OCCUQ: Exploring Efficient Uncertainty Quantification for 3D Occupancy Prediction

要約

自律運転は、生産性を大幅に向上させ、多くの社会的利益を提供する可能性があります。
特に、車両がトレーニング中に遭遇しなかった可能性のある有害な気象条件とセンサーの腐敗をナビゲートしなければならない場合、これらの安全性のあるシステムの堅牢性を確保することが不可欠です。
現在の方法は、多くの場合、敵対的な状態や分布シフトから生じる不確実性を見落とし、現実世界の適用性を制限しています。
3D占有予測の不確実性推定手法の効率的な適応を提案します。
私たちの方法は、認識論的不確実性の推定値を使用して、モデル信頼度を動的に調整します。
霧や欠落カメラなどのさまざまなカメラの破損シナリオでの評価は、このアプローチが未見えになったデータに高い不確実性値を割り当てることにより、認識論的不確実性を効果的に定量化することを示しています。
地域固有の腐敗を導入して、単一のカメラのみに影響を与える欠陥をシミュレートし、シーンレベルと地域レベルの評価の両方を通じて調査結果を検証します。
私たちの結果は、ディープアンサンブルやMCドロップアウトなどの一般的なベースラインと比較して、分散除外（OOD）検出と信頼校正の優れた性能を示しています。
私たちのアプローチは一貫して信頼できる不確実性測定を実証し、実際のシナリオで自律的な駆動システムの堅牢性を高める可能性を示しています。
コードとデータセットは、https：//github.com/ika-rwth-aachen/occuqで入手できます。

要約(オリジナル)

Autonomous driving has the potential to significantly enhance productivity and provide numerous societal benefits. Ensuring robustness in these safety-critical systems is essential, particularly when vehicles must navigate adverse weather conditions and sensor corruptions that may not have been encountered during training. Current methods often overlook uncertainties arising from adversarial conditions or distributional shifts, limiting their real-world applicability. We propose an efficient adaptation of an uncertainty estimation technique for 3D occupancy prediction. Our method dynamically calibrates model confidence using epistemic uncertainty estimates. Our evaluation under various camera corruption scenarios, such as fog or missing cameras, demonstrates that our approach effectively quantifies epistemic uncertainty by assigning higher uncertainty values to unseen data. We introduce region-specific corruptions to simulate defects affecting only a single camera and validate our findings through both scene-level and region-level assessments. Our results show superior performance in Out-of-Distribution (OoD) detection and confidence calibration compared to common baselines such as Deep Ensembles and MC-Dropout. Our approach consistently demonstrates reliable uncertainty measures, indicating its potential for enhancing the robustness of autonomous driving systems in real-world scenarios. Code and dataset are available at https://github.com/ika-rwth-aachen/OCCUQ .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google