Das Lernen der Schätzung von Objektposen erfordert oft Ground-Truth-(GT)-Labels, wie CAD-Modelle und absolut skalierte Objektposen, die in der realen Welt teuer und aufwendig zu erlangen sind. Um dieses Problem anzugehen, schlagen wir eine unsupervisierte Domänenanpassung (UDA) für die Kategorieniveau-Schätzung von Objektposen vor, die als UDA-COPE bezeichnet wird. Inspiriert durch jüngste mehrmodale UDA-Techniken nutzt das vorgeschlagene Verfahren ein Lehrer-Schüler-Selbstüberwachungsschema, um ein Posen-Schätzungsnetzwerk ohne die Verwendung von Posen-Labels des Zielbereichs zu trainieren. Wir führen außerdem eine bidirektionale Filtermethode zwischen der vorhergesagten normalisierten Objekt-Koordinatenraum-(NOCS)-Karte und dem beobachteten Punktwolkenmodell ein, um nicht nur unser Lehrernetzwerk gegenüber dem Zielbereich robuster zu machen, sondern auch verlässlichere Pseudolabels für das Training des Schülernetzwerks bereitzustellen. Ausführliche experimentelle Ergebnisse zeigen sowohl quantitativ als auch qualitativ die Effektivität unserer vorgeschlagenen Methode. Bemerkenswerterweise erreichte unsere Methode ohne den Einsatz von GT-Labels des Zielbereichs vergleichbare oder manchmal sogar überlegene Leistungen im Vergleich zu existierenden Methoden, die auf GT-Labels angewiesen sind.