外观
新闻Robohub今天
NimbRo获RoboCup2026最佳论文：半监督标注实现60%自动化
本文由 AI 根据公开内容整理，可能有误，请以原文为准：Competing in RoboCup@Home and winning the 2026 best paper award: an interview with Raphael Memmesheimer（Robohub）
核心内容
Team NimbRo负责人Raphael Memmesheimer率队斩获RoboCup 2026最佳论文奖，其研究《Efficient Image Annotation via Semi-Supervised Object Segmentation with Label Propagation》针对RoboCup@Home赛事中机器人需在2天准备期内适应全新模型公寓并识别多达50种未见物体的挑战，提出高效数据生成方案。该团队已五次夺得RoboCup@Home冠军，此次获奖工作已在RoboCup 2025巴西站及德国公开赛实测验证，有效压缩了现场视觉模型训练周期。
技术方案采用多阶段半监督学习架构：首先基于历史竞赛数据训练通用物体分割模型以定位潜在目标，再结合少量参考图像进行标签传播，实现约60%数据的自动标注，大幅替代人工耗时操作。针对开放词汇模型难以区分同类细粒度物体（如不同饮料）的问题，该方法融合YCB数据集预训练与本地化 groceries 实例微调，在保持泛化能力的同时提升了对赛事特有物品的识别精度，支撑机器人在非结构化家庭场景中快速构建可用视觉感知系统。
关键看点
- 半监督标注：通过标签传播算法实现60%图像自动标注，显著缩短新环境视觉模型冷启动时间
- 细粒度识别：克服开放词汇模型局限，精准区分50类未见物体中的同类别差异实例
- 实战验证：方法已在RoboCup 2025巴西站及德国公开赛落地，支撑2天内完成陌生场景适配
- 数据策略：融合YCB预训练与本地采购物品微调，平衡通用性与赛事特定物体识别需求
工程与产业观察
该研究揭示了具身智能在非结构化环境中快速适应的关键瓶颈并非模型能力本身，而是高效数据闭环的构建速度。60%自动标注率证明半监督学习可作为连接预训练大模型与真实部署的桥梁，对家庭服务机器人缩短现场调试周期、降低数据采集成本具有直接工程参考价值，尤其适用于物体长尾分布且无法提前穷举的动态场景。
来源
本页事实对应的公开页面，以原文为准。