Query2Uncertainty：分布シフト下の3D物体検出におけるロバストな不確実性定量化とキャリブレーション

信頼性の高い不確実性推定は、安全な自動運転システムの展開にとって極めて重要であるが、現在の3D物体検出器は特に分布シフト下でのキャリブレーションが不十分である。分布シフトとは、訓練データとテストデータの間に差異がある状態を指し、例えば異なる天候条件、地理的位置、センサー設定などが原因で生じる。これにより、モデルの予測信頼度が不正確になる。後処理キャリブレーション手法は分布内テストでのキャリブレーションを改善するものの、キャリブレーションパラメータが固定されているため、分布シフトシナリオには適応できない。この問題に対して、アーヘン工科大学（RWTH Aachen University）などの研究チームは、DETRスタイルの3D物体検出器における潜在的な物体クエリの特徴密度と後処理キャリブレータを結合する密度認識キャリブレーション手法「Query2Uncertainty」を提案した。DETR（Detection Transformer）スタイルの検出器は、学習可能なクエリのセットを使用して物体を予測し、これらのクエリはデコードプロセス中にコンパクトで位置とクラスを考慮した特徴表現を形成する。著者らは、これらのクエリ特徴が高次元空間でクラスターを形成し、密度推定に適していることを発見した。これらのクエリ特徴にガウス混合モデルなどの密度推定器を当てはめることで、分布シフトシナリオにおいてモデルの信頼度を適応的に調整することが可能になる。実験では、マルチビューカメラベースの検出器（例：BEVFormer）およびLiDARベースの検出器（例：TransFusion）の両方において、Query2Uncertaintyは分布内および分布シフトシナリオの両方で標準的な後処理手法（温度スケーリング、等張回帰など）を一貫して上回る性能を示した。具体的には、カメラ検出器では分布シフト下の期待キャリブレーション誤差（ECE）が約30%削減され、LiDAR検出器では約25%削減された。研究チームはコードをGitHubで公開しており、再現性とさらなる研究を促進している。本論文はCVPR 2026に採択され、3D物体検出における不確実性定量化の分野で重要な進展を示している。