R4Tun：LLM 引导的自适应管片隧道衬砌点云分割

管片隧道衬砌的自动检查需要从 3D 点云进行自适应分割，但当隧道条件发生变化时，专家调整的管道通常会退化。本文介绍了 R4Tun，这是一个 大语言模型 (LLM) 驱动的适应框架，它扩展了专家设计的管道 (SAM4Tun)，并通过结构化上下文通知有界参数调整：内存 ($m$)、状态 ($s$) 和知识 ($k$)。对三个 LLM 中的 30 个选定的 Seg2Tunnel 子集（13 个常规子集，17 个复杂子集）进行评估，相对于静态 SAM4Tun 基线，完整的 $m+s+k$ 设计将平均交集 (mIoU) 从 0.18 提高到 0.43--0.48，总体精度 (OA) 从 0.42 提高到 0.59--0.65， LLM 上的近参考常规（交错）子集达到 mIoU 0.784--0.796。在 270 次（30 个隧道 $\times$ 3 个不同的 LLM $\times$ 3 个上下文设置）运行中，LLM 显示了类似的参数调整趋势（平均增益重叠 95\% CI），并一致地调整了一组共享的关键参数。这些结果支持 R4Tun 在测试的 SAM4Tun--Seg2Tunnel 设置中作为受控、无标签、跨 LLM 适应机制，展示了一致的精度增益；我们将 R4Tun 定位为一种机制贡献，而不是一个可部署的最终检查系统，其中每个有界参数变化都可以通过记录的基本原理进行审计。