GLEAM: Aprendizaje de una política de exploración generalizable para mapeo activo en escenas interiores complejas en 3D

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

May 26, 2025

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

cs.AI

Resumen

La cartografía activa generalizable en entornos complejos y desconocidos sigue siendo un desafío crítico para los robots móviles. Los métodos existentes, limitados por datos de entrenamiento insuficientes y estrategias de exploración conservadoras, muestran una generalización limitada en escenarios con diseños diversos y conectividad compleja. Para permitir un entrenamiento escalable y una evaluación confiable, presentamos GLEAM-Bench, el primer punto de referencia a gran escala diseñado para la cartografía activa generalizable, con 1,152 escenas 3D diversas provenientes de conjuntos de datos sintéticos y de escaneos reales. Sobre esta base, proponemos GLEAM, una política de exploración generalizable unificada para la cartografía activa. Su superior generalización se debe principalmente a nuestras representaciones semánticas, objetivos navegables a largo plazo y estrategias aleatorizadas. Este método supera significativamente a los métodos más avanzados, logrando un 66.50% de cobertura (+9.49%) con trayectorias eficientes y una precisión mejorada en la cartografía de 128 escenas complejas no vistas. Página del proyecto: 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/.