基于机器人的域适应目标检测

移动机器人依赖目标检测器进行感知和室内环境中的目标定位。然而，标准封闭集方法难以处理实际家庭和实验室中遇到的多样化目标和动态条件。由视觉语言模型(VLM)驱动的开放词汇目标检测(OVOD)超越固定标签，但仍在室内环境中面临域迁移问题。我们引入一种无源域适应(SFDA)方法，通过不访问源数据来适应预训练模型。我们通过时序聚类细化伪标签，采用多尺度阈值融合，并应用对比学习的Mean Teacher框架。我们的机器人域适应目标检测(EDAOD)基准在灯光、布局和目标多样性的顺序变化下进行评估。我们的实验显示，在零样检测性能和对动态室内环境的灵活适应方面显著提升。