基于实例的无监督域适应用于机器人语义分割
机器人学
2026-02-17 v2
摘要
语义分割网络是机器人感知中必不可少的组件，常因部署环境的视觉分布与训练时使用的源数据集不同而出现性能下降。无监督域适应（UDA）通过在机器人部署的目标环境中无需外部监督地适应网络，利用机器人在长期运行期间自然收集的大量数据来解决这一挑战。在此设置下，UDA方法可利用环境地图跨视角的一致性，在无监督方式下对模型进行微调，以缓解域迁移。然而，这些方法对跨视角实例级不一致性仍然敏感。本文提出一种方法，首先从体积化3D地图生成跨视角一致的伪标签，然后利用零样本实例分割能力的基础模型对这些标签进行细化，以实现实例级一致性。细化后的标注作为自监督微调的监督信号，使机器人能够在部署时自行适应其感知系统。实验表明，我们的方法在无需目标域任何真实标签的情况下，始终优于基于跨视角一致性的最新UDA基线方法。
引用
@article{arxiv.2602.01389,
title = {Instance-Guided Unsupervised Domain Adaptation for Robotic Semantic Segmentation},
author = {Michele Antonazzi and Lorenzo Signorelli and Matteo Luperto and Nicola Basilico},
journal= {arXiv preprint arXiv:2602.01389},
year = {2026}
}
备注
Accepted for publication at ICRA 2026