安全-criticalなロボットシステムに単眼深度ニューラルネットワーク（DNN）を展開するには、信頼性の高い不確実性推定が不可欠である。従来の不確実性推定手法であるアンサンブルやサンプリングベースのアプローチは、画像ごとに複数回の推論を必要とし、多大な計算およびメモリオーバーヘッドを伴う。さらに、単一画像から予測される不確実性では、同じ領域の異なるビュー間での予測の不一致を測定できない。この問題を解決するために、研究者らはUfM*（Uncertainty from Motion*）を提案した。これは、コンパクトなガウス混合モデルを用いて前のビューと現在のビューを比較することにより、多視点の不一致を効率的に測定する不確実性推定アルゴリズムである。
UfM*の中心的なアイデアは、各ビューの深度予測をガウス混合モデルとして表現し、隣接するビューのガウス混合モデルを比較することで予測の不一致を定量化することである。この方法は、画像ごとに1回のDNN推論しか必要としないため、複数回の推論のオーバーヘッドを回避できる。また、ガウス混合モデルを用いることで、点群を用いた従来手法よりも計算およびメモリ効率が高く、3D空間の領域間の不一致を測定することで不確実性推定を改善できる。
UfM*の有効性を検証するため、研究者らは100の分布外ScanNetシーケンスで実験を行った。その結果、UfM*を偶発的不確実性と組み合わせることで、アンサンブル法と比較して期待キャリブレーション誤差（ECE）が24〜28%低減されることが示された。同時に、UfM*はアンサンブル法のわずか3%のエネルギーと0.02%のメモリしか必要としない。ハードウェア性能の面では、UfM*はArm Cortex-A76 CPU上で30 FPSのリアルタイム動作を実現し、224x224画像あたりわずか63 mJのエネルギーを消費する。このエネルギー消費レベルは、エネルギーに制約のある小型ロボットへの展開に適している。
この研究は、ガウス混合モデルを用いて多視点の不一致を測定することが、リソース制約のあるロボットシステムに効率的な不確実性推定を提供できることを強調している。論文のタイトルは「UfM*: Uncertainty from Motion* for DNN Depth Estimation Using Gaussians」で、Soumya Sudhakarら3名の著者によって執筆され、全18ページ、15図からなり、2026年5月21日にロボティクス（cs.RO）分野に投稿された。