本文提出了一种低秩自适应专家组合（MoE-LoRA）方法，旨在提升Segment Anything模型在多模态语义分割中的应用。通过训练MoE-LoRA层并保持SAM权重不变，该方法在多个基准测试中超越现有技术，尤其在缺失模态情况下表现显著提升。

本研究重新定义了多模态语义分割任务，提高了模型的可靠性。即使一个输入模态缺失，该方法仍能正常工作，适用于自动驾驶等安全关键应用领域。通过在SemanticKITTI数据集上评估和与竞争者比较，展示了该方法的有效性。同时还展示了该方法在渐进式持续学习场景中的有效性。