Invascal: 不確実性を考慮したLiDARレンジビューセマンティックセグメンテーションのための逆空孔自己校正

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にとって重要な知覚能力ですが、安全な運用には予測が信頼できない場合を知ることも不可欠です。既存手法は通常、ソフトマックス信頼度に依存しますが、これはしばしば誤校正され過信傾向にあります。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不確実性推定は強力ですが、リアルタイム利用には計算負荷が高くなります。

この問題に対処するため、研究チームはアーキテクチャに依存しない不確実性認識アダプタヘッドを導入しました。この機構は予測を選好ヘッド（クラスランキング用）と強度ヘッド（不確実性評価用）に分解し、原理に基づいた証拠的ディリクレ表現を構築します。さらに、逆空孔自己校正目的関数（Invascal）を提案し、強度信号を直接監視することで信頼性が高く校正された不確実性推定を生成し、証拠の無制限な成長を防ぎます。

具体的には、アダプタヘッドは既存のLiDARセマンティックセグメンテーションネットワークに挿入可能で、バックボーンアーキテクチャの変更は不要です。Invascal目的関数は、強度信号と理想的な不確実性との差を最小化するように最適化され、証拠がゼロまたは無限大に退行するのを防ぐ正則化項を含みます。実験はnuScenesやSemanticKITTIなど複数のLiDARデータセットで実施され、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、従来の証拠的手法と比較されました。結果、Invascalは最小限の計算オーバーヘッドで不確実性校正を一貫して改善し、期待校正誤差（ECE）を30%以上低減しました。同時に、競争力のあるセグメンテーション精度を維持し、従来の証拠的手法で見られた性能低下を回避しました。また、物体境界や遠距離点群において優れた不確実性推定能力を示しました。

本論文は2026年IEEE第29回ITS国際会議（ITSC）に採択され、著者はKerim Turacanら4名です。コードとモデルはオープンソース化される予定で、今後の研究のベンチマークとなることが期待されます。