在安全关键的机器人系统中部署单目深度神经网络（DNN）时，可靠的不确定性估计至关重要。传统的不确定性估计方法，如集成方法和基于采样的方法，需要对每张图像进行多次推理，导致大量的计算和内存开销。此外，从单张图像预测的不确定性无法衡量同一区域不同视图之间预测结果的不一致性。为了解决这些问题，研究者提出了UfM*（Uncertainty from Motion*），一种高效的多视图不一致性估计算法。
UfM*的核心思想是通过比较前一视图和当前视图，利用紧凑的高斯混合模型来测量多视图不一致性。与先前使用点云的方法相比，使用高斯混合模型计算多视图不一致性不仅在计算和内存效率上更高，还能通过测量三维空间区域之间的不一致性来改善不确定性估计。具体而言，UfM*将每个视图的深度预测表示为高斯混合模型，然后通过比较相邻视图的高斯混合模型来量化预测的不一致性。这种方法仅需对每张图像进行一次DNN推理，从而避免了多次推理的开销。
为了验证UfM*的有效性，研究者在100个分布外的ScanNet序列上进行了实验。结果表明，将UfM*与偶然不确定性结合使用，相比集成方法，预期校准误差（ECE）降低了24-28%。同时，UfM*仅需集成方法3%的能量和0.02%的内存。在硬件性能方面，UfM*在Arm Cortex-A76 CPU上以30 FPS实时运行，每张224x224图像仅消耗63 mJ的能量。这一能耗水平使得UfM*非常适合部署在能量受限的微型机器人上。
该研究强调了使用高斯混合模型测量多视图不一致性可以为资源受限的机器人系统提供高效的不确定性估计。论文标题为“UfM*: Uncertainty from Motion* for DNN Depth Estimation Using Gaussians”，由Soumya Sudhakar等三位作者完成，共18页，15张图，提交于2026年5月21日，属于机器人学（cs.RO）领域。