GLEAM: Het leren van een generaliseerbaar verkenningsbeleid voor actieve mapping in complexe 3D binnenscènes

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

May 26, 2025

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

cs.AI

Samenvatting

Generaliseerbare actieve mapping in complexe onbekende omgevingen blijft een cruciale uitdaging voor mobiele robots. Bestaande methoden, beperkt door onvoldoende trainingsdata en conservatieve verkenningstrategieën, vertonen beperkte generaliseerbaarheid over scènes met diverse lay-outs en complexe connectiviteit. Om schaalbare training en betrouwbare evaluatie mogelijk te maken, introduceren we GLEAM-Bench, de eerste grootschalige benchmark ontworpen voor generaliseerbare actieve mapping met 1.152 diverse 3D-scènes uit synthetische en real-scan datasets. Op basis hiervan stellen we GLEAM voor, een geünificeerd generaliseerbaar verkenningbeleid voor actieve mapping. De superieure generaliseerbaarheid komt voornamelijk voort uit onze semantische representaties, langetermijn navigeerbare doelen en gerandomiseerde strategieën. Het overtreft aanzienlijk state-of-the-art methoden, met een dekking van 66,50% (+9,49%) met efficiënte trajecten en verbeterde mappingnauwkeurigheid op 128 onbekende complexe scènes. Projectpagina: 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/.