Von Mises Based Uncertainty Quantification for Closely Spaced Automotive Radar Targets
作者: Vinay Kulkarni, V. V. Reddy
分类: eess.SP, cs.AI, math.PR
发布日期: 2026-06-30
备注: 12 pages, 5 figures
💡 一句话要点
提出基于Von Mises的不确定性量化方法以解决汽车雷达目标估计问题
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)
关键词: 方向到达估计 不确定性量化 深度学习 汽车雷达 概率建模 目标跟踪 圆统计
📋 核心要点
- 现有的DOA估计方法在处理不确定性时存在不足，难以有效应对复杂的环境变化。
- 论文提出了一种基于Von Mises的集成框架ENS，能够生成与方向几何一致的可解释不确定性预测。
- 实验结果显示，ENS在正常条件下的不确定性较低，并对扰动的敏感性更强，提升了DOA估计的可靠性。
📝 摘要（中文）
本研究探讨了针对汽车雷达方向到达（DOA）估计的不确定性感知深度学习方法，重点在于概率建模及其下游集成。通过将基于圆统计的Von Mises（VM）集成（ENS）与基于正态反伽马分布的证据深度学习（EDL）框架进行比较，得到了在欧几里得域中的Student t预测分布。ENS框架生成由（mu，kappa）参数化的角度预测，使得不确定性与方向几何相一致。通过风险覆盖和ROC或AUROC分析评估了在分布内和多种分布外条件下的性能。结果表明，ENS在正常条件下实现了较低的不确定性，并对严重扰动表现出更强的敏感性，而EDL则提供了更平滑的不确定性变化和略微改善的排名一致性。ENS表示法通过闭式VM似然直接集成到关联模块中，促进了统一的检测跟踪管道。
🔬 方法详解
问题定义：本研究旨在解决汽车雷达中方向到达（DOA）估计的不确定性问题。现有方法在处理复杂环境下的目标识别和跟踪时，往往无法有效量化和应对不确定性。
核心思路：论文提出了一种基于Von Mises分布的集成框架ENS，能够通过参数化的角度预测（mu，kappa）来实现不确定性的可解释性，并与方向几何相一致。这样的设计使得不确定性量化更加直观和有效。
技术框架：整体架构包括数据输入、ENS框架的构建、概率预测生成、以及与关联模块的集成。ENS框架通过闭式VM似然实现与下游任务的无缝连接，形成统一的检测跟踪管道。
关键创新：ENS框架的核心创新在于其基于圆统计的设计，使得不确定性预测不仅具有几何一致性，还能直接应用于实际的目标关联任务。这一方法与传统的EDL框架相比，提供了更强的敏感性和可解释性。
关键设计：在关键设计方面，ENS使用了Von Mises分布的参数（mu，kappa）来描述角度预测，并通过风险覆盖和ROC分析来评估模型性能。损失函数的设计也考虑了不确定性量化的需求，确保模型在不同条件下的鲁棒性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，ENS在正常条件下的不确定性显著低于EDL，并且在面对严重扰动时表现出更强的敏感性。具体而言，ENS在风险覆盖和AUROC分析中均表现出优越性，显示出其在复杂环境下的应用潜力。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶、智能交通系统以及其他需要高精度目标跟踪的场景。通过提高DOA估计的可靠性和可解释性，该方法能够为自动驾驶车辆提供更安全的环境感知能力，促进智能交通的进一步发展。
📄 摘要（原文）
This work investigates uncertainty-aware deep learning approaches for direction of arrival (DOA) estimation in automotive radar, focusing on probabilistic modeling and downstream integration. A circular-statistics-based von Mises (VM) ensemble (ENS) is compared with an evidential deep learning (EDL) framework based on a normal inverse gamma formulation, yielding a Student t predictive distribution in the Euclidean domain. The ENS framework produces angular predictions parameterized by (mu, kappa), enabling interpretable uncertainty aligned with directional geometry. Performance is evaluated under in distribution and multiple out-of-distribution conditions using risk coverage and ROC or AUROC analyses. Results indicate that ENS achieves lower uncertainty under nominal conditions and exhibits stronger sensitivity to severe perturbations, whereas EDL provides smoother uncertainty variation and slightly improved ranking consistency. Importantly, the ENS representation enables direct probabilistic integration into association modules via closed form VM likelihoods, facilitating a unified detection tracking pipeline. These findings highlight a trade-off between geometric consistency and statistical generality in uncertainty-aware DOA estimation.