BOLT：準備不要のオンライン軽量適応による異種協調認識

要旨: 既存のほとんどの異種（heterogeneous）協調知覚手法は、オフラインの共同学習や、共同協力者モデルの調整（tailored collaborator-model adaptation）といった事前準備に依存しています。しかし、このような前処理は一般に現実の状況では実行が難しいものです。というのも、エージェントは通常、異なる開発者によって独立に学習されており、オンライン上でたまに遭遇するからです。本研究では、準備不要（preparation-free）な異種協調知覚を調査します。これは、事前のデプロイ協調（pre-deployment coordination）を行わずに、独立に学習された単一エージェント検出器をエージェントが用いる設定です。この設定では、エージェント間の直接クロスエージェント融合（direct cross-agent fusion）が、自己知覚（ego-only perception）だけの場合に比べて大きく性能が劣ることを見いだします。そこで本研究では、BOLTを提案します。BOLTは軽量なプラグアンドプレイ（plug-and-play）モジュールであり、自己（ego）を教師（teacher）とみなす蒸留（ego-as-teacher distillation）によって、近隣の特徴をオンラインで適応させます。必要なのは、教師ラベル（ground-truth labels）ではなく自己の予測（ego predictions）だけです。BOLTは、高い信信頼度（high-confidence）の自己知覚特徴を用いて、特徴の領域間整合（cross-agent feature-domain alignment）を導きます。その一方で、自己の低信頼度領域（low-confidence regions）では、近隣（neighbors）が特徴を寄与できるようにします。学習可能パラメータはわずか0.9Mのみで、準備不要の設定において、BOLTは何も適応しない（vanilla）融合に比べてAP@50を最大32.3ポイント向上させます。DAIR-V2XおよびOPV2Vにおいて、異なるエンコーダの組み合わせや融合戦略のいずれにおいても、自己知覚のみの結果を一貫して上回ります。コード: https://github.com/sidiangongyuan/BOLT。