激光雷达语义分割是自动驾驶车辆与移动机器人感知系统的核心能力之一。然而，安全运行不仅取决于能否准确识别周围环境，还取决于系统是否知道自己的预测何时不可靠。针对这一需求，Kerim Turacan 等四位作者在 2026 年 5 月 20 日提交至 arXiv 的论文《Invascal: Inverse-Vacuity Self-Calibration for Uncertainty-Aware LiDAR Range-View Semantic Segmentation》提出了一套轻量化的不确定性感知方案，该论文已被 2026 年 IEEE 第 29 届国际智能交通系统大会（ITSC）接收，归类于机器人学（cs.RO），并涉及图像与视频处理（eess.IV）方向。
论文指出，现有方法通常依赖 softmax 置信度来衡量预测的可信程度，但这类置信度往往校准不良且过度自信，难以真实反映模型的不确定性。更可靠的不确定性估计手段，如蒙特卡洛 dropout 或模型集成，虽然效果更好，却计算开销巨大，难以满足实时运行的要求。这一矛盾在自动驾驶这类对时延敏感的场景中尤为突出：系统既要快速给出分割结果，又要准确判断哪些区域的预测值得信任。
为弥合这一差距，作者设计了一种全新的、与架构无关的不确定性感知 Adapter Head。该模块将预测分解为两个分支：Preference Head 负责类别排序，Strength Head 则用于细化不确定性评估。通过这种分解，模型能够以有原则的方式构建证据型狄利克雷（Dirichlet）表示，(将分类输出转化为对各类别证据量的分布刻画)，从而在不显著增加计算负担的前提下获得更丰富的不确定性信息。
在 Adapter Head 的基础上，作者进一步提出了名为 Invascal 的逆真空自校准目标函数。该方法直接对 Strength Head 输出的强度信号进行监督，使其产生可靠且校准良好的不确定性估计，同时防止证据量无限制增长——后者是证据深度学习中的常见问题，会导致模型过度自信、校准失效。Invascal 的核心思想在于利用逆真空机制对证据强度进行自我校准，使不确定性估计既不过度膨胀也不过度收缩。
实验方面，研究团队在多个激光雷达数据集和多种骨干网络架构上对该框架进行了评估，并与确定性训练、蒙特卡洛 dropout、模型集成以及此前的证据型方法进行了对比。结果显示，该方法以极小的计算开销，在不确定性校准方面持续优于传统确定性方法；与此同时，它保持了具有竞争力的分割精度，而此前的证据型方法往往会出现性能下降。这一结果意味着，自动驾驶感知系统有望在不牺牲实时性和精度的前提下，获得更可信的自我评估能力，为安全决策提供重要支撑。
论文全文以 PDF、实验性 HTML 及 TeX 源码形式在 arXiv 上公开，编号为 arXiv:2606.00069v1，DOI 为 10.48550/arXiv.2606.00069，提交文件大小约 2.5 MB。