CALI：基于粗到细对齐的可部署自主导航可通行性预测无监督域适应
机器人学
2022-04-21 v1
摘要
可通行性预测是自主导航的一项基础感知能力。不同域中数据的多样性给感知模型的预测性能带来了显著差距。本工作中，我们致力于通过提出一种新颖的粗到细无监督域适应（UDA）模型——CALI 来缩小这些差距。我们的目标是以高数据效率迁移感知模型，消除代价高昂的数据标注，并提升从易获取源域到各类挑战性目标域适应过程中的泛化能力。我们证明粗对齐与细对齐的组合可相互增益，并进一步设计了先粗后细的对齐过程。本工作桥接了理论分析与算法设计，从而得到一个训练简便稳定的高效 UDA 模型。我们在多个挑战性域适应设定下展示了所提模型相较多个基线的优势。为进一步验证模型有效性，我们将感知模型与视觉规划器结合构建导航系统，并在无标注数据可用的复杂自然环境中展示了模型的高可靠性。
引用
@article{arxiv.2204.09617,
title = {CALI: Coarse-to-Fine ALIgnments Based Unsupervised Domain Adaptation of Traversability Prediction for Deployable Autonomous Navigation},
author = {Zheng Chen and Durgakant Pushp and Lantao Liu},
journal= {arXiv preprint arXiv:2204.09617},
year = {2022}
}