Este artículo propone el marco de Segmentación Panóptica de Conjunto Abierto Guiada por Incertidumbre (ULOPS), que aborda las limitaciones de los modelos existentes de segmentación panóptica LiDAR de conjunto cerrado, que no detectan instancias de objetos desconocidos. Este marco aprovecha el aprendizaje de evidencia basado en Dirichlet para modelar la incertidumbre de la predicción e integra la segmentación semántica con estimaciones de incertidumbre, incrustaciones con asociaciones prototípicas y un decodificador independiente para la predicción centrada en instancias. Durante la inferencia, se utilizan estimaciones de incertidumbre para identificar y segmentar instancias desconocidas. Para mejorar la capacidad del modelo para distinguir entre objetos conocidos y desconocidos, se introducen tres funciones de pérdida basadas en la incertidumbre: pérdida de evidencia uniforme, pérdida de separación de incertidumbre adaptativa y pérdida de incertidumbre contrastiva. Evaluamos el rendimiento en conjunto abierto ampliando el benchmark KITTI-360 e introduciendo una nueva evaluación de conjunto abierto en nuScenes, demostrando experimentalmente que el enfoque propuesto supera a los métodos existentes de segmentación panóptica LiDAR de conjunto abierto.
