GLEAM: Erlernen einer generalisierbaren Explorationsstrategie für aktives Mapping in komplexen 3D-Innenraumszenen

GLEAM: Learning Generalizable Exploration Policy for Active Mapping in Complex 3D Indoor Scenes

May 26, 2025

Autoren: Xiao Chen, Tai Wang, Quanyi Li, Tao Huang, Jiangmiao Pang, Tianfan Xue

cs.AI

Zusammenfassung

Die generalisierbare aktive Kartierung in komplexen unbekannten Umgebungen bleibt eine entscheidende Herausforderung für mobile Roboter. Bestehende Methoden, die durch unzureichende Trainingsdaten und konservative Erkundungsstrategien eingeschränkt sind, zeigen eine begrenzte Generalisierbarkeit über Szenen mit unterschiedlichen Layouts und komplexer Konnektivität hinweg. Um skalierbares Training und zuverlässige Evaluierung zu ermöglichen, führen wir GLEAM-Bench ein, den ersten groß angelegten Benchmark, der für generalisierbare aktive Kartierung entwickelt wurde und 1.152 diverse 3D-Szenen aus synthetischen und real gescannten Datensätzen umfasst. Auf dieser Grundlage aufbauend schlagen wir GLEAM vor, eine einheitliche generalisierbare Erkundungsstrategie für die aktive Kartierung. Ihre überlegene Generalisierbarkeit resultiert hauptsächlich aus unseren semantischen Repräsentationen, langfristig navigierbaren Zielen und randomisierten Strategien. Sie übertrifft state-of-the-art Methoden deutlich und erreicht eine Abdeckung von 66,50 % (+9,49 %) mit effizienten Trajektorien und verbesserter Kartierungsgenauigkeit in 128 ungesehenen komplexen Szenen. Projektseite: https://xiao-chen.tech/gleam/.

English

Generalizable active mapping in complex unknown environments remains a critical challenge for mobile robots. Existing methods, constrained by insufficient training data and conservative exploration strategies, exhibit limited generalizability across scenes with diverse layouts and complex connectivity. To enable scalable training and reliable evaluation, we introduce GLEAM-Bench, the first large-scale benchmark designed for generalizable active mapping with 1,152 diverse 3D scenes from synthetic and real-scan datasets. Building upon this foundation, we propose GLEAM, a unified generalizable exploration policy for active mapping. Its superior generalizability comes mainly from our semantic representations, long-term navigable goals, and randomized strategies. It significantly outperforms state-of-the-art methods, achieving 66.50% coverage (+9.49%) with efficient trajectories and improved mapping accuracy on 128 unseen complex scenes. Project page: https://xiao-chen.tech/gleam/.