从语言先验到场地适配：面向可通行性估计的偏好学习

该研究提出一种样本高效的偏好学习方法，用于图像可通行性估计的场地适配，以降低目标域标注需求。方法在冻结的视觉-语言特征空间中用 von Mises-Fisher 混合原型表示可通行性，结合相对自然语言规则先验与稀疏相对图像标注微调原型方向与效用。WayFAST 实验显示其精度可与端到端训练估计器媲美，语言先验具备 zero shot 适用性，微调估计器在语义图上改善密集预测，代码与训练模型已开源。