一种半监督的域名适应方法用于Sim2Real在自动采矿卡车中的对象检测
Lunfeng Guo1,2,3, Yinan Guo1,2,3, Jiayin Liu1,4
1School of Mechanical and Electrical Engineering, China University of Mining and Technology (Beijing), Beijing 100000, China.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
阿达米克斯是一个新的半监督域适应物体检测 (SSDA-OD) 框架,提高了开放式采矿中自动卡车的安全性. 它通过有效地弥合Sim2Real差距,大大减少了对昂贵的真实世界数据的需求.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
背景情况:
- 自动驾驶卡车对于开采采矿的安全性和生产率至关重要.
- 高质量的注释数据对于训练物体检测模型至关重要,但在恶劣的采矿环境中,收集是昂贵和困难的.
- 模拟为数据生成提供了解决方案,但受到Sim2Real域转移的影响,影响了模型性能.
研究的目的:
- 介绍Adamix,一个新的半监督域适应物体检测 (SSDA-OD) 框架.
- 为了减少Sim2Real域转移,并最大限度地降低对象检测模型的标签成本.
- 在具有挑战性的开放式采矿环境中增强对象检测性能.
主要方法:
- 亚达米克斯使用了一个平均教师架构,有两个新的模块:渐进式中间域构建 (PIDC) 和热启动自适应伪标签 (WSAPL).
- PIDC采用混合策略来创建中间域,减少源域偏差并防止过拟合.
- WSAPL使用适应性值进行伪标签,以减轻训练期间的检测错误.
主要成果:
- 阿达米克斯在Sim2Real场景中展示了优越的域调整性能,超过了最先进的方法.
- 与现有方法相比,该框架实现了更高的平均精度 (mAP).
- 积极学习的整合需要50%的标记数据,显著减少了现实世界的数据收集需求.
结论:
- 亚达米克斯通过尽量减少对昂贵的真实世界数据的依赖,为开放式采矿中对象检测提供了更有效的解决方案.
- 拟议的框架有效地解决了Sim2Real领域转移的挑战.
- 阿达米克斯提高了在工业环境中部署自主系统的实用性和成本效益.


