自主系统中的领域适应:将迁移瓶颈与知识机制联系起来

《Knowledge-Based Systems》:Domain adaptation for autonomous systems: Linking transfer bottlenecks to knowledge mechanisms

【字体: 大 中 小 】 时间:2026年08月29日 来源:Knowledge-Based Systems 8.0

编辑推荐:

  • 一个将迁移瓶颈与知识机制联系起来的分类法。 • 提供了最近的数据驱动(DA)方法及其应用场景的有结构比较。 • 专注于自主系统应用,并总结了最近的可复现资源。 • 追踪技术演变,并提出了可行的未来研究方向。 引言 鲁棒性和泛化能力对自主系统至关重要,因为模型必须在不同的环境

  • 一个将迁移瓶颈与知识机制联系起来的分类法。
• 提供了最近的数据驱动(DA)方法及其应用场景的有结构比较。
• 专注于自主系统应用,并总结了最近的可复现资源。
• 追踪技术演变,并提出了可行的未来研究方向。

引言
鲁棒性和泛化能力对自主系统至关重要,因为模型必须在不同的环境、天气条件、传感器配置、任务上下文、代理行为和部署平台上保持可靠性 [1],[2],[3]。然而,数据驱动的模型通常是在有限的源域数据上训练的,当面对未见或变化的目标域时,其性能往往会下降。这种域差异可能源于视觉外观、场景布局、传感器类型、语义类别、部署条件、实体形式或系统动态的变化。因此,域适应(DA)成为减少训练环境与部署环境之间不匹配的关键技术,从而提高自主系统在域变化下的可靠性 [4],[5],[6]。
自主系统中的DA变得越来越复杂,导致了众多适应方法的出现,但这些方法在不同领域、任务、平台和假设之间仍然存在碎片化 [7],[8],[9]。除了传统的视觉分布变化(如从白天到夜晚或从晴天到雾天)之外,自主系统还涉及从合成数据到真实数据的迁移、跨环境泛化、传感器和模态的变化、语义或开放集的变化、无源数据部署和在线部署、实体形式的变化以及仿真器与真实动态的不匹配。现有研究探索了多种适应策略,从分布对齐和表示学习到语义适应、数据高效适应、测试时适应以及从仿真到真实的适应 [4],[5],[6]。然而,这些方法往往是在不同的问题定义、数据假设和评估协议下开发的,这使得系统比较和特定场景的方法选择变得困难。
尽管已有大量关于迁移学习、域适应及其应用的调查,但文献中仍然缺乏一个将DA方法与自主系统多样挑战联系起来的连贯综述。一般的迁移学习和DA综述通常按照算法范式或学习环境来组织方法,例如分布对齐 [10],[11]、对抗性DA [9],[12] 和无源DA [5],[6]。这些综述为理解DA的方法论提供了有价值的基础。然而,它们的通用性使得难以将DA方法直接映射到特定于自主系统的差距、任务模块、平台变化和关键安全部署要求上。
另一组综述探讨了与自主系统相关的应用或技术分支,包括域自适应感知 [1],[13],[14]、从合成到真实的迁移 [2]、从仿真到真实的迁移以及基于基础模型的方法 [15]。这些综述提供了特定于任务或技术的有价值见解,但它们的覆盖范围仍然较为碎片化。以感知为导向的综述主要关注检测 [4]、分割 [3] 或深度估计 [16],而从仿真到真实的综述 [17] 和策略迁移综述 [18] 则强调动态和控制。最近的基础模型综述 [19] 进一步讨论了语义先验和泛化,但它们的主要重点并不是系统地组织DA问题和方法。因此,现有的以应用为导向的综述仍然需要一个统一的视角,将域差距、适应机制、任务模块和关键安全部署联系起来。
总体而言,现有的综述要么过于宽泛,无法捕捉自主系统的具体适应挑战,要么过于狭窄,无法涵盖自主系统的整个流程。它们通常按照算法范式或任务类别进行组织,但在如何诊断具体的域差距、应转移的知识类型以及在部署中如何考虑负面迁移等关键安全风险方面提供的指导有限。为了弥合这一差距,需要一种更结构化的组织方式,将特定于域的差距与适应瓶颈、可转移的知识机制和任务级应用联系起来。

受这些限制的启发,本综述开发了一个用于自主系统域适应的瓶颈-知识分类法。我们不仅仅按照算法范式或任务类别来组织现有工作,而是识别出域差距背后的主要适应瓶颈,并将其与DA方法旨在转移的知识类型联系起来。这种视角有助于将具体场景与方法论假设、应用模块和部署考虑联系起来。本综述的主要贡献总结如下:
1. DA的瓶颈-知识视角:我们提出了一个用于自主系统域适应的瓶颈-知识分类法,将主要的适应瓶颈与可转移的知识机制联系起来,为方法的组织和比较提供了一个清晰的结构。
2. 自主系统中DA方法和应用的综述:我们总结了最近的DA方法,并分析了它们在自主系统流程中的应用,同时关注了可复现的基准测试、开源资源和精选的项目仓库。
3. 挑战与未来方向:我们指出了自主系统DA中的主要开放挑战,并讨论了朝着更可靠、高效和准备就绪的部署方向的未来研究方向。

本文的其余部分组织如下:第2节介绍分类法框架。第3-5节通过该分类法回顾DA方法。第6节探讨自主系统中的应用。第7节总结基准测试和可复现资源。第8节讨论开放挑战和未来方向。

### 节选内容
#### 瓶颈-知识分类法
为了使文献选择过程更加透明,我们使用Google Scholar、Web of Science、Scopus、IEEE Xplore、ACM Digital Library、ScienceDirect、SpringerLink和arXiv进行了分类法指导的搜索。搜索涵盖了截至2026年6月发表的研究,重点关注2023年至2026年的最新工作以及必要时早期的基础DA论文。我们使用了与域适应、迁移学习、无源适应、测试时适应相关的关键词组合。

#### 分布差异瓶颈(DDO)
分布差异是 autonomous 系统域适应中最常见的瓶颈之一。当源域和目标域在观测分布上不同时,就会出现这种情况,即 ?????(??)≠?????(??),例如天气、照明、场景、传感器或从合成数据到真实数据的视觉风格的改变。在闭环任务中,这也可能涉及仿真和真实世界动态之间的过渡级不匹配。早期的方法主要依赖于统计对齐,而后来的方法则采取了其他方法。

#### 语义偏移瓶颈(SSO)
对于自主系统中的DA,当条件标签分布不同时(?????(??∣??)≠?????(??∣??))或源域和目标域的标签空间不完全共享(????≠????)时,就会出现语义偏移瓶颈。这种不匹配出现在交通参与者未知的驾驶场景、长尾对象、特定数据集的注释分类或开放词汇表感知要求中。早期的方法试图通过直接重新加权或过滤源样本来解决这种不匹配。

#### 数据稀缺瓶颈(DSO)
对于DSO瓶颈,可用的标记目标数据非常有限或完全缺失(?????????),使得直接估计目标风险变得不可行。与DDO或SSO不同,DSO并不一定表示一个域差异本身,而是一个数据或监督约束,它限制了如何处理分布和语义变化。早期的方法通过统计选择策略(如主动学习)来缓解这一挑战,这些策略在有限的注释下查询最具信息量的样本。

#### 自主系统中的域适应应用
本节系统地概述了自主系统中的DA应用。虽然实现架构通常遵循标准的自动驾驶流程,但我们进一步通过我们提出的瓶颈-知识分类法来分析这些应用,如图6所示。

#### 基准测试和可复现资源
本节列出了自主系统中公平和可复现的域适应研究的关键资源,包括公开可用的数据集和提供开源代码和检查点的最新论文。需要注意的是,不同DA论文中报告的结果往往无法直接比较。即使方法针对相似的任务,它们也可能使用不同的源-目标数据集对、域差距定义、训练数据预算、适应协议和骨干网络。

#### 技术演变与未来方向
自主系统的域适应已经从其探索性阶段发展到了基础算法和基准测试开始形成的阶段,但距离大规模部署和鲁棒泛化还有很长的路要走。以下两个小节首先概述了这一技术轨迹,然后概述了未来工作最有前景的方向。

#### 结论
本综述通过一个瓶颈-知识分类法重新定义了自主系统的域适应,该分类法明确将域差距与适应机制联系起来。通过围绕自主系统场景背后的主要适应瓶颈以及用于解决这些瓶颈的可转移知识机制来组织现有方法,该分类法将具体的挑战(如恶劣天气感知、跨城市泛化、语义或开放集变化、无源部署等)联系起来。

### CRediT 作者贡献声明
梁悦:撰写——原始草稿、方法论、调查。
杜家同:形式分析。
杨紫怡:可视化。
黄艳君:撰写——审稿与编辑、监督、资金获取。
葛全博:项目管理。
陈宏:监督。

### 利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

梁悦 | 杜家同 | 杨紫怡 | 黄艳君 | 葛全博 | 陈宏
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号