본 연구는 확률적 모델링(probabilistic modeling) 및 다운스트림 통합(downstream integration)에 초점을 맞추어, 자동차 레이더의 도래각 (DOA, direction of arrival) 추정을 위한 불확실성 인지 딥러닝(uncertainty-aware deep learning) 접근 방식을 조사합니다. 원형 통계(circular-statistics) 기반의 Von Mises (VM) 앙상블 (ENS)을 정규 역감마 (normal inverse gamma) 공식에 기반한 증거 기반 딥러닝 (EDL, evidential deep learning) 프레임워크와 비교하며, 이는 유클리드 영역에서 Student t 예측 분포를 생성합니다. ENS 프레임워크는 (mu, kappa)로 매개변수화된 각도 예측을 생성하여, 방향 기하학(directional geometry)과 일치하는 해석 가능한 불확실성을 가능하게 합니다. 성능은 위험 커버리지(risk coverage) 및 ROC 또는 AUROC 분석을 사용하여 분포 내(in distribution) 및 다중 분포 외(out-of-distribution) 조건 하에서 평가됩니다. 결과에 따르면, ENS는 명목 조건(nominal conditions)에서 더 낮은 불확실성을 달성하고 심각한 섭동(perturbations)에 대해 더 강한 민감도를 보이는 반면, EDL은 더 부드러운 불확실성 변화와 약간 향상된 순위 일관성(ranking consistency)을 제공합니다. 중요한 점은, ENS 표현이 폐쇄형 VM 가능도(closed form VM likelihoods)를 통해 연관 모듈(association modules)로 직접적인 확률적 통합을 가능하게 하여, 통합된 탐지 추적 파이프라인(detection tracking pipeline)을 용이하게 한다는 것입니다. 이러한 발견은 불확실성 인지 DOA 추정에서 기하학적 일관성(geometric consistency)과 통계적 일반성(statistical generality) 사이의 트레이드오프(trade-off)를 강조합니다.