未知环境中基于信息路径规划的半监督主动学习语义分割

语义分割使机器人能够感知和推理其环境，超越几何信息。大多数此类系统基于深度学习方法。由于自主机器人通常部署在初始未知的环境中，在静态数据集上的预训练无法总是涵盖各种领域，从而限制了机器人在任务中的感知性能。最近，自监督和全监督主动学习方法出现以改进机器人的视觉。这些方法依赖于大规模域内预训练数据集或需要大量人工标注工作。我们提出了一种用于语义分割的半监督主动学习规划方法，与全监督方法相比，大幅减少了人工标注需求。我们利用一个自适应的基于地图的规划器，引导向具有高模型不确定性的未探索空间前沿，收集用于人工标注的训练数据。我们方法的一个关键方面是将稀疏的高质量人工标签与从高度确定的环境地图区域自动提取的伪标签相结合。实验结果表明，我们的方法在显著减少人工标注工作量的同时，达到了接近全监督方法的分割性能，并且优于自监督方法。