Abstract
悪天候下での堅牢な3D物体検出は、異なるセンサーの信頼性が変動するために非常に困難です。既存のLiDAR-4Dレーダー融合手法は堅牢性を向上させていますが、主として固定された、または弱く適応的なパイプラインに依存しており、環境条件の変化に応じてモダリティの嗜好（優先度）を動的に調整できていません。このギャップを埋めるために、我々はマルチモーダル知覚を「天候条件付きの分岐ルーティング問題」として再定式化します。単一の融合出力を計算する代わりに、提案手法は3つの並列な3D特徴ストリームを明示的に維持します：純粋なLiDARブランチ、純粋な4Dレーダーブランチ、および条件ゲーティングされた融合ブランチです。視覚的および意味的なプロンプトから抽出した条件トークンによって導かれ、軽量なルーターがサンプルごとの重みを動的に予測し、これらの表現をソフトに集約します。さらに、ブランチの崩壊（branch collapse）を防ぐために、天候を教師信号とする学習戦略を導入します。補助分類と多様性の正則化を用いて、条件に依存した異なるルーティング挙動を強制します。K-Radarベンチマークでの広範な実験により、提案手法が最先端の性能を達成することを示します。さらに、モダリティ嗜好に関する明示的で非常に解釈可能な洞察を提供し、多様な悪天候シナリオにおいて、適応的なルーティングがLiDARと4Dレーダー間の依存をどのように堅牢に切り替えるかを透明に明らかにします。ソースコードは公開される予定です。
