USC：面向自动驾驶安全的三维目标检测器中的不妥协空间约束

本工作中，我们关注自动驾驶场景下三维目标检测器的安全导向性能。具体而言，尽管大量文献展示了令人印象深刻的成果，开发者常发现难以确保这些基于学习的感知模型的安全部署。我们将该挑战归因于缺乏安全导向的指标，为此提出不妥协空间约束（USC），其刻画了一个简单却重要的定位要求：从自动驾驶车辆视角看，预测需完全覆盖物体。我们所形式化的基于透视视图与鸟瞰图的约束可自然由量化度量反映，使得目标检测器得分越高意味着碰撞风险越低。最后，除模型评估外，我们将量化度量融入常用损失函数，以实现对现有模型的安全导向微调。基于 nuScenes 数据集与闭环仿真的实验表明，在感知层面此类安全概念的考量不仅使模型性能超越准确率，也建立了与实际系统安全更直接的关联。