Cet article propose le cadre de segmentation panoptique en ensemble ouvert guidée par l'incertitude (ULOPS), qui aborde les limites des modèles de segmentation panoptique LiDAR en ensemble fermé existants, qui ne parviennent pas à détecter les instances d'objets inconnus. Ce cadre s'appuie sur l'apprentissage des preuves basé sur la théorie de Dirichlet pour modéliser l'incertitude de prédiction et intègre la segmentation sémantique avec des estimations d'incertitude, des plongements avec des associations prototypiques et un décodeur distinct pour la prédiction centrée sur l'instance. Lors de l'inférence, les estimations d'incertitude sont utilisées pour identifier et segmenter les instances inconnues. Afin d'améliorer la capacité du modèle à distinguer les objets connus des objets inconnus, trois fonctions de perte basées sur l'incertitude sont introduites : la perte de preuve uniforme, la perte de séparation d'incertitude adaptative et la perte d'incertitude contrastive. Nous évaluons les performances en ensemble ouvert en étendant le benchmark KITTI-360 et en introduisant une nouvelle évaluation en ensemble ouvert sur nuScenes, démontrant expérimentalement que l'approche proposée surpasse les méthodes existantes de segmentation panoptique LiDAR en ensemble ouvert.
