في عالم القيادة الذاتية، يُعتبر كشف الأجسام (Object Detection) عنصراً حيوياً لضمان السلامة. ولذلك، تعد القدرة على تقدير عدم اليقين في التنبؤات الخاصة بصناديق الحدود (Bounding Boxes) ضرورية في بناء أنظمة موثوقة. في خطوة مبتكرة، تمّ تطوير طريقة جديدة تُعرف بـ Monte-Carlo Generalized Linearized Model (MC-GLM) لتقدير عدم اليقين على مستوى الحالة (Instance-Level) دون الحاجة إلى إعادة تدريب النماذج، مما يتماشى مع متطلبات التطبيقات الواقعية.

النهج التقليدي الذي يعتمد على أساليب الاستنتاج الخطية يتطلب الكثير من العمليات الخلفية لتقدير عدم اليقين، مما يجعله غير فعّال من حيث الوقت. بالمقابل، تقوم الطريقة الجديدة باستخدام تقريب لابلاس (Laplace Approximation) لتقدير عدم اليقين بطريقة أسرع وأكثر كفاءة.

تتميز الطريقة بكون عدد العينات المطلوبة في خطوة مونت كارلو (Monte Carlo) ثابتًا وغير متأثر بعدد الحالات الناتجة، مما يسمح بإمكانية معالجة البيانات بشكل متوازي.

أظهرت التجارب التي أُجريت على مجموعة بيانات nuScenes باستخدام كاشف CenterPoint فعالية هذا الأسلوب، حيث أظهرت النتائج تباينًا جيدًا في تقديرات عدم اليقين، مما يُعزز أهمية هذا البحث في تطوير أنظمة القيادة الذاتية الآمنة والموثوقة.