GLEAM: 複雑な3D屋内シーンにおけるアクティブマッピングのための汎用的探索ポリシーの学習

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

May 26, 2025

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

cs.AI

要旨

複雑で未知の環境における汎用的なアクティブマッピングは、移動ロボットにとって依然として重要な課題である。既存の手法は、不十分な訓練データと保守的な探索戦略に制約され、多様なレイアウトと複雑な接続性を持つシーン間での汎用性が限られている。スケーラブルな訓練と信頼性のある評価を可能にするため、我々はGLEAM-Benchを導入した。これは、合成および実スキャンデータセットから得られた1,152の多様な3Dシーンを対象とした、汎用的なアクティブマッピングのための初の大規模ベンチマークである。この基盤を基に、我々はGLEAMを提案する。これは、アクティブマッピングのための統一された汎用的探索ポリシーであり、その優れた汎用性は主にセマンティック表現、長期的なナビゲーション可能な目標、およびランダム化された戦略に由来する。GLEAMは、128の未見の複雑シーンにおいて、効率的な軌跡と改善されたマッピング精度を達成し、66.50%のカバレッジ（+9.49%）を記録し、最先端の手法を大幅に上回る性能を示した。プロジェクトページ: 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/.