自動運転システムの信頼性向上のため、複数のセンサから得られる情報を効果的に統合する技術が重要な課題となっています。特に悪天候やセンサの故障など、環境が急速に変化する状況では、異なるセンサモダリティが異なる方式で故障するため、固定的な重み付けではなく、柔軟に補完的な情報のバランスを取ることが必要です。 新たに提案されたADM-Fusionは、環境の変化やセンサの劣化に適応するためのエンドツーエンドの深層学習ベースのマルチセンサフュージョン手法です。このシステムは適応型センサ混合専門家フレームワーク（adaptive sensor mixture-of-experts framework）を採用しており、コンテンツ認識ルーティング機構を通じてセンサ入力に対するウェイトをリアルタイムで動的に割り当てます。これにより、複数のセンサからの信号が効果的に統合され、自己位置推定（ego-motion estimation）の精度が向上します。 ADM-Fusionは、平行した並進（translation）と回転（rotation）の専用ブランチを備えており、クロスタスク注意機構（cross-task attention mechanism）を通じてこれらを結合することで、各タスク特有の専門性を保ちながら情報共有を可能にします。シミュレーション環境であるCARLA-LOCデータセットで学習した後、現実世界のKITTIデータセットでファインチューニングを行うことで、シミュレーションから実環境への効果的な転移学習を実現しています。実験結果は、このアプローチが劣化した環境条件下でも堅牢性を維持しながら、既存手法と比較して競争力のある性能を発揮することを示唆しています。