GLEAM: Apprendimento di una Politica di Esplorazione Generalizzabile per la Mappatura Attiva in Scenari 3D Complessi al Chiuso

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

May 26, 2025

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

cs.AI

Abstract

La mappatura attiva generalizzabile in ambienti complessi e sconosciuti rimane una sfida cruciale per i robot mobili. I metodi esistenti, limitati da dati di addestramento insufficienti e strategie di esplorazione conservative, mostrano una generalizzabilità limitata in scenari con layout diversificati e connettività complessa. Per abilitare un addestramento scalabile e una valutazione affidabile, introduciamo GLEAM-Bench, il primo benchmark su larga scala progettato per la mappatura attiva generalizzabile, con 1.152 scene 3D diverse provenienti da dataset sintetici e di scansioni reali. Sulla base di questa fondazione, proponiamo GLEAM, una politica di esplorazione generalizzabile unificata per la mappatura attiva. La sua superiore generalizzabilità deriva principalmente dalle nostre rappresentazioni semantiche, obiettivi navigabili a lungo termine e strategie randomizzate. GLEAM supera significativamente i metodi all'avanguardia, raggiungendo una copertura del 66,50% (+9,49%) con traiettorie efficienti e una migliore accuratezza di mappatura su 128 scene complesse non viste. Pagina del progetto: 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/.