基于模型的强化学习中，模拟经验往往被视为与真实环境的经验等价。然而，当模型不准确时，它可能对策略学习造成灾难性干扰。相反，智能体可以学习模型的准确性，并仅在可以提供可靠预测时有选择地使用它。我们通过实证研究探讨了模型不确定性测量与选择性规划，并展示了最佳结果需要分布不敏感推理来估计基于模型的更新的不确定性。为此，我们提出并评估了一种基于边界框的推理方法，它在可能状态和其他量的边界框上进行操作。我们发现，基于边界框的推理能够可靠地支持有效的选择性规划。

Jun, 2024

本论文研究基于概率集成框架实现自回归结构化预测任务中的不确定性估计，并提供了 WMT'14 英语 - 法语、WMT'17 英语 - 德语翻译和 LibriSpeech 语音识别数据集上的基准测试结果。

Feb, 2020

通过扩展自回归模型到三维领域并改进其容量和可扩展性，本文提出了一种名为 Argus3D 的新框架，利用离散表示学习基于潜在向量的三维形状生成，大大降低计算成本并保留几何细节，同时通过简单地连接各种条件输入来实现条件生成能力。经过广泛实验验证，Argus3D 在多个类别上能够合成多样化和真实的三维形状，并取得了显著的性能提升。

Feb, 2024

本文提出了一种针对自动驾驶车辆 3D 物体检测任务的新型两阶段 3D 物体检测方法，通过深度卷积神经网络回归两个额外的 3D 物体属性并与二维和三维框之间的级联几何约束相结合，旨在获取 3D 空间中物体位置的最佳解。

Sep, 2019

通过引入可见性属性和计算策略，提出了一种新的算法以扩展自主驾驶的功能，从而增强实时自主驾驶在实际场景中的安全性和可靠性。

Mar, 2024

通过引入预测不确定性，我们采用两步法的适应性确保了多对象检测的容器边界框的预测可靠性.

Mar, 2024

该研究提出了一种基于自回归先验的方法来解决三维形状完形、重建和生成等多模态三维任务，该方法可以在一个任意集合的空间查询位置上对三维形状建模，从而在不同的条件下执行形状补齐。

Mar, 2022

本研究介绍了一种轻量级的不确定性估计器，通过将符合预测与深度学习回归器相结合，能够预测多模态（不相交）的不确定性界限。我们特别讨论了它在视觉里程计中的应用，该应用中环境特征，如飞行领域的对称性和模糊和遮挡下的传感器测量，可能导致多模态不确定性。我们的模拟结果显示，在我们的框架中，不确定性估计根据具有挑战性的操作条件自适应地调整每个样本，例如明显的噪声、有限的训练数据和有限的预测模型参数大小。我们还开发了一种推理框架，利用这些稳健的不确定性估计并结合基于光流的推理来提高预测准确性。因此，通过恰当地考虑数据驱动学习的预测不确定性，并通过基于规则的推理关闭其估计循环，我们的方法在所有这些具有挑战性的场景中始终优于传统的深度学习方法，通过减少预测误差 2-3 倍。

Sep, 2023

通过神经对象表示学习对象形状分布并将其映射到潜在空间，我们利用不确定性感知编码器直接从单个输入图像生成具有不确定性的潜在代码以模拟 3D 物体重建领域中的不确定性，并在贝叶斯框架下提出增量融合方法来融合多视角观测的潜在编码，从而提高 3D 对象重建的准确性。

Jun, 2023

本研究利用以前方法估计地面真实边框参量的不确定性来改进激光雷达概率目标检测器的检测准确性。实验结果表明，我们的方法在平均精度方面比基线模型和基于简单启发式方法的模型提高了高达 3.6%。

Aug, 2020