GLEAM: 복잡한 3D 실내 환경에서의 능동적 매핑을 위한 일반화 가능한 탐사 정책 학습

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

May 26, 2025

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

cs.AI

초록

복잡하고 알려지지 않은 환경에서 일반화 가능한 능동적 매핑은 이동 로봇에게 여전히 중요한 과제로 남아 있다. 기존 방법들은 불충분한 훈련 데이터와 보수적인 탐색 전략으로 인해 다양한 레이아웃과 복잡한 연결성을 가진 장면들 간의 일반화 가능성이 제한적이다. 확장 가능한 훈련과 신뢰할 수 있는 평가를 가능하게 하기 위해, 우리는 합성 및 실제 스캔 데이터셋에서 추출한 1,152개의 다양한 3D 장면으로 구성된 일반화 가능한 능동적 매핑을 위한 첫 번째 대규모 벤치마크인 GLEAM-Bench를 소개한다. 이를 기반으로, 우리는 능동적 매핑을 위한 통합된 일반화 가능한 탐색 정책인 GLEAM을 제안한다. 이 정책의 우수한 일반화 가능성은 주로 의미론적 표현, 장기적인 탐색 가능 목표, 그리고 무작위화된 전략에서 비롯된다. GLEAM은 최신 기술을 크게 능가하며, 128개의 보이지 않는 복잡한 장면에서 효율적인 궤적과 향상된 매핑 정확도로 66.50%의 커버리지(+9.49%)를 달성한다. 프로젝트 페이지: 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/.