面向带不确定性的深度旋转学习的 SO(3) 信念平滑表示

基于摘要分析。本文研究机器人视觉里程计与物体姿态估计中的三维旋转回归，提出 SO(3) 的对称矩阵表示，将旋转表示的平滑性与不确定性建模结合，用于训练具备不确定性感知能力的深度旋转回归模型。 核心机制包括两个方面：该表示具有适合大幅度旋转目标回归的平滑性质；同时，它编码单位四元数空间上的对称 Bingham 信念分布。作者认为，前者有助于改善收敛与泛化，后者支持模型表达旋转估计的不确定性。摘要未给出矩阵参数化、旋转解码、具体损失及 OOD 拒绝判据，其实现细节尚未验证。 作者报告，在合成点云的任意旋转目标回归实验中，该表示相较既有表示取得更高预测精度；在地面与空中载具采集的图像上，基于该表示的 OOD 拒绝技术提高了旋转估计对未见环境影响和损坏输入图像的鲁棒性，且不要求使用显式似然损失、随机采样或辅助分类器。摘要未提供具体数据集名称、数据划分、对照表示、指标数值及拒绝覆盖率，实验协议、消融及统计信息尚未验证。 本研究的主要对象是机器人感知中的旋转估计，并非 EEG 解码或 BCI。材料未提供其在神经信号任务中的验证，不能将上述不确定性建模与 OOD 结果直接视为 BCI 有效性证据；相关 EEG 工作尚未检索确认。