Query2Uncertainty：面向分佈偏移下3D目標檢測的魯棒不確定性量化與校準

可靠的不確定性估計是安全部署自動駕駛系統的關鍵，然而當前的3D目標檢測器在校準方面表現不佳，尤其在面臨分佈偏移時。分佈偏移指的是訓練資料和測試資料之間存在差異，例如不同的天氣條件、地理位置或感測器設定，這會導致模型預測的置信度不準確。儘管後處理校準方法能夠改善分佈內測試的校準質量，但它們無法適應分佈偏移場景，因為它們的校準引數是固定的。針對這一挑戰，來自亞琛工業大學（RWTH Aachen University）等機構的研究人員提出了Query2Uncertainty方法，這是一種密度感知的校準方法，透過將後處理校準器與DETR風格3D檢測器中潛在目標查詢的特徵密度相結合，實現了對分類和邊界框迴歸不確定性的聯合重校準。DETR（Detection Transformer）風格檢測器使用一組可學習的查詢（queries）來預測目標，這些查詢在解碼過程中形成緊湊且包含位置和類別資訊的特徵表示。作者觀察到，這些查詢特徵在高維空間中形成聚類，非常適合進行密度估計。透過在這些查詢特徵上擬合一個密度估計器（如高斯混合模型），方法能夠在分佈偏移場景中自適應地調整模型置信度。實驗表明，無論是基於多視角相機的檢測器（如BEVFormer）還是基於LiDAR的檢測器（如TransFusion），Query2Uncertainty在分佈內和分佈偏移場景中均持續優於標準後處理方法，例如溫度縮放和等張迴歸。具體來說，在相機檢測器上，該方法在分佈偏移下的預期校準誤差（ECE）降低了約30%，在LiDAR檢測器上降低了約25%。研究團隊已在GitHub上釋出了程式碼，以便社群復現和進一步研究。該論文已被CVPR 2026接收，標誌著在3D目標檢測不確定性量化領域邁出了重要一步。