論文要約：V2X における多クラス LiDAR 3D 物体検出のためのクラス適応型協調知覚

1. 背景と課題 (Problem)

自律走行技術の発展に伴い、車両と路側インフラがセンサーデータを共有し、単独では不可能な広範囲かつ高精度な環境認識を実現する「協調知覚（Cooperative Perception）」が注目されています。特に V2X（Vehicle-to-Everything）システムでは、複数のエージェント（自車、他車、インフラ）からの LiDAR データを融合することで、死角や遠距離の物体検出性能を向上させることが期待されています。

しかし、既存の協調知覚手法には以下の重大な課題が存在します。

1. 均一な融合戦略の限界: 既存の手法は、歩行者、乗用車、トラックなど、形状やサイズ、LiDAR 点群の密度が全く異なる多様な物体クラスに対して、同一の融合戦略（Uniform Fusion）を適用しています。
   • 歩行者: 小型で点群が疎（スパース）であり、ダウンサンプリングにより特徴量が失われやすい。
   • トラック: 大型で広範囲にまたがるため、広範な文脈（コンテキスト）情報が必要。
   • 乗用車: 上記の中間的な特性を持つ。
     これらの異なる幾何学的特性を無視した均一な処理は、検出性能の最適化を妨げています。
2. 評価プロトコルの偏り: 多くの研究は特定の協力モード（V2V や V2I のみ）や、車両クラスに偏った評価に留まっており、歩行者やトラックを含む多クラス検出の性能が十分に検証されていません。
3. クラス不均衡: 学習データセットが車両に偏っているため、歩行者やトラックといった少数クラスの勾配信号が埋もれ、検出精度が低下する問題があります。

2. 提案手法 (Methodology)

本論文では、これらの課題を解決するため、クラス適応型協調知覚アーキテクチャ（Class-Adaptive Cooperative Perception Architecture）を提案しました。このアーキテクチャは、物体クラスごとの幾何学的特性に合わせて特徴融合と学習を最適化する 4 つの中核コンポーネントで構成されています。

2.1 マルチスケールウィンドウアテンション (Multi-Scale Window Attention)

• 目的: 物体のサイズに応じた受容野（Receptive Field）の適応。
• 仕組み: 2x2, 4x4, 8x8, 16x16 という 4 つの異なるウィンドウサイズで特徴マップを分割し、それぞれで自己アテンションを計算します。
• クラス適応ルーティング: 学習されたルーティングネットワークが、各空間位置の物体クラス（歩行者か大型車か）に基づいて、最適なスケール（ウィンドウサイズ）の重みを動的に決定します。これにより、歩行者には微細なスケールを、トラックには広範なスケールを優先的に利用できます。

2.2 クラス固有の融合ブロック (Class-Specific Fusion Block)

• 目的: 物体クラスごとの特徴融合経路の分離。
• 仕組み: クラスを「小型物体（歩行者）」と「大型物体（車・トラック）」の 2 つのグループに分類し、それぞれに専用のアテンション経路（パス）を設けます。
  • 小型物体パス: 高キャパシティなアテンションヘッドと微細な空間解像度を維持し、詳細な位置情報を保持します。
  • 大型物体パス: 広範な受容野を用いて、物体全体をカバーする文脈情報を集約します。
• これらの経路で融合された特徴を結合し、統一された協調特徴表現を生成します。

2.3 マルチスケール BEV 增强化モジュール (Multi-Scale BEV Enhancement)

• 目的: 融合後の特徴マップにおける多解像度の文脈情報の強化。
• 仕組み:
  • **ASPP **(Atrous Spatial Pyramid Pooling): 異なる拡張率（dilation rates: 1, 3, 6, 12）を持つ並列の空洞畳み込みを用いて、多スケールの文脈情報を抽出します。
  • **SE **(Squeeze-and-Excitation) 抽出された特徴チャネルの重要度を再評価し、検出に有用な特徴を強調します。
  • これにより、遠距離や疎な点群を持つ物体に対してもロバストな検出が可能になります。

2.4 クラスバランス損失 (Class-Balanced Loss)

• 目的: データセットのクラス不均衡への対応。
• 仕組み: 学習時にクラスごとの重み付けを行います。歩行者（少数クラス）の分類損失と回帰損失の重みを、乗用車（多数クラス）に対してそれぞれ 3 倍、2 倍に増幅します。これにより、少数クラスに対する勾配信号を強化し、学習の偏りを是正します。

3. 主要な貢献 (Key Contributions)

1. クラス適応型融合アーキテクチャの提案: 既存の「均一融合」の仮定を打破し、物体クラスごとの特性に合わせた特徴経路ルーティングを導入することで、多クラス検出性能を大幅に向上させました。
2. マルチスケール処理の統合: マルチスケールウィンドウアテンションとマルチスケール BEV 增强化を組み合わせ、異なる空間スケールを持つ物体の局所化精度を向上させました。
3. クラスバランス損失の適用: データ不均衡を損失関数レベルで解決し、歩行者やトラックの検出精度を向上させつつ、全体の mAP を維持・向上させました。
4. 包括的な実験評価: 実世界データセット「V2X-Real」を用い、VC（車両中心）、IC（インフラ中心）、V2V、I2I、V2I の全 5 つの協力モードにおいて、既存の強力なベースライン（F-Cooper, AttFuse, V2X-ViT）と比較評価を行いました。

4. 実験結果 (Results)

V2X-Real データセットを用いた実験において、提案手法はすべての協力モードと物体クラスで既存手法を上回る性能を示しました。

• 全体性能: 全協力モードにおいて、平均精度平均値（mAP@0.5）で最も高い性能を記録しました。特にインフラが関与するモード（IC, I2I）では、路側センサーの視点の利点をクラス適応的に活用し、大幅な改善が見られました。
• トラック検出: 最大の改善が見られたのはトラックです。V2V モードではベースライン（AttFuse）に対し、AP@0.5 で +8.1 ポイントの向上を達成しました。大型物体パスによる広範な受容野の活用が寄与しています。
• 歩行者検出: 歩行者検出も +1.8 ポイント（V2V モード）向上し、特にインフラ中心モードでは +4.5 ポイントの改善が見られました。微細なウィンドウアテンションとクラスバランス損失が有効に機能しました。
• 乗用車検出: 歩行者やトラックの性能向上に伴い、乗用車の性能も維持または微増しており、バランスの取れた多クラス検出を実現しました。
• 計算コスト: 提案手法はパラメータ数と推論時間がベースライン（V2X-ViT）より約 18-19% 増加しますが、得られる精度向上（mAP で +3.7〜6.3 ポイント）と比較して許容範囲であり、実用性を考慮したトレードオフです。

5. 意義と結論 (Significance)

本論文は、V2X 協調知覚において「すべての物体を同じように扱う」という従来のパラダイムを見直し、物体クラスごとの幾何学的特性と点群密度の違いを融合戦略に反映させることの重要性を実証しました。

• 技術的意義: 単一の融合戦略では対応しきれない多様な物体クラスを、適応的な経路ルーティングと損失重み付けによって効率的に処理する新しいアーキテクチャを確立しました。
• 実社会への貢献: 歩行者やトラックといった脆弱な道路利用者や大型車両の検出精度向上は、自動運転の安全性向上に直結します。特に、インフラとの協調（V2I, I2I）において、路側センサーの特性を活かした高精度な認識が可能になることは、スマートシティや高度な交通システムの実現に寄与します。

今後は、通信帯域幅の制約下での効率的なクラス適応型融合や、さらに多様な物体クラス・センサーモダリティへの拡張が今後の課題として挙げられています。