LEO：自動運転アプリケーション向け、拡張多センサ融合およびトラッキングのためのグラフ注意ネットワークに基づくハイブリッド拡張物体（Extended Object）融合・追跡
arXiv cs.LG / 2026/4/3
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、ハイブリッドなマルチセンサ融合のために、時空間グラフ注意ネットワーク（spatio-temporal Graph Attention Network）である LEO（Learned Extension of Objects）を提案し、自動運転における動的な拡張物体の形状と軌跡の両方を推定する。
- ベイズ的な拡張物体モデルの頑健性と、深層学習の適応力を組み合わせることを目指し、融合重みを学習し、時間的整合性を強制しながら、関節を持つ車両を含む多スケールで複雑な幾何形状を表現する。
- LEO は、タスク固有の平行四辺形（parallelogram）による教師データ（ground-truth）定式化を用いて、他の深層アプローチで典型的に要求されるような高密度なアノテーションを不要にしつつ、難しい物体形状で学習できるようにしている。
- 本手法は、Mercedes-Benz DRIVE PILOT（SAE L3）データセット上でリアルタイム効率について評価され、さらに View of Delft（VoD）などの公開データセットでも検証し、データセットをまたいだ汎化を示す。
- 本アプローチは、センサの種類、構成、物体クラス、領域にわたって一般化でき、さらに遠距離のターゲットに対しても頑健性を維持すると報告されている。
