불확실성 보정 신뢰도 맵을 이용한 강건한 센싱

구조 골격

본 논문은 감지된 영상 증거가 공간적으로 얼마나 신뢰할 수 있는지를 반영하는 신뢰도 맵을 추정한다.

물리학 개념 / 수학적 대상

이동 가능한 객체는 공간적으로 변화하는 관측 가능성을 갖는 역문제이다: 일부 영역은 신뢰할 수 있는 정보를 전달하는 반면, 다른 영역은 계측기 제한을 받는다.

AI 타겟 문제

가려짐(occlusion) 하에서의 타겟 멀티모달 센싱, 인식 또는 월드 모델 업데이트는 시스템이 언제 관측을 신뢰하고 언제 사전 구조(prior structure)에 의존해야 하는지를 알아야 하는 경우에 해당한다.

변수/연산자/목표 매핑

• 물리적 관찰 가능성 한계 -> 국소 신뢰도 점수
• 신뢰도 맵 -> 추론 또는 데이터 융합을 위한 게이팅 필드
• 희소 신뢰 영역 -> 불확실성 하에서의 재구성을 위한 앵커

이것이 왜 효과가 있을 수 있는지

신뢰도 필드는 모델이 신뢰할 수 없는 관측치에 과적합(overfitting)되는 것을 방지하며, 재구성 노력(reconstruction effort) 또는 인간 검토(human review)를 어디에 할당할지 결정할 수 있다.

왜 실패할 수 있는지

만약 신뢰도(confidence) 필드가 제대로 보정되지 않았다면, 이는 단순히 또 다른 노이즈 신호를 추가하는 것에 불과하다. 또한, 모델이 어려운 영역을 무시하도록 유도하여 해당 영역을 통해 추론하는 것을 학습하지 못하게 할 수 있다.

가장 작은 반증 가능한 실험

명시적인 신뢰도 필드(confidence field)를 사용하여 특징 융합(feature fusion) 또는 디코더 업데이트(decoder updates)를 게이팅(gating)하는 경우와 그렇지 않은 경우에 대한 인식 모델(perception model)을 학습시킨다. 구조화된 손상(structured corruption) 또는 가림(occlusion) 하에서 평가한다. 신뢰도 인식 게이팅이 보정(calibration) 또는 의사 결정 품질(decision quality)을 열악한 감지(degraded sensing) 하에서 개선하지 못할 경우, 제안을 거부한다.