LiDARセマンティックセグメンテーションは、自動運転車や移動ロボットの知覚の中核をなす能力である。しかし安全な運用には、予測がいつ信頼できないかを知ることも不可欠だ。既存手法は一般にsoftmax信頼度に依存しているが、これは校正が不十分で過信しがちである。一方、モンテカルロドロップアウトやアンサンブルによるより強力な不確実性推定は計算コストが高く、リアルタイム利用が難しい。この課題に対処するため、Kerim TuracanらはInvascalと名付けた新しいフレームワークを提案した。最小限の計算オーバーヘッドで、良好に校正された不確実性を考慮したLiDAR距離画像セマンティックセグメンテーションを実現することを目指している。
手法の中心は、新規でアーキテクチャ非依存の不確実性対応Adapter Headである。このヘッドは予測を二つの部分に分解する。Preference Headはクラスランキングを担当し、Strength Headは不確実性評価を精緻化する。この分解により、エビデンシャルDirichlet表現を原理的に構築することが可能になる。さらに著者らは、逆真空自己校正目的関数（Invascal）を提案する。この目的関数は強度信号を直接監督し、信頼性が高く良好に校正された不確実性推定を生成すると同時に、証拠の無限増大を防ぐ。
有効性を検証するため、研究チームは複数のLiDARデータセットと複数のバックボーンアーキテクチャで評価を実施した。Invascalを決定論的学習、モンテカルロドロップアウト、アンサンブル、および従来のエビデンシャル手法と比較した。実験の結果、本手法はほとんど計算コストを増やすことなく、不確実性校正を一貫して改善し、従来の決定論的手法を上回った。同時に、競争力のあるセグメンテーション精度を維持しており、従来のエビデンシャル手法がしばしば示す性能劣化を回避している。
この研究の意義は、リアルタイムLiDARセマンティックセグメンテーションに対して実用的な不確実性定量化手法を提供する点にある。softmax信頼度の過信問題を避けつつ、MCドロップアウトやアンサンブルの高い計算コストも克服している。本論文は2026年IEEE第29回知能交通システム国際会議（ITSC）に採択されており、自動運転やロボット知覚分野への応用が期待される。