Bài báo này đề xuất khuôn khổ Phân đoạn toàn cảnh tập mở hướng dẫn bất định (ULOPS), giải quyết những hạn chế của các mô hình phân đoạn toàn cảnh LiDAR tập đóng hiện có, vốn không phát hiện được các trường hợp đối tượng chưa biết. Khuôn khổ này tận dụng học bằng chứng dựa trên Dirichlet để mô hình hóa độ bất định của dự đoán và tích hợp phân đoạn ngữ nghĩa với ước tính độ bất định, nhúng với các liên kết nguyên mẫu và một bộ giải mã riêng cho dự đoán lấy trường hợp làm trung tâm. Trong quá trình suy luận, các ước tính độ bất định được sử dụng để xác định và phân đoạn các trường hợp chưa biết. Để tăng cường khả năng phân biệt giữa các đối tượng đã biết và chưa biết của mô hình, ba hàm mất mát dựa trên bất định được giới thiệu: mất bằng chứng thống nhất, mất mát phân tách độ bất định thích ứng và mất mát độ bất định tương phản. Chúng tôi đánh giá hiệu suất của tập mở bằng cách mở rộng chuẩn KITTI-360 và giới thiệu một đánh giá tập mở mới trên nuScenes, chứng minh bằng thực nghiệm rằng phương pháp được đề xuất vượt trội hơn các phương pháp phân đoạn toàn cảnh LiDAR tập mở hiện có.
