Autonomous Frontier-Based Exploration with VLM Guidance
EECS Department, University of California（加州大学EECS系）
提出利用视觉语言模型进行高层战略决策，替代几何启发式，通过多模态提示选择最优前沿，在模拟环境中将地图覆盖率提升高达24%。
2026-05-22 cs.AI cs.CL 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
Frontier Shepherding: A Bio-inspired Multi-robot Framework for Large-Scale Exploration
Institute for Systems and Robotics（系统与机器人研究所）
本文提出一种生物启发的多机器人框架，用于高效探索大规模环境，通过模拟牧羊犬行为提升探索效率，实验表明其在复杂环境中表现优异。
2025-09-02 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
FSMP: A Frontier-Sampling-Mixed Planner for Fast Autonomous Exploration of Complex and Large 3-D Environments
Nankai University（南开大学）；College of Artificial Intelligence（人工智能学院）；Institute of Robotics and Automatic Information System（机器人与自动信息系统研究所）
提出FSMP框架，结合基于前沿和采样的策略，利用FOV检测器与确定性采样构建增量路网，通过两阶段路径规划器实现复杂大型3-D环境的快速自主探索。
2025-02-28 cs.RO
Frontier-based Automatic-differentiable Information Gain Measure for Robotic Exploration of Unknown 3D Environments
Carnegie Mellon University（卡内基梅隆大学）
由机器人代理自主探索未知区域的路径规划问题通常采用基于前沿或信息理论的算法。基于边界的体素分析通常通过可见边界体素的数量来评估视点的信息增益，可见边界体素是只能通过采样来优化的离散度量。另一方面，信息论算法将信息增益计算为地图和传感器测量之间的互信息。虽然可以计算这些措施的梯度，计算涉及昂贵的数值微分。在这项工作中，我们添加了一个新的模糊逻辑过滤器在周围的视点，它允许相对于视点的信息增益的梯度的计数使用自动微分有效地计算。这使我们能够同时优化信息增益与其他可微的质量措施，如路径长度。使用多个仿真环境，我们证明了所提出的基于梯度的优化方法不断提高信息增益和其他质量措施的探索路径。
2020-11-10 cs.RO
Enhancing Multi-Robot Exploration Using Probabilistic Frontier Prioritization with Dirichlet Process Gaussian Mixtures
Institute for Systems and Robotics / LARSyS and Instituto Superior Técnico, Universidade de Lisboa（系统与机器人研究所 / LARSyS 和里斯本大学理工学院）；Instituto de Telecomunicações and Instituto Superior Técnico, Universidade de Lisboa（电信研究所和里斯本大学理工学院）
本文提出了一种基于概率前沿优先级和狄利克雷过程高斯混合模型的改进方法，以提升多机器人探索的效率，通过在两种先进的多智能体探索算法中集成该方法，实现了在不同环境复杂度、通信限制和团队规模下的性能提升，实验结果表明平均性能提升了10%至14%。
2026-06-04 cs.RO
Multi-Objective Autonomous Exploration on Real-Time Continuous Occupancy Maps
Indiana University-Bloomington（印第安纳大学伯明顿分校）；Wing, Alphabet Inc.（Alphabet公司Wing）
使用移动机器人在未知环境中进行自主探索是许多机器人应用的支柱。现有的探索框架要么选择最近的几何边界，要么选择最近的信息论边界。然而，仅仅因为边界本身是信息化的，并不一定意味着机器人在到达该边界后将处于信息化区域。为了填补这一空白，我们建议使用一个多目标的变体蒙特卡罗树搜索，提供了一个非近视的帕累托最优动作序列，导致机器人的未知区域发现的最大程度的前沿。我们还采用贝叶斯希尔伯特映射（BHM）的连续占用映射，使其更适用于实时的【形】任务。
2021-10-29 cs.RO
Self-Exploration in Complex Unknown Environments using Hybrid Map Representation
Institute for Infocomm Research（资讯通信研究所）；University of California, Irvine（加州大学尔湾分校）；National University of Singapore（新加坡国立大学）
提出了一种基于广义沃罗诺伊图（GVD）的拓扑地图和基于网格的度量地图的混合地图表示方法，以促进新的前沿驱动的探索策略。探索边界是开放空间和未探索空间之间的边界区域。移动机器人能够通过添加新的空间和移动到未访问的边界来构建其地图，直到整个环境都被探索过。现有的勘探方法缺乏系统的方法来确定和分配最优勘探命令，导致复杂环境下勘探效率低下。利用从GVD地图（全球）和在本地滑动窗口中检测到的前沿提取的信息，提出了一种全球-本地探索策略，以分层的方式处理探索任务。新的探索算法能够创建一个修改后的树结构来表示环境，同时在自我探索过程中巩固全局前沿信息。该方法在模拟环境中进行了验证，然后在真实的办公环境中进行了测试。
2020-04-18 cs.RO
Asymptotically-Bounded 3D Frontier Exploration enhanced with Bayesian Information Gain
Institute for Systems and Robotics, Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等技术学院系统与机器人研究所）
本文提出一种基于OctoMap的前沿探索算法，通过策略性正向和逆向传感器建模实现渐近有界的性能，结合贝叶斯回归器估计信息增益，提升计算效率，实验证明在不同空间尺度下总探索时间提升54%。
2026-04-03 cs.RO
A Heuristic Autonomous Exploration Method Based on Environmental Information Gain During Quadrotor Flight
本文针对四旋翼自主探索效率低的问题，提出基于采样的前沿检测和启发式视点评估的两级方法，显著缩短前沿搜索、探索时间与路径。
2024-02-25 cs.RO
SHIELD: Spherical-Projection Hybrid-Frontier Integration for Efficient LiDAR-based Drone Exploration
Zhuoyi Intelligent Tech Co, Ltd.（卓奕智能科技有限公司）
SHIELD通过球面投影和混合前沿方法提升基于LiDAR的无人机探索效率与安全性。
2025-12-30 cs.RO
Robotic Exploration of Unknown 2D Environment Using a Frontier-based Automatic-Differentiable Information Gain Measure
Carnegie Mellon University（卡内基梅隆大学）
自主机器人探索路径规划方法的核心是一种启发式方法，它鼓励探索环境中的未知区域。这种统计学通常使用基于前沿或信息理论的方法来计算。基于边界的方法将探索路径的信息增益定义为从路径可见的边界单元或边界的数量。然而，这种信息增益度量的离散和不可微性质使得难以使用基于梯度的方法进行优化。相比之下，信息论方法将信息增益定义为传感器的测量值与所探索的地图之间的互信息。然而，互信息的梯度的计算涉及有限差分，因此计算昂贵。本文提出了一种结合基于采样的路径规划和基于梯度的路径优化的探索规划框架。这个框架的主要贡献是一个新的重新制定的信息增益作为一个可微的功能。这使我们能够同时优化信息增益和其他可区分的质量指标，如平滑度。所提出的规划框架的有效性进行了验证，在仿真和硬件实验中使用的Turtlebot3汉堡机器人。
2020-11-10 cs.RO
Autonomous Implicit Indoor Scene Reconstruction with Frontier Exploration
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）
针对 NBV 自主隐式重建覆盖不全、视角采样耗时的问题，本文融合前沿探索与颜色不确定性引导的重建，并自适应切换规划模式，在 UAV 上实现高效高质量室内场景重建。
2024-04-16 cs.AI cs.RO
HPHS: Hierarchical Planning based on Hybrid Frontier Sampling for Unknown Environments Exploration
School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院）；RAL, Baidu Research（百度研究院RAL）
提出HPHS方法，结合混合前沿采样与分层规划，降低规划复杂度并减少区域残留，提升未知环境自主探索的效率与效果。
2024-07-19 cs.RO
FUEL: Fast UAV Exploration using Incremental Frontier Structure and Hierarchical Planning
Hong Kong University of Science and Technology（香港科技大学）
自主探测是无人机各种应用的基础问题。然而，现有的方法，被证明是不够的探索率，由于缺乏有效的全球覆盖，保守的运动计划和低决策频率。在本文中，我们提出了燃料，一个分层的框架，可以支持快速无人机探索在复杂的未知环境。我们保持在整个空间所需的勘探规划的前沿信息结构（FIS），它可以在空间探索时逐步更新的关键信息。在FIS的支持下，一个分层的规划器计划探索运动在三个步骤中，找到有效的全球覆盖路径，细化一组本地的观点，并生成最短时间的轨迹序列。我们提出了广泛的基准测试和真实世界的测试，其中我们的方法以前所未有的效率（比最先进的方法快3-8倍）完成了探索任务。我们的方法将开源以造福社区。
2020-12-26 cs.RO
Prune-Then-Plan: Step-Level Calibration for Stable Frontier Exploration in Embodied Question Answering
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
Prune-Then-Plan通过分步校准稳定具身问答中的前沿探索，提升导航效率和回答质量。
2025-11-24 cs.AI cs.CV 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
FAEP: Fast Autonomous Exploration Planner for UAV Equipped with Limited FOV Sensor
Wuhan University（武汉大学）；Nanjing Tech University（南京工业大学）
自主探测是实现无人机自主运行的重要环节之一。为了提高探测过程的效率，本文提出了一种快速自主探测规划器（FAEP）。首先设计了一种新的边界探索序列生成方法，该方法不仅考虑了飞行层因素，还考虑了边界层因素，从而得到了更合理的探索路径。根据勘探顺序和边界分布，提出了一种两阶段航向规划策略，在一次勘探过程中通过改变航向覆盖更多的边界。为了提高路径搜索的稳定性，提出了一种基于引导路径的引导式运动动力学路径搜索方法。此外，还采用了一种动态的起点选择方法进行重新规划，以增加飞行的流畅性。我们提出了足够的基准和现实世界的实验。实验结果表明，与典型的和国家的最先进的方法相比，所提出的勘探规划的优越性。
2022-02-25 cs.RO
Ada-Detector: Adaptive Frontier Detector for Rapid Exploration
Nanjing University of Science and Technology（南京理工大学）；University of Macau（澳门大学）
本文提出了一种基于自适应快速探索随机树（RRT）的边界检测方法。机器人在探索未知环境时，可以实现实时增量边界检测。首先，我们的检测器通过感知周围环境结构自适应地调整RRT的采样空间。自适应采样空间可以根据环境结构大大提高RRT的成功采样率（成功添加到RRT树的样本数与采样尝试次数的比值），控制RRT的扩展偏差。其次，通过产生非均匀分布的样本，我们的方法还解决了滑动窗口中RRT的过采样问题，其中均匀随机采样导致两个相邻滑动窗口之间的重叠区域中的过采样。这样，我们的检测器更倾向于在最新探索的区域进行采样，提高了前沿检测的效率，实现了增量检测。我们验证了我们的方法在三个模拟的基准场景。实验结果表明，与SOTA方法DSV Planner相比，该方法的前沿检测时间减少了40%左右。
2022-04-13 cs.RO
Reinforcement Learning Driven Multi-Robot Exploration via Explicit Communication and Density-Based Frontier Search
Luleå University of Technology（吕勒奥理工大学）
本文提出一种基于强化学习的去中心化多机器人协同探索框架，结合A*轨迹前沿特征和受约束的显式通信机制，在仿真与真实实验中验证了其鲁棒性和可扩展性。
2024-12-28 cs.RO
Reinforcement Learning with Frontier-Based Exploration via Autonomous Environment
Singapore Institute of Technology (SIT)（新加坡理工学院）
针对多前沿距离相近导致探索路径非最优的问题，本文将ExploreORB视觉图SLAM与强化学习结合，利用奖励机制优化前沿选择与运动路径，并通过Gazebo实验验证其效率与精度。
2023-07-14 cs.LG cs.RO
Temporal-Logic-Aware Frontier-Based Exploration
本文提出了一种基于提交状态的前沿探索算法，用于使自主机器人在未知环境中满足时间逻辑规范。
2026-02-21 cs.RO
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
Multi-AGV's Temporal Memory-based RRT Exploration in Unknown Environment
Singapore University of Technology and Design（新加坡科技设计大学）
随着多机器人在复杂环境中探索未知区域的需求的增加，需要有效的协作探索策略来实现这一壮举。可以部署基于前沿的快速探索随机树（RRT）探索来探索未知环境。然而，它的贪婪行为导致多个机器人探索具有最高收益的区域，这导致探索过程中的大量重叠。为了解决这个问题，我们提出了一个基于时间记忆的RRT（TM-RRT）的探索策略，多机器人进行鲁棒的探索在一个未知的环境。它为每个分配的边界计算自适应持续时间，并根据每个机器人的相对位置计算边界的收入。此外，每个机器人都配备了一个存储器，包括边界分配和舰队之间的共享，以防止重复分配相同的边界。通过模拟和实际部署，我们已经通过在25.0 m x 54.0 m（1350.0 m2）区域内完成勘探，证明了TM-RRT勘探策略的鲁棒性，而常规RRT勘探策略则有所不足。
2022-07-15 cs.MA 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
Robotic Exploration through Semantic Topometric Mapping
Luleå University of Technology（吕勒奥理工大学）
提出一种基于语义拓扑度量地图的机器人探索策略，通过利用结构语义信息（如交叉口属性）结合边界度量，实现更快、计算更高效的探索，并在室内环境中验证其有效性。
2024-06-26 cs.RO
FU-MPC: Frontier- and Uncertainty-Aware Model Predictive Control for Efficient and Accurate UAV Exploration with Motorized LiDAR
NTU（国立新加坡大学）
本文提出FU-MPC框架，通过结合前沿感知和方向依赖的定位不确定性，提升无人机在复杂环境中的探索效率和定位鲁棒性。
2026-05-14 cs.RO
Autonomous Exploration Method for Fast Unknown Environment Mapping by Using UAV Equipped with Limited FOV Sensor
Wuhan University（武汉大学）
自主探测是实现快速自主测绘和目标搜索的重要环节之一。然而，现有的大多数方法都面临着低质量的弹道或来回机动造成的低效率的问题。为了提高未知环境下的探测效率，提出了一种快速自主探测规划器（FAEP）。与现有方法不同，本文首先设计了一种新的边界探索序列生成方法，该方法不仅考虑了飞行层的因素，还考虑了边界层的因素，以获得更合理的探索路径。然后，根据探测序列和边界的分布，提出了一种自适应偏航规划方法，在探测过程中通过偏航变化覆盖更多的边界。此外，为了提高飞行的速度和流畅性，还采用了动态重规划策略。我们提出了充分的比较和评估实验在模拟环境中。实验结果表明，所提出的探索规划器具有更好的性能，在飞行时间和飞行距离相比，典型的和国家的最先进的方法。此外，所提出的方法的有效性进一步评估在现实世界的环境中。
2023-02-05 cs.RO
Biasing Frontier-Based Exploration with Saliency Areas
Università degli Studi di Milano, Italy（米兰大学）；Politecnico di Milano, Italy（米兰理工学院）
提出一种利用神经网络生成显著性图以识别高价值区域的方法，通过显著性区域偏置基于边界的探索策略，显著影响机器人探索行为。
2025-08-14 cs.RO
WOLF: World Model Guided LiDAR Exploration with Predictive Frontiers
University of Science and Technology of China（中国科学技术大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；East China University of Science and Technology（华东理工大学）；Zhejiang University（浙江大学）；Northwestern Polytechnical University（西北工业大学）；TeleAI
提出WOLF框架，利用循环世界模型预测未来观测并生成预测前沿，引导无人机激光雷达探索，显著提升效率和覆盖率。
2026-09-22 cs.RO
A Graph-Based Reinforcement Learning Approach with Frontier Potential Based Reward for Safe Cluttered Environment Exploration
Department of Computer Science, Electrical and Space Engineering, Luleå University of Technology（计算机科学、电气与航天工程系，吕勒奥技术大学）
提出结合图神经网络探索贪心策略与安全护盾的方法，用近端策略优化算法训练网络，最大化探索效率并减少护盾干预，还提出奖励函数，能在杂乱环境高效安全探索。
2026-07-07 cs.RO
FrontierNet: Learning Visual Cues to Explore
Computer Vision and Geometry Group, ETH Zurich（苏黎世联邦理工学院计算机视觉与几何组）；Mobile Robotics Lab, Technical University of Munich（慕尼黑技术大学移动机器人实验室）；Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室）；Microsoft Mixed Reality and AI Lab（微软混合现实与人工智能实验室）；Robot Perception and Learning Lab, University of Bonn（波恩大学机器人感知与学习实验室）
本文提出仅依赖视觉的边界探索系统FrontierNet，利用2D视觉线索和单目深度先验预测边界及其信息增益，替代依赖3D地图的目标提取方法，将早期探索效率提升15%。
2025-05-07 cs.CV cs.RO
MapExRL: Human-Inspired Indoor Exploration with Predicted Environment Context and Reinforcement Learning
Brown University（布朗大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Michigan（密歇根大学）
MapExRL提出一种结合全局地图预测与强化学习的室内探索方法，利用前沿信息进行长视野规划，在真实数据集上相比最先进基线提升达18.8%。
2025-09-26 cs.RO
Frontier Semantic Exploration for Visual Target Navigation
University of Groningen（格罗宁根大学）
针对视觉目标导航在大型未知场景中的不足，提出基于前沿语义策略的框架，利用深度强化学习选择前沿单元作为长期目标，在Gibson和HM3D上显著提升成功率与效率。
2023-12-25 cs.RO
Topological Exploration using Segmented Map with Keyframe Contribution in Subterranean Environments
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
本文针对地下大规模环境探索效率低的问题，提出基于三维稠密地图生成分段探索区域和利用LiDAR视线特征构建拓扑地图的方法，通过关键帧贡献切换局部与全局路径规划，实现探索体积增量性能提升62%。
2023-09-15 cs.RO
Situation Aware Frontier Prioritization for Quadruped Search and Rescue
Technological University of Uruguay（乌拉圭理工大学）
本文提出情境感知前沿优先方法，在Gazebo仿真的两类室内救援场景中，该方法较其他方法实现最高完成率与幸存者回收率，适用于复杂救援场景的平衡决策。
2026-08-04 cs.RO
3D Reactive Control and Frontier-Based Exploration for Unstructured Environments
University of Colorado Boulder（科罗拉多大学博尔德分校）
本文提出了一个可靠的和强大的规划解决方案，在极端混乱的环境中的远程机器人导航问题。提出了一种两层规划架构，该架构利用环境地图和直接深度传感器信息来确保机载传感器的最大信息增益。基于前沿的姿态采样技术与快速行进的成本去计算，以选择一个目标位姿和规划路径，以最大限度地提高机器人的探索率。人工势函数方法，依赖于直接的深度测量，使机器人能够遵循的路径，同时避免小的场景障碍，没有在地图中捕获由于映射和定位的不确定性。我们证明了所提出的方法的可行性和鲁棒性，通过现场部署在一个结构复杂的仓库使用微型飞行器（MAV）与所有的传感和计算进行板载。
2021-08-01 cs.RO cs.SY eess.SY
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
Efficient Dense Frontier Detection for 2D Graph SLAM Based on Occupancy Grid Submaps
RoMb Technologies d.o.o.（RoMb技术有限公司）
在自主机器人探索中，边界是世界地图上已探索空间和未探索空间之间的边界。边界在决定机器人下一步应该去探索环境中的何处时起着重要作用。我们研究了用于自主探索的模块化控制系统管道，其中基于占用网格子地图的2D图形SLAM算法执行地图构建和定位。我们提供了一个概述的前沿检测和相关的SLAM概念的最新技术，并提出了一个专门的前沿检测方法，有效地约束到活动的子地图，但强大的SLAM循环关闭。
2019-07-15 cs.RO eess.IV
Learning Robot Exploration Strategy with 4D Point-Clouds-like Information as Observations
Southern University of Science and Technology（南方科技大学）；Tencent Robotics X（腾讯机器人X实验室）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
能够探索未知环境是完全自主机器人的要求。已经提出了许多基于学习的方法来学习探索策略。在基于前沿的探索中，学习算法倾向于学习最优或接近最优的前沿进行探索。这些方法中的大多数将环境表示为固定大小的图像，并将这些图像作为神经网络的输入。然而，环境的大小通常是未知的，这使得这些方法无法推广到现实世界的场景。为了解决这个问题，我们提出了一种新的状态表示方法的基础上4D点云的信息，包括位置，边界和距离信息。我们还设计了一个神经网络，可以处理这些4D点云的信息，并生成每个边界的估计值。然后使用典型的强化学习框架对该神经网络进行训练。我们测试我们提出的方法的性能，通过比较它与其他五种方法，并测试其可扩展性的地图上，是远远大于地图的训练集。实验结果表明，该方法只需较短的平均移动距离就能探测到整个环境，并可应用于任意大小的地图。
2021-06-17 cs.RO
Auxiliary Heuristics for Frontier Based Planners
Manipal Institute of Technology（曼尼帕尔理工学院）
自主探索未知环境是机器人的一项重要功能，在各种场景中都有应用。我们的重点主要在于它的应用程序的任务，有效覆盖未知的环境。已经提出了各种方法来完成这项任务，基于边界的方法是这类方法中的有效类别。效率在勘探中至关重要，而地理学在指导我们的搜索中起着关键作用。在这项工作中，我们展示了通过模仿千里眼神谕来学习的占卜能力。这些学习到的算法可以用来预测来自选定状态的预期未来回报，而无需构建搜索树，这是低效的，并受到板载计算的限制。我们还提出了一个额外的过滤器为基础的启发式的结果在增强性能的前沿为基础的规划器相对于某些任务，如覆盖规划。
2021-08-26 cs.RO
Learning-Augmented Model-Based Planning for Visual Exploration
George Mason University（乔治梅森大学）
本文针对时间受限的未知环境视觉探索问题，提出一种学习增强的模型驱动规划方法，通过深度网络估计前沿的未观测面积与探索耗时，并结合贝尔曼方程进行规划，在Matterport3D上显著提升了覆盖率。
2023-08-09 cs.CV cs.RO
Beyond Frontiers: Scene-Anomaly Guided Autonomous Exploration
Robotics Research Center, IIIT-Hyderabad（机器人研究中心，印度国际信息技术学院海得拉巴分校）
研究针对传统3D环境自主探索方法忽视结构背景致轨迹低效及重建质量差的问题，提出SCAGE框架，将探索视为几何异常最小化问题，依据对室内建筑的理解标记异常引导机器人，实现空间发现与高保真映射结合，提升了覆盖率和重建质量。
2026-07-20 cs.CV cs.RO
coExplore: Combining multiple rankings for multi-robot exploration
Technical University of Munich（慕尼黑工业大学）
本文提出coExplore多机器人探索算法，通过引入基于信息增益的排名机制，克服了现有方法偏向大边界的缺陷，在三个模拟场景中整体性能提升5%，并开源代码以促进相关研究。
2023-04-10 cs.MA cs.RO
OPAL: Omnidirectional Path-efficient Aerial 3D expLoration
Department of Electrical Engineering and Computer Sciences, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系）
提出OPAL框架，通过在歧义分支点进行360度偏航旋转替代计算密集的全局路径规划，实现计算简单、路径短且覆盖率高的自主探索。
2026-05-25 cs.RO
RayFronts: Open-Set Semantic Ray Frontiers for Online Scene Understanding and Exploration
Carnegie Mellon University（卡内基梅隆大学）
RayFronts提出统一表示，将开集语义同时编码到范围内体素和超出范围射线，实现高效稠密语义建图，显著减少搜索体积并提升分割性能与吞吐量。
2025-04-09 cs.AI cs.CV cs.LG
Efficient Frontier Management for Collaborative Active SLAM
École Centrale de Nantes（南特中央理工学院）；University of Genoa（热那亚大学）
针对多机器人协作主动SLAM，提出一种集中式前沿共享方法，通过信息增益、距离和奖励计算最大化探索并分散机器人，同时保持低不确定性，并引入同步与异步协调机制，在ROS中实现并验证了其有效性。
2024-07-22 cs.RO
LGR: LLM-Guided Ranking of Frontiers for Object Goal Navigation
University of Fukui（福井大学）
本研究利用LLM的常识推理，将目标导航中的前沿探索访问顺序问题转化为前沿排序问题，通过动态管理前沿列表和倒数秩向量融合多视图信息，在Habitat-Sim中验证了有效性。
2025-03-26 cs.AI cs.RO
Mapping at First Sense: A Lightweight Neural Network-Based Indoor Structures Prediction Method for Robot Autonomous Exploration
Beijing University of Technology（北京工业大学）；Tsinghua University（清华大学）；Peking University（北京大学）；Southwest Minzu University（西南民族大学）
本文提出轻量级神经网络方法 Mapping at First Sense 及 SenseMapNet，通过预测局部地图未观测区域提升机器人室内自主探索效率，并构建 SenseMapDataset 数据集，实验表明其重建质量更优且探索时间较传统前沿方法缩短 46.5%。
2025-04-05 cs.AI cs.RO
OTO Planner: An Efficient Only Travelling Once Exploration Planner for Complex and Unknown Environments
School of Automation, Southeast University（东南大学自动化学院）
本文提出OTO Planner探索规划器，通过选择性前沿更新、封闭子区域检测的视点评估和视点细化，减少重复路径并提升效率，实验表明探索时间和移动距离降低10%-20%，前沿检测速度提高6-9倍。
2024-11-21 cs.CV cs.RO
Efficient Multi-robot Active SLAM
Laboratoire des Sciences du Numérique de Nantes (LS2N), CNRS（劳伦斯数字科学南特实验室（LS2N），CNRS）；Ecole Centrale de Nantes (ECN)（南特中央理工学院（ECN））；University of Genoa（热那亚大学）
针对现有多机器人主动SLAM方法计算成本高、前沿管理效率低的问题，提出一种采用前沿共享策略、整合位姿图不确定性与路径熵效用函数的高效框架，经仿真与实机验证，其探索性能和建图质量优于现有最优方法。
2025-05-19 cs.RO
An Enhanced Hierarchical Planning Framework for Multi-Robot Autonomous Exploration
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
针对多机器人自主探索中贪婪法短视与端到端DRL高维难收敛的问题，提出融合边界检测、mGNN策略学习和子序列路径规划的三层框架，显著降低时间步与数据传输。
2024-10-25 cs.RO
SPACE: 3D Spatial Co-operation and Exploration Framework for Robust Mapping and Coverage with Multi-Robot Systems
School of Computing, University of Georgia（佐治亚大学计算学院）
针对多机器人室内视觉建图中重影轨迹和前沿选择忽视重建的问题，提出SPACE半分布式框架，利用几何技术和自适应前沿分配实现覆盖与建图平衡，在仿真中优于现有方法。
2024-11-04 cs.CV cs.MA cs.RO
