近年、異なるセンサモダリティ（例：RGB、赤外線、深度、LiDAR、イベント）の利点を活用した歩行者検出への研究注目が高まっています。しかし、多様なセンサモダリティを効果的に処理できる統一的な汎用モデルの設計は依然として課題となっています。本論文では、マルチモーダル感知向けの新しい汎用モデルであるMMPedestronを紹介します。従来の専門モデルが特定の1つまたは2つのモダリティ入力のみを処理するのに対し、MMPedestronは複数のモーダル入力とその動的な組み合わせを処理することができます。提案手法は、モダリティ表現と融合のための統一エンコーダと歩行者検出用の汎用ヘッドから構成されています。さらに、適応型マルチモーダル特徴量融合のために2つの追加学習トークン（MAAおよびMAF）を導入しています。また、MMPDデータセットという初めての大規模ベンチマークを構築しました。このベンチマークは既存の公開データセットと新規収集されたEventPedデータセットを含んでおり、RGB、赤外線、深度、LiDAR、イベントデータなど幅広いセンサモダリティをカバーしています。マルチモーダル共同訓練により、当社のモデルは特定センサモダリティ向けに最適化された最先端モデルを超える多くの歩行者検出ベンチマークで最先端の性能を達成しました。例えば、COCO-Personsで71.1 AP（平均精度）、LLVIPで72.6 AP（平均精度）を達成しています。特にCrowdHumanにおいては30倍少ないパラメータでInternImage-Hモデルと同等の性能を達成しており、その有効性が示されています。コードとデータはhttps://github.com/BubblyYi/MMPedestron から入手可能です。