自動運転車やモバイルロボットの安全な運用には、予測の信頼性を判断する能力が不可欠です。LiDAR意味セグメンテーションはこうした自律システムの中核となる知覚機能ですが、従来のソフトマックス信頼度スコアはしばしば校正不良で過度に自信を持ってしまう問題がありました。より正確な不確実性推定にはモンテカルロドロップアウトやアンサンブル法が有効ですが、リアルタイム処理が必要な実運用環境では計算コストが高すぎるという課題がありました。 これに対応する形で、研究者たちは新しいアーキテクチャ非依存の不確実性認識アダプタヘッドを提案しました。この手法は予測を2つのコンポーネントに分解します。クラスランキング用の「優先度ヘッド」と不確実性評価を洗練させる「強度ヘッド」です。この設計により、証拠的ディリクレ分布の原理的な構築が可能になります。さらに提案された逆空隙自己キャリブレーション目的関数（Invascal）は、強度信号を直接監督することで、信頼性の高いよく校正された不確実性推定を生成しながら、証拠の無制限増殖を防止します。 複数のLiDARデータセットとバックボーンアーキテクチャを用いた評価では、提案手法は決定論的学習法、モンテカルロドロップアウト、アンサンブル法、および先行研究の証拠的手法と比較されました。実験結果は、提案手法が従来の決定論的手法に対して最小限の計算オーバーヘッドで一貫して不確実性校正を改善しながら、セグメンテーション精度の競争力を保つことを示しています。先行する証拠的手法ではしばしば性能低下が見られるのに対し、本手法はこうした課題を克服しています。