$α$-OCC: Uncertainty-Aware Camera-based 3D Semantic Occupancy Prediction

要約

自律的な車両の認識の領域では、計画やマッピングなどのタスクの3Dシーンを理解することが最重要です。
カメラベースの3Dセマンティック占有率（OCC）は、限られた観測からシーンのジオメトリとセマンティクスを推測することを目的としています。
手頃な価格と豊かな視覚的な手がかりのために人気を博していますが、既存の方法はモデルに固有の不確実性を無視することがよくあります。
これに対処するために、不確実性に対応するOCCメソッド（$ \ alpha $ -occ）を提案します。
最初に、幾何学の完了を最大11.58 \％に改善し、セマンティックセグメンテーションをさまざまなOCCモデルで最大12.95％\％にする不確実性伝播フレームワークである深度アップを紹介します。
不確実性の定量化（UQ）については、階層的コンフォーマル予測（HCP）メソッドを提案し、OCCデータセットの高レベルクラスの不均衡を効果的に処理します。
ジオメトリレベルでは、新しいKLベースのスコア機能により、パフォーマンスが最小限のオーバーヘッド（3.4 \％削減）を伴う安全性クリティカルクラスの占有リコール（45 \％）が大幅に改善されます。
UQでは、HCPは定義されたカバレッジ保証を維持しながら、予測セットのサイズが小さくなります。
ベースラインと比較して、最大92 \％のセットサイズを削減し、深さと統合すると18 \％がさらに減少します。
当社の貢献は、OCCの正確性と堅牢性を進め、自律的な知覚システムで注目に値する一歩を踏み出します。

要約(オリジナル)

In the realm of autonomous vehicle perception, comprehending 3D scenes is paramount for tasks such as planning and mapping. Camera-based 3D Semantic Occupancy Prediction (OCC) aims to infer scene geometry and semantics from limited observations. While it has gained popularity due to affordability and rich visual cues, existing methods often neglect the inherent uncertainty in models. To address this, we propose an uncertainty-aware OCC method ($\alpha$-OCC). We first introduce Depth-UP, an uncertainty propagation framework that improves geometry completion by up to 11.58\% and semantic segmentation by up to 12.95\% across various OCC models. For uncertainty quantification (UQ), we propose the hierarchical conformal prediction (HCP) method, effectively handling the high-level class imbalance in OCC datasets. On the geometry level, the novel KL-based score function significantly improves the occupied recall (45\%) of safety-critical classes with minimal performance overhead (3.4\% reduction). On UQ, our HCP achieves smaller prediction set sizes while maintaining the defined coverage guarantee. Compared with baselines, it reduces up to 92\% set size, with 18\% further reduction when integrated with Depth-UP. Our contributions advance OCC accuracy and robustness, marking a noteworthy step forward in autonomous perception systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google