การประมาณค่าสถานะ (State Estimation) ในรถยนต์ไร้คนขับมักประสบปัญหาเมื่อเผชิญกับสภาพแวดล้อมที่ซับซ้อนในโลกจริง งานวิจัยนี้จึงนำเสนอ Adaptive Multi-modal KalmanNet (AM-KNet) ซึ่งเป็นการพัฒนาต่อยอดจาก KalmanNet เพื่อให้เหมาะกับการทำงานร่วมกับเซนเซอร์หลายประเภท ทั้ง Radar, Lidar และกล้อง
จุดเด่นของ AM-KNet คือการใช้โมดูลวัดผลเฉพาะสำหรับเซนเซอร์แต่ละชนิด เพื่อเรียนรู้ลักษณะสัญญาณรบกวน (Noise) ที่แตกต่างกัน พร้อมทั้งใช้ Hypernetwork ในการปรับตัวตามประเภทเป้าหมาย สถานะการเคลื่อนที่ และตำแหน่งสัมพัทธ์ นอกจากนี้ยังมีการเพิ่มส่วนการประมาณค่าความแปรปรวนร่วม (Covariance Estimation) เพื่อให้ระบบมีความเสถียรและแม่นยำสูงขึ้น เมื่อทดสอบกับชุดข้อมูลมาตรฐานอย่าง nuScenes และ View-of-Delft พบว่าระบบสามารถทำงานได้ใกล้เคียงกับตัวกรอง Bayesian แบบดั้งเดิมในขณะที่มีความยืดหยุ่นมากกว่า
