てる。 実験の結果, ADM-Fusionは既存の手法と競合する性能を維持しつつ, 劣化条件下では頑健であることがわかった。
• 参考スコア（独自算出の注目度）: 2.442012266709327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust multi-sensor fusion is essential for reliable autonomy in diverse and degraded environments, where sensor reliability can fluctuate rapidly. Because different modalities fail in distinct ways, effective fusion should adaptively balance complementary cues rather than rely on fixed weighting. This adaptability is particularly important for ego-motion estimation, since accurate updates depend on the consistent integration of complementary sensor information. We propose ADM-Fusion, an end-to-end deep learning based multi-sensor fusion method designed to adapt to environmental changes and sensor degradation. ADM-Fusion employs an adaptive sensor mixture-of-experts framework with content-aware routing to dynamically assign weights to sensor inputs in real time. The system further incorporates separate translation and rotation branches, coupled through a cross-task attention mechanism to preserve task-specific specialization while enabling information sharing. ADM-Fusion is trained on the CARLA-LOC simulated dataset and subsequently fine-tuned on KITTI real-world data, demonstrating effective simulation-to-real transfer. Experiments show that ADM-Fusion remains robust under degraded conditions while maintaining competitive performance against existing methods.
• Abstract（参考訳）: センサの信頼性が急速に変動する多様な劣化環境において、ロバストなマルチセンサ融合は信頼性の高い自律性に不可欠である。 異なるモダリティは異なる方法で失敗するため、効果的な融合は固定重み付けに頼るのではなく、相補的なキューを適応的にバランスさせるべきである。 正確な更新は相補的なセンサ情報の一貫した統合に依存するため、この適応性はエゴモーション推定において特に重要である。 本研究では, 環境変化やセンサ劣化に対応するために, エンドツーエンドの深層学習に基づくマルチセンサ融合手法であるADM-Fusionを提案する。 ADM-Fusionは、適応型センサー混在フレームワークとコンテンツ対応ルーティングを使用して、リアルタイムでセンサー入力に重みを動的に割り当てる。 さらに、タスク固有の特殊化を保ちながら情報共有を可能にするために、クロスタスクアテンション機構を介して、別々の翻訳と回転ブランチを結合する。 ADM-Fusionは、CARLA-LOCシミュレーションデータセットに基づいてトレーニングされ、その後、KITTIの実世界のデータに基づいて微調整され、効果的なシミュレーションから現実への転送を示す。 実験の結果, ADM-Fusionは既存の手法と競合する性能を維持しつつ, 劣化条件下では頑健であることがわかった。

関連論文リスト

• Uncertainty-Aware Adaptive Sensor Fusion for Autonomous Navigation [0.0]
  この研究は、視覚慣性オドメトリー(VIO)の自律ナビゲーションにおけるポーズ推定精度を高めるために、Unscented Kalman Filter (UKF)と統合されたハイブリッドディープラーニングアプローチを導入する。 提案モデルでは、慣性計測ユニット(IMU)データから時間的依存を効果的に捉えるために、ViT(Vision Transformer)ネットワークを使用している。 予測不確実性を学習プロセスに明示的に組み込むことにより,ノイズ,不完全,信頼できないセンサ入力下での堅牢かつ正確なナビゲーションを可能にする。
  論文  参考訳（メタデータ） (2026-06-03T20:59:42Z)
• Function-Space ADMM for Decentralized Federated Learning: A Control Theoretic Perspective [10.517508846742682]
  分散統合学習(FL)は、中央サーバーが存在しないエッジシステム上で機械学習モデルをトレーニングするための有望なアプローチである。 FedF-ADMMは関数空間内の損失関数の凸性を利用して、交互方向法乗算器を導出する。 実験により、FedF-ADMMは既存の分散FL法よりも高速でより安定した収束を実現することが示された。
  論文  参考訳（メタデータ） (2026-05-10T06:11:46Z)
• Towards Dexterous Embodied Manipulation via Deep Multi-Sensory Fusion and Sparse Expert Scaling [6.026400295270904]
  DeMUSEは、RGB、深さ、および6軸の力を統一されたシリアライズストリームに統合するフレームワークである。 AdaMNは、モダリティを意識した特徴の再検討、表現の不均衡の緩和に使用される。 統合認知目的は、物理的整合性を確保するために、環境進化とアクションシーケンスを同期的に合成する。
  論文  参考訳（メタデータ） (2026-02-23T12:12:51Z)
• DGFusion: Depth-Guided Sensor Fusion for Robust Semantic Perception [57.77346327566903]
  意味知覚に対する最先端のセンサー融合アプローチは、しばしば入力の空間的範囲にわたってセンサーデータを均一に扱う。 本稿では,深度情報の統合による条件認識融合を改良する,深度誘導型マルチモーダル融合法を提案する。 提案手法は,挑戦的なMUSESデータセットとDELIVERデータセット上で,最先端のパノプティクスとセマンティックセマンティックセグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2025-09-11T20:03:00Z)
• CAFuser: Condition-Aware Multimodal Fusion for Robust Semantic Perception of Driving Scenes [56.52618054240197]
  本研究では,運転シーンのロバストな意味認識のための条件対応型マルチモーダル融合手法を提案する。 CAFuserは、RGBカメラ入力を用いて環境条件を分類し、コンディショントークンを生成する。 我々のモデルは、特に悪条件シナリオにおいて、ロバスト性と精度を著しく向上させる。
  論文  参考訳（メタデータ） (2024-10-14T17:56:20Z)
• Modality Prompts for Arbitrary Modality Salient Object Detection [57.610000247519196]
  本論文は、任意のモーダリティ・サリエント物体検出(AM SOD)の課題について述べる。 任意のモダリティ、例えばRGBイメージ、RGB-Dイメージ、RGB-D-Tイメージから有能なオブジェクトを検出することを目的としている。 AM SODの2つの基本的な課題を解明するために,新しいモード適応トランス (MAT) を提案する。
  論文  参考訳（メタデータ） (2024-05-06T11:02:02Z)
• Multi-Point Integrated Sensing and Communication: Fusion Model and Functionality Selection [99.67715229413986]
  本稿では,複数のISACデバイスからの出力を融合させて高感度化を実現する多点ISAC(MPISAC)システムを提案する。 我々は,仮説テストと最適投票分析により,融合精度を予測する融合モデルを採用する。
  論文  参考訳（メタデータ） (2022-08-16T08:09:54Z)
• Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
  本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。 予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。 我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
  論文  参考訳（メタデータ） (2019-12-30T20:25:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。