GLEAM: Обучение обобщаемой стратегии исследования для активного построения карт в сложных трехмерных внутренних сценах

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

May 26, 2025

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

cs.AI

Аннотация

Обобщаемое активное картографирование в сложных неизвестных средах остается ключевой задачей для мобильных роботов. Существующие методы, ограниченные недостаточным объемом обучающих данных и консервативными стратегиями исследования, демонстрируют ограниченную обобщаемость в сценах с разнообразной планировкой и сложной связностью. Для обеспечения масштабируемого обучения и надежной оценки мы представляем GLEAM-Bench — первый крупномасштабный бенчмарк, разработанный для обобщаемого активного картографирования, включающий 1 152 разнообразных 3D-сцены из синтетических и реальных сканированных наборов данных. На основе этого фундамента мы предлагаем GLEAM — унифицированную обобщаемую стратегию исследования для активного картографирования. Ее превосходная обобщаемость достигается главным образом благодаря семантическим представлениям, долгосрочным навигационным целям и рандомизированным стратегиям. GLEAM значительно превосходит современные методы, достигая 66,50% покрытия (+9,49%) с эффективными траекториями и улучшенной точностью картографирования на 128 ранее не встречавшихся сложных сценах. Страница проекта: 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/.