Los investigadores han desarrollado un innovador método para mejorar la navegación autónoma, centrado en la segmentación semántica de escenas LiDAR, detección de muestras fuera de distribución (OOD) y estimación de incertidumbre.

La propuesta introduce un modelo para diferenciar muestras en distribución (ID) de aquellas fuera de ella (OOD), y cuantificar las incertidumbres epistemológicas y aleatorias. Tras entrenar una red de segmentación semántica, se ajusta un Modelo de Mezcla Gaussiana (GMM) al espacio de características del modelo. Las muestras OOD se detectan verificando si sus distancias Mahalanobis al cuadrado a cada componente gaussiano corresponden a una distribución chi-cuadrado, eliminando la necesidad de un conjunto de datos adicional para el entrenamiento OOD.

En la cuantificación de la incertidumbre epistemológica, se generan múltiples GMMs a través de muestreo desde distribuciones gaussianas e inverso-Wishart, evaluando la variabilidad en las clasificaciones. Asimismo, se cuantifica la incertidumbre aleatoria a partir de la entropía de los valores de responsabilidad en componentes gaussianos.

Este enfoque ha demostrado ser superior en aplicaciones del mundo real, superando a conjuntos profundos y muestreo de logit, al detectar muestras altamente inciertas y asignarles una alta incertidumbre epistemológica. Comparando con métodos existentes, como el enfoque de ensembles profundos, se distingue por requerir menos parámetros y por su capacidad para mejorar el rendimiento en la detección de muestras OOD de manera robusta.

En conclusión, este método ofrece una solución práctica y eficiente para la navegación segura de vehículos autónomos, al permitir una interpretación precisa de su entorno a través de una segmentación semántica más robusta y confiable, mejorando así la seguridad y confiabilidad en entornos complejos.