Query2Uncertainty：面向分布偏移下3D目标检测的鲁棒不确定性量化与校准

可靠的不确定性估计是安全部署自动驾驶系统的关键，然而当前的3D目标检测器在校准方面表现不佳，尤其在面临分布偏移时。分布偏移指的是训练数据和测试数据之间存在差异，例如不同的天气条件、地理位置或传感器设置，这会导致模型预测的置信度不准确。尽管后处理校准方法能够改善分布内测试的校准质量，但它们无法适应分布偏移场景，因为它们的校准参数是固定的。针对这一挑战，来自亚琛工业大学（RWTH Aachen University）等机构的研究人员提出了Query2Uncertainty方法，这是一种密度感知的校准方法，通过将后处理校准器与DETR风格3D检测器中潜在目标查询的特征密度相结合，实现了对分类和边界框回归不确定性的联合重校准。DETR（Detection Transformer）风格检测器使用一组可学习的查询（queries）来预测目标，这些查询在解码过程中形成紧凑且包含位置和类别信息的特征表示。作者观察到，这些查询特征在高维空间中形成聚类，非常适合进行密度估计。通过在这些查询特征上拟合一个密度估计器（如高斯混合模型），方法能够在分布偏移场景中自适应地调整模型置信度。实验表明，无论是基于多视角相机的检测器（如BEVFormer）还是基于LiDAR的检测器（如TransFusion），Query2Uncertainty在分布内和分布偏移场景中均持续优于标准后处理方法，例如温度缩放和等张回归。具体来说，在相机检测器上，该方法在分布偏移下的预期校准误差（ECE）降低了约30%，在LiDAR检测器上降低了约25%。研究团队已在GitHub上发布了代码，以便社区复现和进一步研究。该论文已被CVPR 2026接收，标志着在3D目标检测不确定性量化领域迈出了重要一步。