克服定位不确定性的局限：高效且精确的非线性后处理与校准

在真实世界环境中稳健且准确地定位物体可能具有挑战性，原因在于噪声数据、硬件限制以及物理系统固有的随机性。为考虑这些因素，现有工作通过将目标检测器的定位输出建模为高斯分布 $\mathcal{N}(\mu,\,\sigma^{2})$ 并以损失衰减（loss attenuation）进行训练，来估计其偶然不确定性（aleatoric uncertainty）。我们指出了现有技术中尚未解决但值得深入探究的三个方面：（1）$\mathcal{N}(\mu,\,\sigma^{2})$ 通过非线性后处理的高效且数学上严谨的传播，（2）预测不确定性的校准，以及（3）其解释。我们克服这些局限的方式为：（1）在 EfficientDet 中实现损失衰减，并提出两种用于输出分布精确且快速传播的确定性方法；（2）在 KITTI 与 BDD100K 数据集上证明预测不确定性存在误校准，并将两种校准方法适配于定位任务；（3）探究偶然不确定性与任务相关误差源之间的相关性。我们的贡献在于：（1）传播速度最高提升五倍，同时将定位性能提高至多 1%；（2）期望校准误差最高减小十五倍；（3）发现预测不确定性与遮挡、物体距离、检测精度及图像质量相关。