Il Framework Neural Distribution Prior Migliora il Rilevamento di Oggetti Fuori Distribuzione nei Sistemi LiDAR per la Guida Autonoma

Uno studio recente introduce il framework Neural Distribution Prior (NDP), concepito per superare le carenze dei sistemi di percezione basati su LiDAR utilizzati nei veicoli autonomi. I modelli esistenti spesso incontrano difficoltà nell'identificare oggetti inattesi fuori distribuzione (OOD) a causa della loro dipendenza da assunzioni di distribuzione di classe chiusa e uniforme. Il framework NDP modella efficacemente le caratteristiche distribuzionali delle previsioni della rete, rivalutando in modo adattivo i punteggi OOD in base a un prior distributivo appreso. Questo metodo cattura i pattern di distribuzione dei logit dai dati di addestramento e mitiga i bias di confidenza dipendenti dalla classe attraverso un meccanismo basato sull'attenzione. Inoltre, la ricerca affronta lo squilibrio di classe significativo presente nel rilevamento OOD LiDAR, che le attuali funzioni di punteggio trascurano. Presenta anche una tecnica di sintesi OOD basata sul rumore di Perlin per generare campioni di addestramento variati. La percezione LiDAR è essenziale per la guida autonoma, specialmente in scenari di illuminazione e visibilità difficili. Questa ricerca è stata pubblicata come arXiv:2604.09232v2, classificata sotto replace-cross.