GLEAM : Apprentissage d'une politique d'exploration généralisable pour la cartographie active dans des scènes intérieures complexes en 3D

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

May 26, 2025

papers.authors: Xiao Chen, Tai Wang, Quanyi Li, Tao Huang, Jiangmiao Pang, Tianfan Xue

cs.AI

papers.abstract

La cartographie active généralisable dans des environnements complexes et inconnus reste un défi critique pour les robots mobiles. Les méthodes existantes, limitées par des données d'entraînement insuffisantes et des stratégies d'exploration conservatrices, présentent une généralisabilité limitée à travers des scènes aux configurations variées et à la connectivité complexe. Pour permettre un entraînement scalable et une évaluation fiable, nous introduisons GLEAM-Bench, le premier benchmark à grande échelle conçu pour la cartographie active généralisable, comprenant 1 152 scènes 3D variées issues de jeux de données synthétiques et de scans réels. Sur cette base, nous proposons GLEAM, une politique d'exploration généralisée unifiée pour la cartographie active. Sa supériorité en termes de généralisabilité découle principalement de nos représentations sémantiques, d'objectifs navigables à long terme et de stratégies randomisées. Elle surpasse significativement les méthodes de pointe, atteignant une couverture de 66,50 % (+9,49 %) avec des trajectoires efficaces et une précision de cartographie améliorée sur 128 scènes complexes inédites. Page du projet : 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/.