EAAE: Energy-Aware Autonomous Exploration for UAVs in Unknown 3D Environments
Faculty of Aerospace Engineering, Delft University of Technology（代尔夫特理工大学航空航天工程学院）；Institute for Informatics, University of Zurich（苏黎世大学信息学院）
本文提出EAAE框架，通过将能源作为决策变量优化未知3D环境中多旋翼无人机的自主探索，减少能耗并保持探索效率。
2026-09-02 cs.RO
Semantic-Aware Autonomous Exploration for UAVs in Unknown Indoor Environments
University of Engineering and Technology, Vietnam National University（越南国立大学工程与技术大学）；School of Information Science, Japan Advanced Institute of Science and Technology（日本先端科学技术大学院大学信息科学学院）
针对无人机在未知环境中探索效率低的问题，提出一种基于语义感知的探索框架，通过在概率路线图上添加语义层并引入语义奖励函数，优先探索包含有意义物体的区域，实验表明在减少探索时间和路径长度的同时达到90%-94%的覆盖率。
2026-06-23 cs.RO
Autonomous Exploration of Unknown 3D Environments Using a Frontier-Based Collector Strategy
University of Zagreb（萨格勒布大学）；Advanced Center for Aerospace Technologies (CATEC)（高级航空航天技术中心（CATEC））
针对无人机自主探索中地图不完整和导航安全性假设的局限，提出一种结合基于边界探索与收集器策略的新方法，实现全局探索与完整建图，并通过在线路径重规划保障安全导航。
2023-11-21 cs.RO
A Multi-Agent LLM Framework for Design Space Exploration in Autonomous Driving Systems
National Cheng Kung University（国立成功大学）；Safeware Technology Inc.（Safeware技术公司）
本文提出基于多智能体大语言模型的自动驾驶系统设计空间探索框架，通过多模态推理和3D模拟工具自动化解析执行输出，提升设计效率和成本效益。
2025-12-09 cs.RO
Autonomous Exploration and Mapping for Mobile Robots via Cumulative Curriculum Reinforcement Learning
Shanghai Jiao Tong University（上海交通大学）
深度强化学习（Deep Reinforcement Learning，DRL）已广泛应用于自主探索和地图绘制任务中，但通常面临采样效率、对未知地图大小的适应性差以及模拟速度慢等挑战。为了加快收敛速度，我们将课程学习（CL）与DRL相结合，首先提出了累积课程强化学习（CCRL）训练框架，以缓解一般CL面临的灾难性遗忘问题。此外，我们提出了一种新的状态表示，它考虑了局部自我中心地图和全球勘探地图调整到固定的维度，以便灵活地适应各种大小和形状的环境。此外，为了促进DRL模型的快速训练，我们开发了一个轻量级的基于网格的模拟器，与流行的机器人仿真平台（如Gazebo）相比，它可以大大加快仿真速度。基于定制的模拟器，进行了综合实验，结果表明，与一般CL和无课程的DRL模型相比，CCRL框架不仅缓解了灾难性遗忘问题，而且提高了样本效率和DRL模型的泛化能力。我们的代码可在https://github.com/BeamanLi/CCRL_Exploration上获得。
2023-02-25 cs.RO
Enabling Commercial Autonomous Space Robotic Explorers
与载人任务相比，自主机器人在空间探测任务中的应用减少了探测任务的安全问题，同时延长了探测距离，因为机器人任务不需要返回运输。此外，在这些任务中使用机器人也降低了任务的复杂性和成本，因为不需要机载生命支持系统：机器人可以承受并在人类无法生存的恶劣条件下工作，例如极端温度，压力和辐射。在这篇文章中，我们将介绍火星上的环境，回顾现有的自动驾驶技术部署在地球上，以及探索所需的技术，使未来的商业自主太空机器人探险家。最后但并非最不重要的是，我们还提出了自主空间探索者面临的紧迫技术挑战之一，即机载计算能力。
2019-08-12 cs.RO
Perception-Aware Autonomous Exploration in Feature-Limited Environments
MAVLab, TU Delft（代尔夫特理工大学MAV实验室）；Lincoln Center for Autonomous Systems (L-CAS), School of Engineering and Physical Sciences, University of Lincoln（林肯自主系统中心（L-CAS），工程与物理科学学院，林肯大学）
本文提出了一种层级感知-aware的自主探索框架，用于配备立体相机的无人机，在探索过程中考虑特征可见性，通过全局特征图关联候选前沿与预期特征质量，优化连续偏航轨迹以保持稳定特征跟踪，实验证明其在不同纹理环境下的有效性。
2026-08-14 cs.RO
Gaussian Process Autonomous Mapping and Exploration for Range Sensing Mobile Robots
College of Engineering, University of Michigan（密歇根大学工程学院）；University of Technology Sydney（悉尼科技大学）
大多数现有的机器人探索方案使用占用网格表示和称为边界的几何目标。占用网格表示依赖于网格单元之间的独立性的假设，忽略了环境中存在的结构相关性。我们开发了一种高斯过程（GPS）占用映射技术，由于其增量公式化，该技术在计算上易于在线地图构建，并提供了一个连续的地图空间坐标不确定性模型。表示从占用图中提取的几何边界的标准方法是为每个网格单元分配二进制值。我们将这一概念扩展到新的概率前沿地图计算有效地使用GP占用图的梯度。我们还提出了一种基于互信息的贪婪探索技术，该技术建立在考虑到所有可能的未来观测的表示。高维地图推理的一个主要优点是，这种技术需要更少的观测，从而在地图构建场景的探索过程中更快地减少地图熵。使用公开的数据集的评估表明，机器人测绘和探索任务的建议框架的有效性。
2017-10-18 cs.RO
SCOPE: Skeleton Graph-Based Computation-Efficient Framework for Autonomous UAV Exploration
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院）
SCOPE通过基于骨架图的高效框架，实现了自主无人机探索中的计算效率提升，减少86.9%的计算成本，同时保持与先进全局规划器相当的探索性能。
2026-02-26 cs.RO
A Multi-Resolution Frontier-Based Planner for Autonomous 3D Exploration
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
在本文中，我们提出了一个3D勘探的规划器，适用于使用最先进的3D传感器，如激光雷达，它产生大的点云与每次扫描的应用程序。该计划是基于检测的边界-探索和未知部分的环境之间的边界-并包括检测边界点的算法，其次是聚类的边界点，并选择最佳的边界点进行探索。与现有的基于前沿的方法相比，规划器更具可扩展性，即对于相同的数据集大小，它需要更少的时间，同时确保相似的探索时间。通过不依赖于直接从3D传感器获得的数据，而是依赖于通过映射算法获得的数据来实现性能。为了对边界点进行聚类，我们使用了八叉树环境表示的属性，这使得不同分辨率的分析变得容易。该规划器在模拟环境中进行了测试，并在室外测试区配备了激光雷达传感器的无人机。结果表明了该方法的优越性。
2020-11-04 cs.RO
Towards Energy Efficient Autonomous Exploration of Mars Lava Tube with a Martian Coaxial Quadrotor
Luleå University of Technology（吕勒奥理工大学）
本文针对火星熔岩管探索，提出一种基于改进前沿方法、风险感知规划与三层代价全局重定位的自主探索框架，通过火星同轴四旋翼飞行器仿真验证其能量高效性和探索效率。
2022-11-13 cs.RO
MonoSpheres: Large-Scale Monocular SLAM-Based UAV Exploration through Perception-Coupled Mapping and Planning
Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague（捷克技术大学布拉格分校电子工程系控制系）
本文提出一种基于单目视觉的自主探索方法，通过考虑稀疏单目SLAM前端的特性，实现大规模无结构室内和室外3D环境的安全覆盖，展示了稀疏单目深度数据在考虑视差要求和纹理缺失表面可能性下的前沿探索可行性。
2026-05-13 cs.RO
A Behavior-based Approach for Multi-agent Q-learning for Autonomous Exploration
Central Mechanical Engineering Research Institute (CSIR)（中央机械工程研究所（CSIR））；National Institute of Technology Durgapur（杜尔加普尔国家技术学院）
移动机器人的使用在世界范围内非常流行，主要用于在危险/有毒或未知环境中的自主探索。在未知环境中的探索，如果能够借鉴以往的经验，将更加有效和高效。目前，强化学习越来越多地被机器人接受，用于从系统与环境的相互作用中实现学习。这种学习可以使用单智能体和多智能体的概念来实现。本文描述了这样一个多智能体的方法来实现一种类型的强化学习使用基于优先级的行为为基础的架构。该方法已成功地在室内和室外环境中进行了测试。
2011-10-09 cs.LG cs.RO
Action-Aware Pro-Active Safe Exploration for Mobile Robot Mapping
Eindhoven University of Technology（埃因霍温理工大学）；Eindhoven AI Systems Institute（埃因霍温人工智能系统研究所）
本文提出一种动作感知的主动预防性重规划探索策略，利用视点可执行信息避免冗余运动并作为终止准则，结合安全路径规划和信息效用最优的视点选择，在仿真与硬件实验中验证了其有效性。
2025-03-12 cs.RO
3D Soil Compaction Mapping through Kriging-based Exploration with a Mobile Robot
University of Lincoln（林肯大学）；Lincoln Centre for Autonomous Systems（林肯自治系统中心）；School of Computer Science（计算机科学学院）；Lincoln Institute for Agri-food Technology（林肯农业食品技术研究所）
提出了一种利用室外移动机器人自动生成土壤状况空间地图的方法。有效的农场土壤测绘可以提高产量，减少投入，并有助于保护环境。传统上，在任意一组位置手动收集数据，然后使用Kriging（高斯过程回归的一种形式）离线构建土壤图。这个过程是费力和昂贵的，限制了所产生的信息的质量和分辨率。相反，我们建议使用室外移动机器人自动收集土壤条件数据，在线构建土壤地图，并根据地图的当前质量调整机器人的探索策略。我们展示了如何使用克里格方差作为机器人探索的奖励函数，既可以更有效的数据汇集和更好的土壤模型。这项工作为我们的提议提供了理论基础，并使用移动机器人生成的田地的土壤压实数据对勘探策略进行了实验比较。
2018-03-21 cs.RO
An End-to-End System for Crowdsourced 3d Maps for Autonomous Vehicles: The Mapping Component
Qualcomm Technologies, Inc.（高通技术公司）；Qualcomm Austria Research Center GmbH（高通奥地利研究中心有限公司）
自动驾驶汽车依靠精确的高清（HD）3D地图进行导航。本文介绍了一个端到端系统的地图组件，用于众包精确的3d地图，其中包含语义上有意义的地标，如交通标志（6自由度姿态、形状和大小）和交通车道（3d样条）。该系统使用消费级部件，特别是依赖于单个前置摄像头和消费级GPS。使用车辆中设备上的实时标志和车道三角测量，在多个行程中进行离线标志/车道聚类，并在后端进行多个行程的离线捆绑调整，我们构建了25个行程中标志角小于20 cm的平均绝对精度地图。据我们所知，这是第一个在汽车环境中使用具有成本效益的传感器的全球坐标端到端高清映射管道。
2017-03-31 cs.RO
Multi-Agent Reinforcement Learning for Autonomous UAV Exploration in Wildfire Response
本研究提出深度强化学习框架训练无人机智能体在模拟野火环境中导航监测，实验显示其行为稳定有效，凸显DRL无人机系统在自主野火监测中的潜力。
2026-09-10 cs.LG cs.RO
Autonomous UAV Exploration of Dynamic Environments via Incremental Sampling and Probabilistic Roadmap
Carnegie Mellon University（卡内基梅隆大学）
自主探索需要机器人迭代地生成信息轨迹。虽然基于采样的方法在无人机探测中是高效的，但是这些方法中的许多方法没有有效地利用来自先前规划迭代的采样信息，导致冗余计算和较长的探测时间。此外，很少有明确显示其在动态环境中的探索能力，即使他们可以实时运行。为了克服这些局限性，我们提出了一种新的动态探索计划（DEP）探索未知的环境，使用增量采样和概率路线图（PRM）。在我们的采样策略中，节点是增量添加的，并均匀分布在探索的区域中，从而产生最佳视点。为了进一步缩短探索时间并确保安全性，我们的规划器基于欧几里德符号距离函数（ESDF）地图局部优化路径并对其进行细化。同时，作为多查询规划器，PRM允许所提出的规划器快速搜索替代路径，以避免动态障碍物的安全探索。仿真实验表明，我们的方法安全地探索动态环境，并在探索时间，路径长度和计算时间方面优于基准规划器。
2021-03-21 cs.AI cs.RO
Real-Time Volumetric-Semantic Exploration and Mapping: An Uncertainty-Aware Approach
Aarhus University（奥胡斯大学）
在这项工作中，我们提出了一个整体框架，自主空中检查任务，使用语义感知，但计算效率高的规划和映射算法。该系统利用最先进的滚动时域探索技术进行下一个最佳视图（NBV）规划，并利用最先进的深度卷积神经网络（DCNN）提供的几何和语义分割信息，以丰富环境表示。本文的贡献是三方面的，首先，我们提出了一个有效的传感器观测模型，以及一个奖励函数，该函数对从特定视点获取的观测值的预期信息增益进行编码。其次，我们扩展了奖励函数，不仅包含几何概率信息，还包含语义概率信息，这些信息由用于实时的【形】操作的语义分割的DCNN提供。在环境表示中的语义信息的结合允许偏向于特定对象的探索，而忽略任务无关的规划过程中。最后，我们采用我们的方法在自主无人机船厂检查任务。一组模拟在现实的情况下证明了所提出的框架相比，国家的最先进的功效和效率。
2021-09-03 cs.RO
Accurate indoor mapping using an autonomous unmanned aerial vehicle (UAV)
University of Melbourne（墨尔本大学）；Metropolitan Fire Brigade（大都会消防局）
自主室内飞行器需要可靠的同时定位和地图绘制（SLAM）、精确的飞行控制和鲁棒的导航路径规划。本文提出了一个系统级的组合，这些现有的二维导航技术。一种名为URSA（无人侦察和安全飞机）的无人机（UAV）可以自主飞行并以2 cm的精度绘制室内环境。在室内环境中的性能进行了评估的绘图和导航精度。
2018-07-31 cs.RO eess.IV
Autonomous Exploration Under Uncertainty via Deep Reinforcement Learning on Graphs
Stevens Institute of Technology（史蒂文斯理工学院）
我们考虑一个自主探索的问题，在这个问题中，一个范围传感移动机器人的任务是准确地映射的地标在一个先验的未知的环境中有效地实时，它必须选择既抑制定位的不确定性，并实现信息增益的传感行动。对于这个问题，信任空间规划方法，向前模拟机器人的感知和估计，往往会失败，在实时实现，缩放不良的状态，信念和动作空间的大小增加。我们提出了一种新的方法，使用图神经网络（GNNs）结合深度强化学习（DRL），使决策包含探索信息的图，以预测机器人的最佳感知动作的信念空间。该策略在没有人为干预的情况下在不同的随机环境中进行训练，提供了一个实时的，可扩展的决策过程，其高性能的探索性感知动作产生准确的地图和高速率的信息增益。
2020-07-24 cs.LG cs.RO
Quantitative and Qualitative Assessment of Indoor Exploration Algorithms for Autonomous UAVs
KIOS Center of Excellence, University of Cyprus（塞浦路斯大学KIOS卓越中心）；University of Cyprus（塞浦路斯大学）
室内探测是救灾、应急响应和搜救（SAR）任务中的一项重要任务。无人机（UAV）系统可以在建筑物内对人类有危险的区域进行自主机动，探索内部，并在应急响应团队采取行动之前提供准确可靠的室内地图，从而帮助急救人员。由于这种情况下的挑战性条件以及固有的电池限制和时间限制，我们研究了2D自主探索策略（例如，基于2D LiDAR）来绘制3D室内环境。首先，我们引入了一个电池消耗模型，考虑电池寿命方面的第一次作为一个关键因素，评估飞行耐力的探索战略。其次，我们使用各种最先进的基于2D LiDAR的探索策略在不同的室内环境中进行广泛的模拟实验。我们根据各种定量和定性性能指标评估了我们的研究结果，表明这些策略的行为取决于环境和初始条件的复杂性，例如，入口点。
2022-05-27 cs.RO cs.SY eess.SY
Robustness-Driven Exploration with Probabilistic Metric Temporal Logic
Wake Forest University（维克森林大学）
无人机（UAV）在非结构化或未知环境中工作时，很难甚至不可能事先描述环境，因此自主探测能力是必不可少的。然而，自主探索算法通常以贪婪的方式关注优化时间和覆盖范围。这种类型的探索可能会收集不相关的数据，并浪费时间在没有重要信息的区域导航。在本文中，我们提出了一种方法，利用发现的知识的环境，同时探索它依赖于一个理论的鲁棒性的基础上概率度量时态逻辑（P-MTL）适用于离线验证和在线控制的混合动力系统。通过最大化对探测问题的预定义P-MTL规范的满足，鲁棒性值引导UAV朝向具有更多感兴趣信息的区域。我们使用马尔可夫链蒙特卡罗来解决P-MTL约束。我们证明了所提出的方法的有效性，通过模拟亚马逊雨林的自主勘探，我们的方法被用来检测非法手工小规模金矿（ASGM）活动所占用的区域。结果表明，我们的方法优于贪婪的探索方法（自主探索计划）的38%，在ASGM覆盖率。
2019-12-03 cs.CV cs.RO
ORBSLAM3-Enhanced Autonomous Toy Drones: Pioneering Indoor Exploration
DataHeroes（DataHeroes公司）；University of Haifa（海法大学）；Rice University（莱斯大学）
针对玩具无人机在无GPS室内环境中的自主探索难题，提出基于ORB-SLAM3的实时系统，结合离群点去除和出口检测算法，实现有效定位、建图与路径规划，实验验证了其效能。
2023-12-20 cs.LG cs.RO
Modeling Curiosity in a Mobile Robot for Long-Term Autonomous Exploration and Monitoring
Woods Hole Oceanographic Institution（伍兹霍尔海洋研究所）；McGill University（麦吉尔大学）
本文提出了一种新的方法来建模的好奇心在移动机器人，这是有用的监测和自适应数据汇集任务，特别是在长期自主任务的情况下，预先编程的任务可能有有限的效用。我们使用一个实时的主题建模技术来建立一个语义感知模型的环境，使用它，我们计划一个路径，通过在世界上的位置与高语义信息含量。所提出的感知模型的终身学习行为使其适合于长期的探索任务。我们使用模拟勘探实验，使用空中和水下数据验证的方法，并演示了在各种情况下的水水下机器人的实施。我们发现，所提出的探索路径，偏向于具有高主题困惑的位置，产生更好的地形模型，具有高的判别力。此外，我们表明，在Aqua机器人上实现的算法能够完成珊瑚礁检查，潜水员跟踪和海底勘探等任务，而无需任何事先培训或准备。
2015-09-26 cs.CV cs.LG cs.RO
Zero-Shot Reinforcement Learning on Graphs for Autonomous Exploration Under Uncertainty
Stevens Institute of Technology（斯蒂文斯理工学院）；Massachusetts Institute of Technology（麻省理工学院）；Wing, Alphabet Inc.（Alphabet公司Wing部门）
研究了具有三维距离感知的移动机器人在定位不确定条件下的自主探测问题。我们提出了一个框架，用于在单个仿真环境中自学习高性能的探索策略，并将其转移到其他环境中，这些环境可以是物理的或虚拟的。最近的工作在迁移学习取得了令人鼓舞的性能领域自适应和域随机化暴露代理的情况下，填补了固有的差距，在sim2sim和sim2real的方法。然而，它是低效的训练代理在环境中的随机条件下学习其当前状态的重要特征。智能体可以使用人类专家提供的领域知识来有效地学习。我们提出了一种新的方法，使用图神经网络结合深度强化学习，使决策的图形包含相关的探索信息提供的人类专家来预测机器人的最佳感知动作的信念空间。该策略仅在单个仿真环境中训练，提供了一种实时、可扩展和可转移的决策策略，导致zero-shot转移到其他仿真环境甚至真实世界环境。
2021-05-11 cs.AI cs.LG cs.RO
Offline Reinforcement Learning for Autonomous Driving with Safety and Exploration Enhancement
University of Toronto（多伦多大学）；Michigan State University（密歇根州立大学）
强化学习（RL）是一种强大的数据驱动控制方法，在自动驾驶任务中得到了广泛的应用。然而，传统的RL方法通过与环境的试错交互来学习控制策略，因此在现实世界的交通中进行测试时可能会导致灾难性的后果，例如碰撞。离线RL最近成为一个很有前途的框架，可以从以前收集的静态数据集中学习有效的策略，而不需要主动交互，这使得它对自动驾驶应用程序特别有吸引力。尽管前景看好，但现有的离线RL算法（如批量约束深度Q学习（BCQ））通常会导致相当保守的策略，探索效率有限。为了解决这些问题，本文提出了一种增强的BCQ算法，通过在扰动模型中采用可学习的参数噪声方案，以增加所观察到的动作的多样性。此外，一个基于Lyapunov的安全增强策略被纳入到一个安全区域内的可探索的状态空间。在高速公路和停车场交通场景中的实验结果表明，我们的方法优于传统的RL方法，以及最先进的离线RL算法。
2021-11-02 cs.RO cs.SY eess.SY
Localization & Mapping Requirements for Level 2+ Autonomous Vehicles
Xona Space Systems（Xona空间系统公司）
自动驾驶汽车正在部署一系列功能，从个人车辆的高速公路驾驶员辅助功能（SAE 2级+）到在复杂城市环境中运行的全自动车队乘车共享服务（SAE 4级+）。这种自主性通常在不同的物理环境中运行，具有不同程度的假定驾驶员在环监督，因此具有非常不同的系统和子系统要求。SAE 2级至5级系统的核心是定位和地图绘制，范围从用于特征地理围栏或高级路线的道路确定，到用于高级驾驶员辅助的车道确定，再到用于全面车辆控制的车道定位。我们评估不同自治级别和支持功能的本地化和映射需求。这项工作为系统分解提供了一个框架，包括实现目标安全级别所需的冗余级别。我们研究了几个代表性的自主和援助功能，并提出建议，定位要求以及地图地理参考和信息完整性。
2023-01-05 cs.RO cs.SY eess.SY
Optimizing Terrain Mapping and Landing Site Detection for Autonomous UAVs
Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
下一代火星旋翼飞行器需要机载自主避险着陆。为此，这项工作提出了一个系统，执行连续的多分辨率高度图重建和安全着陆点检测。结构从运动测量聚合在一个金字塔结构，使用一种新的最佳混合高斯公式，提供了一个全面的不确定性模型。我们的多分辨率金字塔比过去的工作更有效，更准确地建立解耦金字塔填充从不同分辨率的测量更新。为了检测最安全的着陆位置，经过优化的危险分割，我们使用多个距离变换峰的均值漂移算法来考虑地形的粗糙度和不确定性。我们的贡献的好处是真实的和合成的飞行数据进行评估。
2022-05-07 cs.CV cs.RO
Stochastic triangular mesh mapping: A terrain mapping technique for autonomous mobile robots
Stellenbosch University（斯泰伦博斯大学）
对于移动机器人在一般环境中自主操作，需要以密集度量地图的形式感知。为了这个目的，我们提出了随机三角网格（STM）映射技术：2.5-D表示的环境的表面使用三角形表面元素的连续网格，其中每个表面元素模型的平均平面和粗糙度的底层表面。与现有的映射技术相比，STM映射通过确保连续模型来对环境的结构进行建模，同时还能够以测量次数的线性计算成本进行增量更新。我们通过使用地标相对子地图来减少机器人姿态（位置和方向）的不确定性的影响。在测量和机器人姿态的不确定性占在地图更新过程中使用贝叶斯推理技术。我们证明了STM地图可以与生成点测量的传感器一起使用，例如光检测和测距（LiDAR）传感器和立体相机。我们表明，STM地图是一个更准确的模型比唯一可比的在线表面映射技术$\unicode{x2014}$一个标准的海拔地图$\unicode{x2014}$，我们也提供了定性的结果，在实际的数据集。
2020-02-28 cs.LG cs.RO stat.ML
Safe Reinforcement Learning on Autonomous Vehicles
Honda Research Institute USA（美国本田研究所）
强化学习已经取得了许多进展，但学习过程的典型不受约束的探索阻止了这些方法在许多安全关键应用中的采用。安全强化学习的最新工作使用理想化模型来实现其保证，但这些模型不容易适应现实世界系统的随机性或高维性。我们研究了预测如何为约束探索提供一个通用和直观的框架，并展示了它如何用于安全地学习自动驾驶汽车上的交叉路口处理行为。
2019-09-27 cs.AI cs.LG cs.RO
Bio-inspired Autonomous Exploration Policies with CNN-based Object Detection on Nano-drones
University of Bologna（博洛尼亚大学）；KU Leuven（荷语鲁汶大学）；Dalle Molle Institute for Artificial Intelligence（达尔·莫勒人工智能研究所）；ETH Zürich（苏黎世联邦理工学院）
具有手掌大小形状因子的纳米尺寸无人机在物联网生态系统中越来越重要。为复杂的多目标任务实现高度自主性（例如，安全飞行、探测、目标检测）对于机载芯片组来说是极具挑战性的，这是由于严格限制存储器和计算的紧凑尺寸、有效载荷（<10 g）和功率包络约束。我们的工作通过将生物启发的导航策略（依赖于飞行时间距离传感器数据）与基于视觉的卷积神经网络（CNN）相结合来解决这个复杂的问题，用于目标检测。我们经过现场验证的纳米无人机配备了两个微控制器单元（MCU），一个用于安全导航和勘探策略的单核ARM Cortex-M4（STM 32），以及一个用于机载CNN推理的并行超低功耗八核RISC-V（GAP 8），功率包络仅为134 mW，包括图像传感器和外部存储器。目标检测任务在现场收集的数据集上实现了50%的平均精度（以1.6帧/秒）。我们比较了四种生物启发的探索策略，并确定了一种伪随机策略，以在3分钟的飞行中在~36m^2的未知房间中实现83%的最高覆盖面积。通过将检测CNN和探索策略相结合，我们在从未见过的环境中对六个目标对象的平均检测率为90%。
2023-02-01 cs.RO cs.SY eess.SY
Tactile-based Exploration, Mapping and Navigation with Collision-Resilient Aerial Vehicles
School of Manufacturing Systems and Networks, Ira A. Fulton Schools of Engineering, Arizona State University（制造系统与网络学院，伊拉·A·福尔顿工程学院，亚利桑那州立大学）
该研究提出被动可变形无人机XPLORER及快速外力估计算法，设计三种触觉运动基元实现未知环境高效探索导航，验证了其在接触密集型任务中的应用潜力。
2025-04-01 cs.RO cs.SY eess.SY
RMF-Owl: A Collision-Tolerant Flying Robot for Autonomous Subterranean Exploration
NTNU（挪威科技大学）；University of Nevada, Reno（内华达大学里诺分校）
本文介绍了RMF-Owl的设计、硬件实现、自主探测和目标检测能力，它是一种为弹性自主地下探测而设计的新型耐碰撞空中机器人。该系统专为地下勘探而定制，专注于碰撞容限、具有强大定位和映射功能的弹性自主性，以及在受限、充满障碍物和拓扑复杂的地下环境中进行高性能勘探路径规划。此外，RMF-Owl提供搜索、检测和定位感兴趣物体的能力，这在搜索和救援任务中特别有用。一系列的现场实验结果，以证明该系统的自主探索具有挑战性的未知地下环境的能力。
2022-02-22 cs.RO
Autonomous Exploration Development Environment and the Planning Algorithms
Carnegie Mellon University（卡内基梅隆大学）
Autonomous Exploration Development Environment是一个开源存储库，旨在促进高级规划算法的开发和完整自主导航系统的集成。该存储库包含代表性的仿真环境模型、基本导航模块，例如，本地规划器、地形可通过性分析、航路点跟踪和可视化工具。结合我们的两个高级规划器版本-用于探索的TARE规划器和用于路线规划的FAR规划器，我们详细介绍了三个开源存储库的使用情况，并分享了集成自主导航系统的经验。我们使用DARPA Subterranean Challenge作为一个用例，其中存储库一起形成CMU-OSU团队的主要导航系统。最后，我们讨论了扩展应用程序中的一些潜在用例。
2021-10-27 cs.RO
REF: A Rapid Exploration Framework for Deploying Autonomous MAVs in Unknown Environments
Luleå University of Technology（吕勒奥理工大学）
未知环境的探测和测绘是自主机器人应用中的一项基本任务。在这篇文章中，我们提出了一个完整的框架部署MAVs在未知的地下区域的自主勘探任务。探索算法的主要目的是为机器人描绘下一个最佳前沿，以便以快速，安全而有效的方式覆盖新的领域。所提出的框架使用了一种新的边界选择方法，该方法也有助于自主机器人在地下洞穴，矿山和城市地区等障碍区域的安全导航。在这项工作中提出的框架分叉的探索问题，在本地和全球的探索。所提出的探索框架也可根据机器人上可用的计算资源进行调整，这意味着可以在探索速度和地图质量之间进行权衡。这种能力允许所提出的框架被部署在地下勘探、测绘以及快速搜索和救援场景中。整个系统被认为是一个低复杂性和基线解决方案的导航和目标定位在隧道般的环境。所提出的框架的性能进行了评估，详细的模拟研究与高层次的探索规划框架的DARPA子T的挑战，因为它将在这篇文章中提出的比较。
2022-11-08 cs.RO
Frontier Based Exploration for Autonomous Robot
Maryland Robotics Center（马里兰机器人中心）；University of Maryland（马里兰大学）
探索是在初始未知的环境中选择对特定增益函数产生最大贡献的目标点的过程。基于边界的勘探是最常见的勘探方法，其中边界是开放空间和未勘探空间之间的边界区域。通过移动到一个新的边界，我们可以继续构建环境地图，直到没有新的边界可以检测。在本文中，一个自主的前沿为基础的探索策略，即波前前沿探测器（WFD）的描述和实现的露台仿真环境，以及在硬件平台上，即Kobuki TurtleBot使用机器人操作系统（ROS）。这种算法的优点是机器人可以探索大的开放空间以及小的杂乱空间。此外，将通过该技术生成的映射与使用turtlebot_teleop ROS包生成的映射进行比较和验证。
2018-06-10 cs.RO
Terrain-Aware Autonomous Planetary Exploration for Exteroceptive-Proprioceptive Mapping with Quadruped Scouts
Istituto Italiano di Tecnologia (IIT)（意大利理工学院）
本文提出一种结合外感受与本体感受建图的地形感知探索框架，用于四足机器人在月球类似环境中的自主导航，仿真表明该方法能有效扩展地图并降低运输成本。
2026-09-29 cs.RO
Autonomous Multi-Robot Exploration Strategies for 3D Environments with Fire Detection Capabilitie
College of Engineering University of Washington, Seattle, USA
本文综述了面向建筑探索与火灾探测的自主多机器人系统在2D/3D环境中的探索策略，提出基于OctoMap和势场避障的模块化定位、建图与轨迹规划方法，并展望了去中心化建图、多无人机协同和时变环境适应等未来方向。
2024-11-24 cs.RO
Semantic OcTree Mapping and Shannon Mutual Information Computation for Robot Exploration
University of California San Diego（加州大学圣地亚哥分校）
在非结构化和未知环境中的自主机器人操作需要使用流式范围和视觉观察进行映射和探索的有效技术。基于信息的探测技术，如柯西-施瓦茨二次互信息（CSQMI）和快速香农互信息（FSMI），已经成功地实现了主动二进制占用映射与距离测量。然而，当我们设想机器人执行复杂的任务，指定语义有意义的概念，它是必要的，以捕捉语义的测量，地图表示，和探索的目标。这项工作提出了语义八叉树映射和香农互信息（SSMI）计算机器人探索。我们开发了一个贝叶斯多类映射算法的基础上八叉树数据结构，其中每个体素保持一个分类分布的语义类。我们推导出一个封闭形式的有效计算的香农互信息之间的一个多类八元映射和一组范围类别的测量使用语义行程长度编码的传感器射线的下限。该界限允许快速评估许多潜在的机器人轨迹的自主探索和映射。我们将我们的方法与最先进的探索技术进行比较，并将其应用于各种模拟和真实世界的实验中。
2023-02-25 cs.RO
GVD-Exploration: An Efficient Autonomous Robot Exploration Framework Based on Fast Generalized Voronoi Diagram Extraction
Soochow University（苏州大学）；National University of Singapore（新加坡国立大学）；Southern University of Science and Technology（南方科技大学）；Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）
针对RRT随机采样导致的边界提取低效问题，提出基于广义Voronoi图（GVD）的多选择机器人探索框架，包含端到端建图、启发式边界提取与多选择分配方案，在效率和鲁棒性上优于RRT方法。
2023-09-12 cs.RO
Autonomous Exploration with Terrestrial-Aerial Bimodal Vehicles
Institute of Cyber-Systems and Control, College of Control Science and Engineering, Zhejiang University（控制科学与工程学院计算机系统与控制研究所，浙江大学）
针对自主探索中的能量与时间约束问题，提出面向陆空双模车辆的分层探索框架，通过扩展蒙特卡洛树搜索优化模式选择与视点排序，结合运动规划器构建完整感知系统，经仿真与真实平台验证有效。
2025-07-28 cs.RO
Hypermap Mapping Framework and its Application to Autonomous Semantic Exploration
University of Bonn（波恩大学）；Aalto University（阿尔托大学）
现代智能和自主机器人应用通常要求机器人具有比传统占用网格地图提供的更多的关于其环境的信息。例如，一个负责执行自主语义探索的机器人必须在自主导航的同时标记它正在穿越的环境中的物体。为了解决这个任务，机器人至少需要维护一个用于导航的环境的占用地图，一个跟踪已经访问过哪些区域的探索地图，以及一个记录环境中对象的位置和标签的语义地图。随着所需地图数量的增长，应用程序必须了解和处理不同的地图表示，这可能是一个负担。我们提出了Hypermap框架，它可以管理不同类型的多个地图。在这项工作中，我们探索的框架处理占用网格层和语义多边形层的能力，但框架可以扩展新的层类型在未来。此外，我们提出了一个算法，自动生成语义层的RGB-D图像。我们展示了实用的框架使用的例子自主探索语义映射。
2020-09-03 cs.RO
Explore-Bench: Data Sets, Metrics and Evaluations for Frontier-based and Deep-reinforcement-learning-based Autonomous Exploration
Tsinghua University（清华大学）
利用单个或多个机器人自主探索和绘制未知地形是移动机器人的一项重要任务，因此得到了广泛的研究。然而，由于缺乏统一的数据集，指标和平台来评估探索方法，我们开发了一个自主机器人探索基准，名为Explore-Bench。该基准涉及各种探测场景，并提出了两种类型的定量指标来评估探测效率和多机器人合作。Explore-Bench非常有用，因为最近，深度强化学习（DRL）已被广泛用于机器人探索任务，并取得了可喜的成果。然而，训练基于DRL的方法需要大量的数据集，此外，目前的基准依赖于现实的模拟器，模拟速度慢，这是不适合训练探索策略。因此，为了支持高效的日间行车训练和综合评估，建议的Explore-Bench设计了一个具有统一数据流和$12 \times$加速的3级平台，其中包括用于快速评估和高效训练的基于网格的模拟器、逼真的Gazebo模拟器和用于在物理环境中进行高精度测试的远程访问机器人测试台。建议的基准的实用性突出了一个基于DRL和三个基于前沿的勘探方法的应用。此外，我们分析了性能差异，并提供了一些见解的选择和设计的勘探方法。我们的基准可以在https://github.com/efc-robot/Explore-Bench上找到。
2022-02-24 cs.RO
Virtual Maps for Autonomous Exploration of Cluttered Underwater Environments
Stevens Institute of Technology（史蒂文斯理工学院）；Amazon Robotics（亚马逊机器人）；Exyn Technologies（Exyn科技）；SRI International（斯坦福国际研究院）
我们考虑自主移动机器人在未知环境中的探索问题，考虑到机器人的覆盖率，地图的不确定性，和状态估计的不确定性。本文提出了一种新的探索框架，水下机器人在复杂的环境中工作，建立在同时定位与地图构建（SLAM）与成像声纳。所提出的系统包括路径生成，地方识别预测，信念传播和效用评估使用虚拟地图，估计整个机器人的工作空间与地图单元格相关的不确定性。我们在模拟实验中评估了该框架的性能，结果表明，我们的算法在探索过程中保持了较高的覆盖率，同时还保持了较低的映射和定位误差。我们的框架在现实世界中的适用性也证明了水下遥控潜水器（ESTA）探索港口环境。
2022-02-16 cs.RO
Fast Frontier-based Information-driven Autonomous Exploration with an MAV
ETH Zurich（苏黎世联邦理工学院）；Imperial College London（帝国理工学院）
在未知环境中进行探索和无碰撞导航是自主机器人的一项基本任务。提出了一种新的微型飞行器探测策略。探索策略的目标是减少关于占用概率的地图熵，这反映在要最大化的效用函数中。我们实现了快速和高效的探索性能与我们的基于八叉树的占用映射方法，边界提取和运动规划之间的紧密集成-作为基于边界和基于采样的探索方法之间的混合。通过利用底层八叉树图表示中的边界体素的隐式分组，避免了在经典的基于边界的探索中采用的计算上昂贵的边界聚类。候选下一个视图从地图边界采样，并使用一个效用函数相结合的地图熵和旅行时间，其中前者是有效地使用稀疏光线投射计算进行评估。这些优化以及基于前沿的方法的有针对性的探索导致快速和计算效率高的勘探计划。所提出的方法进行评估，使用模拟和真实世界的实验，表现出明显的优势，国家的最先进的方法。
2020-02-13 cs.RO
EDEN: Efficient Dual-Layer Exploration Planning for Fast UAV Autonomous Exploration in Large 3-D Environments
Institute of Robotics and Automatic Information System, College of Artificial Intelligence, Nankai University（机器人与自动信息系统研究所，人工智能学院，南开大学）
EDEN提出一种高效双层探索规划方法，通过近似算法和曲率惩罚成本优化，提升大规模三维环境中的无人机探索效率与计算性能。
2025-10-18 cs.RO
Goal-Driven Autonomous Exploration Through Deep Reinforcement Learning
Industry-University Cooperation Foundation, Hanyang University（汉阳大学产学合作基金会）；Cogaplex company（Cogaplex公司）；Hanyang University（汉阳大学）
在本文中，我们提出了一种自主导航系统，用于通过深度强化学习（DRL）进行目标驱动的未知环境探索。从环境中获得可能的导航方向的兴趣点（POI），并基于可用数据选择最佳航路点。根据路径点，机器人被引导向全局目标，并缓解了反应式导航的局部最优问题。然后，通过仿真中的DRL框架学习局部导航的运动策略。我们开发了一个导航系统，这个学到的政策被集成到一个运动规划堆栈作为本地导航层之间的路径点移动机器人朝着一个全球目标。完全自主导航是在没有任何先验知识的情况下执行的，同时当机器人在环境中移动时记录地图。实验表明，该方法具有优于类似的探索方法，不依赖于地图或先验信息，在复杂的静态以及动态环境。
2021-09-09 cs.RO
Practical Aspects of Autonomous Exploration with a Kinect2 sensor
Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague（布拉格捷克理工大学信息学、机器人学与控制论研究所）
移动机器人对未知环境的探索是一项复杂的任务，涉及到从数据处理、定位到高层规划和决策等许多基本问题的解决。我们开发的探索框架是基于由MS Kinect 2传感器提供的RGBD数据的处理，其允许利用最先进的SLAM（同时定位与地图构建）算法，并自主构建具有关于场景的投影视觉信息的环境的逼真3D地图。在本文中，我们描述了实际的问题，在部署过程中出现的框架在真实的室内和室外环境中，特别是讨论的属性SLAM算法处理MS Kinect2数据的嵌入式计算机上。
2017-07-31 cs.RO
A Novel Methodology for Autonomous Planetary Exploration Using Multi-Robot Teams
James Watt School of Engineering, University of Glasgow（格拉斯哥大学詹姆斯·瓦特工程学院）
本文提出一种融合多源数据的三阶段多机器人行星探测规划方法，利用4D RRT*和优先级规划生成安全高效路径，最大化科学兴趣点识别概率。
2024-05-21 cs.RO
MACE: Multi-Agent Autonomous Collaborative Exploration of Unknown Environments
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）
在本文中，我们提出了一个新的框架，多智能体协作探索未知环境。该方法结合了地图绘制、安全走廊生成和多智能体规划等方面的最新算法。它首先需要一个我们想要探索的体积，然后继续为多个代理提供不同的目标，以便探索该体积的体素网格。当所有体素被发现为空闲或被占用时，或者没有为剩余的未发现的体素找到路径时，探索结束。国家的最先进的规划算法使用时间感知的安全邻居，以保证内部代理碰撞安全以及静态障碍物的安全。所提出的方法进行了测试，在最先进的模拟器多达4个代理。
2022-08-16 cs.RO
Confidence-rich Localization and Mapping based on Particle Filter for Robotic Exploration
Zhejiang University（浙江大学）；Xi’an Jiaotong University（西安交通大学）
本文主要研究了距离感知机器人在置信度丰富地图（CRM）中的定位和映射问题，并对其进行了扩展，为信息论探索提供了完整的状态估计。以往的主动式同时定位与地图构建和探测的研究大多假设机器人的位姿是已知的，或者利用不准确的信息度量来近似位姿的不确定性，从而导致在未知环境中探测性能和效率的不平衡。这启发了我们扩展具有可测量姿态不确定性的富置信互信息（CRMI）。具体来说，我们提出了一种基于Rao-Blackwellized粒子滤波器的CRM定位和映射方案（RBPF-CLAM），然后我们开发了一种新的封闭形式的加权方法，以提高定位精度没有扫描匹配。我们进一步推导出不确定CRMI（UCRMI）与加权粒子通过更精确的近似。仿真和实验结果表明，所提出的方法的定位精度和勘探性能。
2022-07-26 cs.RO
Robotic Exploration for Mapping
University of California, San Diego（加州大学圣地亚哥分校）；Contextual Robotics Institute（情境机器人研究所）
本文综述机器人探索、自主导航与传感器技术的最新研究进展，重点讨论面向无人载具、用于未知区域建图的机器人探索算法及其典型应用。
2023-07-17 cs.RO
Bayesian Generalized Kernel Inference for Exploration of Autonomous Robots
Zhejiang University（浙江大学）；Xi’an Jiaotong University（西安交通大学）
本文涉及实现高效的信息理论机器人探索与所需的性能在复杂的场景。我们建立了一个连续的轻量级推理模型来预测的互信息（MI）和相关的预测置信度的机器人的候选动作没有被显式评估。这使得机器人探索中的决策阶段可以近似以对数复杂度运行，这也将有利于在大型非结构化和混乱的地方进行在线探索，这些地方需要更多的空间样本来评估和决定。我们还开发了一个目标函数来平衡具有最高MI值的局部最优行动和具有高预测方差的全局选择。大量的数值和数据集模拟表明，我们所提出的方法在不同的环境中不失去探索性能的期望效率。我们还为机器人社区提供在GitHub上发布的开源实现代码。
2023-01-02 cs.RO
