照明条件に応じてRGBと赤外線を適応融合する自律追尾タレットシステムの評価

- RGB と LWIR の映像ストリームを複数の fusion ratio で融合し、照明条件ごとに最適な detection model を動的に選択する adaptive framework を提案する研究。 - 緊急サービス分野の自律ロボットプラットフォーム（災害地の search and rescue、reconnaissance など）を想定した turret system の評価。 - 3つの光量レベル（no-light <10 lux、dim-light 10-1000 lux、full-light >1000 lux）を対象とする。

- 従来の RGB detection pipeline は低照度環境で苦戦し、thermal-based system は色・テクスチャ情報を欠くという課題がある。 - 本研究は RGB と LWIR を融合し、照明条件ごとにモデルを動的選択することでこの限界を克服しようとする点が特徴。 - 評価では最良の full-light model（80/20 RGB-LWIR）と dim-light model（90/10 fusion）がそれぞれ 92.8%、92.0% の mean confidence を達成し、YOLOv5n と YOLOv11n の baseline を有意に上回った。

- RGB と LWIR の aligned frame を 11 種類の ratio（full RGB 100/0 から full LWIR 0/100 まで 10% 刻み）で blending して fusion を実施。 - 3つの光量レベルにまたがる 22,000 枚以上の annotated image を用いて 33 個の YOLO model を訓練。 - 照明条件ごとに最適な detection model を動的に選択する adaptive framework を構成。

- 3つの光量レベル（no-light、dim-light、full-light）にわたる 22,000 枚以上の annotated image で 33 個の YOLO model を訓練し評価。 - full-light では 80/20 RGB-LWIR が 92.8%、dim-light では 90/10 fusion が 92.0% の mean confidence を達成し、YOLOv5n・YOLOv11n baseline を有意に上回った。 - no-light では最良の 40/60 fusion が 71.0% で baseline を上回ったが、統計的有意差はなかった。

- Adaptive RGB-LWIR fusion は全照明条件で detection confidence と reliability を改善し、自律ロボット vision の性能を高めると主張。 - no-light 条件では改善が統計的に有意ではなく、限界が示唆される。 - 具体的な失敗要因や計算コスト、実環境展開への議論は要旨からは不明。

- 比較対象として用いられた YOLOv5n（YOLOv5 nano）と YOLOv11n（YOLOv11 nano）の原論文。 - RGB-LWIR fusion や thermal 検出に関する関連研究（要旨では個別論文名の参照なし）。 - 同分野の定番として YOLO 系 detection model や multispectral fusion のサーベイ論文。