鸟瞰图分割的预测不确定性量化：基准测试与新型损失函数

融合原始传感器数据以创建鸟瞰图表示对于自动驾驶车辆的规划和控制至关重要。尽管使用深度学习模型进行BEV语义分割的兴趣日益增长，但预测分割错误和增强这些模型的可解释性仍未被充分探索。本文为BEV分割中的预测不确定性量化引入了一个全面的基准测试，在三个流行数据集上使用三种代表性网络架构评估了多种不确定性量化方法。我们的研究侧重于量化不确定性在检测误分类和分布外像素方面的有效性，同时改进模型校准。通过实证分析，我们揭示了现有不确定性量化方法中的挑战，并展示了证据深度学习技术的潜力，该技术能够捕获偶然不确定性和认知不确定性。为应对这些挑战，我们提出了一种新颖的损失函数——不确定性焦点交叉熵（UFCE），专门针对高度不平衡的数据设计，以及一个简单的不确定性缩放正则化项，该正则化项改进了BEV分割的不确定性量化和模型校准。