偏好学习实现可通行性估计域自适应

2026年10月5日，arXiv cs.RO 发布一项研究，提出面向可通行性估计的偏好学习方法。该方法在冻结视觉语言特征空间中以 von Mises-Fisher 混合原型表示可通行性，用相对自然语言规则提供常识先验，再通过稀疏相对图像标注微调原型方向与效用，实现目标域适配。在 WayFAST 上的实验显示，其精度可与端到端训练的估计器竞争，同时支持样本高效的图像适配；定性实验展示了语言先验的零样本适用性，以及微调后估计器在语义地图上更优的稠密预测。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。