该研究提出了利用异方差不确定性的鲁棒的实时 LiDAR 3D 物体检测器，其多损失函数设计了不确定性预测，使网络忽略嘈杂的样本并专注于信息性的样本，超过基线方法近 9％的平均精度。此外，该方法在只需要 72 毫秒的推理时间内，在 KITTI 物体检测基准上产生了最先进的结果，对于自动驾驶应用非常理想。

Sep, 2018

应用于自动驾驶和手术机器人等许多安全关键应用中，从对象检测模块获取预测不确定性以帮助支持安全决策是可取的。本文中我们介绍了一种方法用于解决单个对象定位任务的边界框的不确定性问题。我们使用现有技术来校准回归模型，实验表明所得出的校准模型得到了更可靠的不确定性估计。

Nov, 2018

本文提出了一种新的 UAD 方法，用于解决锚点法中现有不确定性评估方法的限制，通过在框偏移的四个方向（左、右、上、下）中捕获不确定性，一定程度上解决了现有方法中对异构目标性质的建模不准确、对误差的估计不准确等问题。

Jun, 2020

基于局部线性化的方法来通过神经网络传播稳定的概率分布，以量化其输出的不确定性。

Feb, 2024

本文讨论了使用现代神经网络进行多目标检测的方法，并考虑了该检测方法的不确定性。作者提出了一些对象定位的精度检测方法，并研究了对检测误差的影响。该文章还讨论了空间不确定性的问题，并介绍了一些校准方法。最后，作者结合以往方法，展示了在车辆自动驾驶等场景中实现定位校准的应用。

Feb, 2023

我们提出了一种基于几何的方法来估计不确定性，它可通过后处理模型校准来实现，避免了重新训练和更改模型，经多个数据集和模型的详细评估显示出更好的不确定性估计，并且可在接近实时应用中使用。

Jun, 2022

优化深度神经网络中的不确定性估计是安全关键应用中的一个重要问题。本文提出了利用准确度与不确定性之间的关系进行优化的方法，通过可微的 loss 函数来实现模型的不确定性校准，结果显示比现有的方法在大规模图像分类任务中表现的更好

Dec, 2020

这篇论文提出了一种新的采样免费的不确定性估计方法，称为 CertainNet，旨在为自主驾驶对象检测中的物体性，类别，位置和大小提供分离的不确定性，该方法使用了一个不确定性感知的热图，并利用检测器提供的相邻边界框，同时也提出了一种评估位置和大小不确定性的新指标。

Oct, 2021

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

通过提出基于误差对齐的不确定性优化方法和引入可训练的损失函数来估算深度神经网络的不确定性，以取得与模型误差相关性强的不确定性预测。该方法适用于连续结构化预测和回归任务，并在包括大规模车辆运动预测任务的多个数据集上进行评估，通过 Pearson 相关系数表明我们的方法提高了平均位移误差和不确定性与模型误差之间的相关性。

Dec, 2022