Decentralized Heterogeneous Multi-Robot Collaborative Exploration for Indoor and Outdoor 3D Environments
College of Artificial Intelligence, Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳)人工智能学院);Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong(香港中文大学机械与自动化工程系)
本文提出去中心化协作框架,通过改进的监督体素分割和遗传算法优化,实现异构多机器人在复杂3D环境中的高效探索与通信节约。
2026-05-09 cs.RO
PIPE Planner: Pathwise Information Gain with Map Predictions for Indoor Robot Exploration
Ulsan National Institute of Science and Technology(乌山国立科学研究院);Robotics Institute, School of Computer Science at Carnegie Mellon University(卡内基梅隆大学计算机科学学院机器人研究所)
针对室内机器人自主探索中路径式信息增益计算难、易高估的问题,提出PIPE规划器,结合地图预测与高效预期观测掩码计算,在真实楼层平面图数据集上性能优于现有最优基线。
2025-08-01 cs.RO
Online Semantic Exploration of Indoor Maps
Technische Universität München(慕尼黑工业大学);Siemens AG(西门子股份公司)
在本文中,我们提出了一种方法来提取一个抽象的平面图从典型的网格地图使用贝叶斯推理。这个过程的结果是在抽象概念上定义的环境的概率生成模型。它非常适合更高层次的推理和通信目的。我们通过真实世界的实验证明了该方法的有效性。
2020-02-21 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
Exploration of Indoor Environments Predicting the Layout of Partially Observed Rooms
Università degli Studi di Milano(米兰大学);Politecnico di Milano(米兰理工大学)
我们考虑探索任务,自主移动机器人逐步建立最初未知的室内环境的地图。在这样的任务中,机器人做出一系列关于下一步移动的决定,这些决定通常是基于对环境中观察到的部分的了解。在本文中,我们提出了一种方法,利用预测的几何结构的未知部分的环境,以提高勘探性能。特别是,我们利用现有的方法,从局部网格地图开始重建环境的布局,并预测部分观察到的房间的形状的基础上的几何特征表示的室内环境的阴影。然后,我们最初采用预测的布局来估计机器人将从候选位置观察到的新区域的量,以便通知下一个最佳位置的选择,并在预计不会发现进一步的相关区域时提前停止探索。实验表明,我们的方法是能够有效地预测部分观察到的房间的布局,并利用这些知识来加快探索。
2020-04-15 cs.CV 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
SLAM-based Safe Indoor Exploration Strategy
Center for Artificial Intelligence \& Robotics (CAIR) New York University Abu Dhabi (NYUAD) United Arab Emirates;Robotics \& Intelligent Systems Control Lab NYUAD United Arab Emirates
针对无法即时控制位姿的经典圆形足迹智能体,提出基于RTAB-SLAM和安全骨架方法的2D室内探索策略,以安全性为最高优先级,通过ROS实验验证了路径规划有效性。
2025-08-19 cs.RO
OpenSpace Lab Solution to the IROS 2026 Indoor Exploration Competition
China University of Mining and Technology-Beijing(中国矿业大学(北京));Macau University of Science and Technology(澳门科技大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Shenzhen University(深圳大学);Technical University of Munich(慕尼黑工业大学)
针对IROS 2026室内探索竞赛,提出基于预训练地图补全与剩余时间策略的单机器人探索,及效用驱动的多机器人协调方法,获公开赛道第一、私有赛道第三。
2026-10-02 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
Semantic Region Aware Autonomous Exploration for Multi-Type Map Construction in Unknown Indoor Environments
Chongqing University(重庆大学)
针对自主探索过度重复问题,提出语义区域感知方法优化导航策略,支持构建四种地图,相比 RRT 方法在保持高探索率下显著减少探索时间和轨迹长度。
2024-10-10 cs.RO cs.SY eess.SY
NExG: Provable and Guided State Space Exploration of Neural Network Control Systems using Sensitivity Approximation
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Duke University(杜克大学)
提出了一种新的神经网络反馈控制器的闭环控制系统的状态空间探索方法。我们的方法涉及近似的闭环动态的轨迹的灵敏度。使用这样的近似器和系统模拟器,我们提出了一个引导状态空间探索方法,可以生成在指定的时间访问目标状态的邻域的轨迹。我们提出了一个理论框架,建立我们的方法将产生一系列的轨迹,将达到一个合适的邻域的目标状态。我们提供了彻底的评估我们的方法对不同配置的神经网络反馈控制器的各种系统。我们优于早期的状态空间探索技术,并取得显着改善的质量(可解释性)和性能(收敛速度)。最后,我们采用我们的算法伪造的一类时序逻辑规范,评估其性能对国家的最先进的伪造工具,并显示其潜力,补充现有的伪造算法。
2022-07-08 cs.LG cs.RO cs.SY
Learning to Explore Indoor Environments using Autonomous Micro Aerial Vehicles
University of Pennsylvania(宾夕法尼亚大学);Hebrew University of Jerusalem(耶路撒冷希伯来大学);Technion - Israel Institute of Technology(以色列理工学院)
本文提出一种基于DL和DRL的室内探索框架,通过预测未见环境地图并规划安全导航目标,在SWaP约束下使微型飞行器高效探索未知环境,效率较现有方法提升50-60%。
2023-09-13 cs.RO
Stubborn: A Strong Baseline for Indoor Object Navigation
MIT(麻省理工学院)
我们提出了一个强大的基线,超越了以前公布的方法在室内环境中的目标对象导航到人居挑战任务的性能。我们的方法是从现有技术的主要故障模式的动机:探索不佳,不准确的对象识别,和代理陷入由于不精确的地图构建。我们做出了三个贡献来缓解这些问题:(i)首先,我们表明现有的基于地图的方法未能有效地使用语义线索进行探索。我们提出了一个语义不可知的探索策略(称为顽固),没有任何学习,令人惊讶地优于以前的工作。(ii)我们提出了一种策略,整合时间信息,以提高对象识别。(iii)最后,由于不准确的深度观察,代理经常被困在小区域内。我们开发了一个多尺度碰撞地图的障碍物识别,减轻了这个问题。
2022-03-14 cs.AI cs.RO
Focus on Impact: Indoor Exploration with Intrinsic Motivation
University of Modena and Reggio Emilia(摩德纳雷焦艾米利亚大学)
室内环境的探索最近引起了人们的极大兴趣,这也要归功于引入了以分层方式构建的深度神经代理,并在模拟环境中使用深度强化学习(DRL)进行训练。当前最先进的方法采用密集的外在奖励,其需要训练环境的布局的完整先验知识来学习有效的探索策略。然而,就时间和资源而言,收集这种信息是昂贵的。在这项工作中,我们建议训练模型与一个纯粹的内在奖励信号,以指导探索,这是基于机器人的行动对环境的内部表示的影响。到目前为止,基于影响的奖励已经用于简单的任务和程序生成的具有可数状态的合成环境。由于在现实的室内环境中的代理可观察到的状态的数量是不可数的,我们包括一个基于神经的密度模型,并取代传统的基于计数的正则化与估计的伪计数以前访问过的状态。所提出的探索方法优于DRL为基础的竞争对手依赖于内在的奖励,并超越了密集的外部奖励计算的环境布局训练的代理。我们还表明,机器人配备了所提出的方法无缝地适应点目标导航和现实世界的部署。
2022-02-04 cs.AI cs.CV cs.RO
Semantic-Aware Guided Drone Exploration for Language-Conditioned 3D Indoor Mapping
Department of Electrical Engineering and Computer Sciences(电气工程与计算机科学系)
提出SAGE系统,结合CLIP语义提示与覆盖导向探索,在未知室内环境中优先发现目标物体,同时保持高覆盖率。
2026-05-22 cs.CV cs.RO
SuperEx: Enhancing Indoor Mapping and Exploration using Non-Line-of-Sight Perception
Department of Applied Mathematics, Delhi Technological University(应用数学系,德里技术大学);Stony Brook University(石溪大学)
本文提出 SuperEx 框架,将非视距(NLOS)单光子 LiDAR 感知集成到机器人建图与探索循环中,通过物理与数据驱动方法重建隐藏结构,显著提升了低覆盖率下的建图精度与探索效率。
2025-10-12 cs.CV cs.RO
CAVERNAUTE: a design and manufacturing pipeline of a rigid but foldable indoor airship aerial system for cave exploration
INIT Robots(INIT机器人公司);École de Technologie Supérieure(高等技术学院);LIPEC
受折纸和Kresling图案启发,研究团队设计出结合碳纤维外骨骼与UV树脂微晶格的可折叠室内飞艇,提出配套设计制造流程,通过仿真验证其在非结构化环境探索中的飞行自主性优势。
2024-09-11 cond-mat.other cs.RO
MapEx: Indoor Structure Exploration with Probabilistic Information Gain from Global Map Predictions
Carnegie Mellon University Robotics Institute(卡内基梅隆大学机器人研究所);BITS, Pilani – Goa(比尔·加里弗斯理工学院-戈亚);Brown University(布朗大学);University at Buffalo(布法罗大学);University of Technology, Sydney(悉尼技术大学)
提出MapEx探索框架,通过联合推理机器人观测内容与不确定性,利用多预测地图的方差和可见区域估计概率信息增益,在KTH数据集上分别比基于地图预测和最近前沿方法提升12.4%和25.4%。
2025-07-16 cs.CV cs.RO
IndoorR2X: Indoor Robot-to-Everything Coordination with LLM-Driven Planning
Fujitsu Research(富士通研究所);Carnegie Mellon University(卡内基梅隆大学)
IndoorR2X通过整合移动机器人和静态物联网设备的观测数据,构建全局语义状态,实现可扩展的场景理解、减少冗余探索并利用大语言模型进行高层协调,提升多机器人系统的效率和可靠性。
2026-07-08 cs.MA cs.RO
Indoor Exploration and Simultaneous Trolley Collection Through Task-Oriented Environment Partitioning
Jiaxing Research Institute, Southern University of Science and Technology(南方科技大学嘉兴研究院);Southern University of Science and Technology(南方科技大学)
本文提出一种面向任务的环境划分与同步探索搜索框架,通过构建混合地图和带优先约束的旅行商问题,实现自主手推车收集中的高效探索与物体搜索。
2023-09-20 cs.RO cs.SY eess.SY
GLEAM: Learning Generalizable Exploration Policy for Active Mapping in Complex 3D Indoor Scenes
The Chinese University of Hong Kong(香港中文大学);Shanghai AI Laboratory(上海人工智能实验室)
针对未知复杂室内场景主动建图的泛化难题,本文构建含1,152个场景的GLEAM-Bench,并提出融合语义表示、长期目标与随机策略的GLEAM探索策略,显著提升未见场景覆盖率与建图精度。
2025-09-29 cs.AI cs.CV 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
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
Learning to Navigate in Indoor Environments: from Memorizing to Reasoning
Harbin Institute of Technology(哈尔滨工业大学)
自主导航是移动机器人实现智能移动的基本能力。传统的路径规划方法必须有环境地图来规划工作空间中的无碰撞路径。深度强化学习(Deep reinforcement learning,DRL)是实现无地图自主导航任务的一种很有前途的技术,利用深度神经网络可以通过探索拟合从观察到合理行动的映射。它不仅要记住训练的目标,更重要的是,规划者可以推理出看不见的目标。我们提出了一种新的基于深度强化学习的运动规划器,该运动规划器可以在室内环境中仅使用RGB图像和里程计来达到之前没有训练过的新目标。该模型具有堆叠的长短期记忆(LSTM)结构。最后,在模拟和真实环境中进行了实验。源代码可以在https://github.com/marooncn/navbot上找到。
2019-04-21 cs.RO
IMAGINE: Intelligent Multi-Agent Godot-based Indoor Networked Exploration
Institute for Systems and Robotics(系统研究所)
本文提出基于Godot的多智能体强化学习方法,用于解决室内未知环境中的自主协作探索问题,通过高保真模拟和课程学习提升训练效率与鲁棒性。
2026-02-02 cs.LG cs.MA cs.NI
Landmark-based Distributed Topological Mapping and Navigation in GPS-denied Urban Environments Using Teams of Low-cost Robots
Lehigh University(理海大学)
在本文中,我们解决的问题,自主多机器人映射,探索和导航在未知的,GPS拒绝室内或城市环境中使用的机器人群配备有有限的传感能力和有限的计算资源的方向传感器。机器人没有环境的先验知识,并且需要使用现有地标以分布式方式快速探索和构建地图,可以使用机载传感器检测地标的存在,尽管几乎没有度量信息(到地标的距离或方位)可用。为了正确和有效地实现这一点,通过城市/室内环境的设计来确保地标的必要密度/分布的存在。因此,我们分两个阶段来解决这个问题:1)在城市/室内环境的设计/建造过程中,我们可以确保在环境中放置足够的地标。为此,我们开发了一种基于过滤的方法来设计环境中地标的战略位置。2)我们开发了一种分布式算法,使用该算法的机器人团队,没有先验知识的环境,可以探索这样的环境,构建一个拓扑地图,不需要度量/距离信息,并使用该地图在环境中导航。这是使用环境的拓扑表示(称为地标复合体)来实现的,而不是构建完整的度量/像素图。该表示由机器人构建,并通过探索和利用之间的平衡被机器人用于导航。我们使用同源性理论的工具来识别未知环境的覆盖/探索中的"洞",从而引导机器人实现对环境的完整探索和映射。
2021-03-05 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
Return-to-Home Feasible Micro-Aerial Vehicle Exploration for 3D Gaussian Splatting Reconstruction
Fujitsu Research(富士通研究所)
提出拓扑优先的主动重建框架,解耦3DGS高保真渲染与导航,利用TSDF/占据栅格支架和Voronoi路线图,在飞行时间预算内实现安全可返回基地的室内探索重建,性能优于或媲美现有基线。
2026-10-06 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
Verti-Arena: A Controllable and Standardized Indoor Testbed for Multi-Terrain Off-Road Autonomy
University of Pennsylvania(宾夕法尼亚大学);George Mason University(乔治·梅森大学);University of Catania(卡塔尼亚大学)
本文提出可重构室内测试平台 Verti-Arena,通过标准化多地形环境、精确真值测量和远程网页接口,解决越野自主系统缺乏可控真实测试条件的问题,支持可复现实验与算法比较评估。
2025-11-08 cs.RO
GuangMing-Explorer: A Four-Legged Robot Platform for Autonomous Exploration in General Environments
Guangdong Laboratory of Artificial Intelligence(广东人工智能实验室);Shenzhen University(深圳大学)
GuangMing-Explorer是一种四足机器人平台,旨在通过整合硬件和软件实现自主探索,适用于复杂和非结构化环境。
2025-12-17 cs.RO
Learning Long-Horizon Robot Exploration Strategies for Multi-Object Search in Continuous Action Spaces
University of Freiburg(弗莱堡大学)
基于视觉的导航和探索的最新进展在逼真的室内环境中显示出令人印象深刻的能力。然而,这些方法仍然难以处理长期任务,并且需要大量数据来推广到不可见的环境。在这项工作中,我们提出了一种新的多目标搜索的强化学习方法,在一个单一的模型中结合了短期和长期的推理,同时避免了层次结构所带来的复杂性。与现有的多目标搜索方法,在粒度离散动作空间中,我们的方法在连续动作空间中实现了卓越的性能。我们进行了广泛的实验,并表明它推广到看不见的公寓环境,有限的数据。此外,我们展示了zero-shot转让的学习政策,在现实世界的实验中的办公环境。
2022-05-24 cs.RO
OpenGuide: Assistive Object Retrieval in Indoor Spaces for Individuals with Visual Impairments
Department of Civil and Environmental Engineering, University of Michigan(密歇根大学土木与环境工程系);College of Literature, Science, and the Arts, University of Michigan(密歇根大学文学、科学与艺术学院)
针对视障人士室内多物品检索难题,提出融合VLM、前沿探索与POMDP规划的OpenGuide机器人系统,支持开放词汇请求,可稳健漏检恢复,实验验证其任务成功率和搜索效率显著提升。
2025-09-02 cs.HC cs.RO
Efficient Navigation in Unknown Indoor Environments with Vision-Language Models
ETH Zürich(苏黎世联邦理工学院);Massachusetts Institute of Technology(麻省理工学院)
提出一种基于VLM的高层规划框架,通过零样本推理对占用地图中的候选子目标进行评估排序,有效减少了未知室内环境导航中的贪婪失败,路径平均缩短约10%。
2025-10-11 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
RGB-only Active 3D Scene Graph Generation for Indoor Mobile Robots
Mobile Robotics Group (MRG)(移动机器人小组);Visual and Multimodal Applied Learning Lab (VANDAL)(视觉与多模态应用学习实验室)
本文提出了一种仅使用RGB输入的主动3D场景图生成方法,通过统一感知与规划的结构化表示,解决了传统方法对专用传感器的依赖问题,并在Replica数据集上验证了其有效性。
2026-05-18 cs.AI cs.CV cs.RO
Estimating Map Completeness in Robot Exploration
Università degli Studi di Milano(米兰大学);Politecnico di Milano(米兰理工大学)
本研究提出一种基于深度卷积神经网络的方法,可根据室内环境部分栅格地图估计已探索区域规模并判断剩余区域是否值得探索,据此定义探索停止准则,平均节省40%总探索时间。
2024-06-19 cs.RO
Active Neural Mapping at Scale
Institute for AI Industry Research (AIR), Tsinghua University(清华大学人工智能产业研究院(AIR));School of Intelligence Science and Technology, Peking University(北京大学智能科学与技术学院)
提出基于NeRF的主动建图系统,通过从神经地图中提取广义Voronoi图并锚定不确定区域,实现大规模室内环境的高效鲁棒探索与高质量重建。
2024-09-30 cs.CV 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
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
Mapless Navigation: Learning UAVs Motion forExploration of Unknown Environments
ETRI(韩国电子通信研究院);KAIST(韩国科学技术院)
本研究提出了一种新的方法学为基础的运动规划自主探索使用空中机器人。通过强化学习的方法,通过试验和错误的学习,得出的行动政策,可以指导自主探索的地下和隧道环境。设计了一种新的马尔可夫决策过程状态,仅通过仿真来学习机器人的动作策略,并将结果应用于现实环境中,而无需进一步学习。减少了网格路径规划中对精确地图的需求,实现了无地图导航。所提出的方法可以有一个更少的计算成本比基于网格的规划器的路径,但具有类似的性能。经过训练的行动策略在与地下矿井或室内空间的自主勘探相关的模拟和现场试验中得到了广泛的评估。
2021-10-04 cs.RO
Hierarchical Floorplan-Guided Vision-Language Exploration for Embodied Question Answering
Norwegian University of Science and Technology (NTNU)(挪威科技大学)
针对具身问答中探索仅依赖局部观察而忽视环境结构先验的问题,提出HFLEX-EQA分层框架,结合场景图、VLM规划、语义前沿与平面图先验,在OpenEQA和ExploreEQA基准及真实机器人上验证了有效性。
2026-09-23 cs.RO
Rapidly-Exploring Random Graph Next-Best View Exploration for Ground Vehicles
Technical University Bergakademie Freiberg(弗赖贝格工业大学);Nuremberg Institute of Technology Georg Simon Ohm(纽伦堡应用技术大学乔治·西蒙·欧姆)
在本文中,介绍了一种新的方法,利用快速探索随机图,以提高采样为基础的自主探索未知环境的无人地面车辆相比,目前的最先进的。其预期用途是在救援场景中的大型室内和地下环境中的遥操作能力有限。局部和全局采样用于提高大环境下的探测效率。节点被选择为下一个勘探目标的基础上的收益-成本比来自假设的3D地图覆盖在特定的节点和距离它。所提出的方法的特点是一个连续构建的图形与解耦计算的节点增益使用计算效率高的光线追踪方法。在机器人追求目标的同时评估下一个最佳视图,这消除了在达到先前目标后等待增益计算的需要,并显著加快了探索速度。此外,网格地图用于确定图中节点之间的可遍历性,同时还提供用于朝向选定目标导航的全局计划。仿真比较所提出的方法,国家的最先进的勘探算法,并证明其优越的性能。
2021-09-14 cs.RO
RB5 Low-Cost Explorer: Implementing Autonomous Long-Term Exploration on Low-Cost Robotic Hardware
Yale University(耶鲁大学);Boston Dynamics AI Institute(波士顿动力人工智能研究所);Harvard University(哈佛大学)
本文介绍了低成本轮式机器人RB5,通过结合前沿采样探索、向量场路径跟随与SLAM算法,在低更新频率硬件上实现室内外未知环境的自主长期探索,并利用LoRa技术实现远程人机交互。
2024-02-14 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
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
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
Region Based SLAM-Aware Exploration: Efficient and Robust Autonomous Mapping Strategy That Can Scale
Amazon Lab126(亚马逊实验室126)
本文提出一种SLAM感知的基于区域的探索策略,通过划分区域逐步探索并引入关键帧边缘化和检查点系统,显著提升了自主建图的效率、鲁棒性和可扩展性。
2026-10-02 cs.RO
Fast LiDAR Informed Visual Search in Unseen Indoor Environments
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出无先验地图的 LiDAR 与视觉融合搜索系统,通过宽视场 LiDAR 扫描分类器和上下文效用函数规划视点,并在 Spot 机器人的未知室内实验中证明其能更快找到目标。
2024-08-05 cs.RO
P2 Explore: Efficient Exploration in Unknown Cluttered Environment with Floor Plan Prediction
School of Mechanical Engineering, Shanghai Jiao Tong University(上海交通大学机械工程学院);Department of Computer Science, The University of Hong Kong(香港大学计算机科学系);Department of Mechanical Engineering, University of California(加州大学机械工程系)
针对杂乱未知环境探索易陷入局部最优的问题,提出FPUNet预测室内布局并优化房间访问顺序,仿真实验表明路径长度较基线缩短2.18%至34.60%。
2025-10-08 cs.RO
ARiADNE: A Reinforcement learning approach using Attention-based Deep Networks for Exploration
National University of Singapore(新加坡国立大学)
在自主机器人探索任务中,移动机器人需要尽可能快地主动探索和绘制未知环境。由于环境在探索过程中被揭示,机器人需要经常在线重新规划其路径,因为机载传感器会获取新信息并用于更新其部分地图。虽然最先进的探索规划者是基于前沿和采样的,但受到深度强化学习(DRL)最近发展的鼓舞,我们提出了ARiADNE,一种基于注意力的神经方法,用于获得实时,非近视的自主探索路径规划。ARiADNE能够在多个空间尺度上学习智能体部分地图区域之间的依赖关系,并隐式预测与探索这些区域相关的潜在收益。这允许智能体对移动动作进行排序,以平衡已知区域中的地图的开发/细化与新区域的探索之间的自然权衡。我们通过实验证明,我们的方法在数百个简化的2D室内场景中完成探索的平均轨迹长度方面优于学习和非学习最先进的基线。我们进一步验证我们的方法在高保真机器人操作系统(ROS)的模拟,在那里我们考虑一个真正的传感器模型和一个现实的低级别的运动控制器,对部署在真正的机器人。
2023-01-27 cs.RO
Build Once, Monitor Continuously: Persistent Semantic Mapping via Autonomous Exploration and Open-Vocabulary Object Updates
Department of Mechanical Engineering, University of Texas at Dallas(德克萨斯大学达拉斯分校机械工程系)
提出两阶段系统,先通过前沿探索构建几何地图,再通过开放词汇检测和分割模型更新语义对象图,实现仅重复轻量语义阶段的高效持久监控。
2026-06-23 cs.CV cs.RO
Language-Enhanced Mobile Manipulation for Efficient Object Search in Indoor Environments
School of Computation, Information and Technology (CIT), Technical University of Munich(计算、信息与技术学院(CIT),慕尼黑技术大学);State Key Laboratory for Novel Software Technology and the School of Science and Technology, Nanjing University (Suzhou Campus)(新型软件技术国家重点实验室和南京大学科学技术学院(苏州校区))
本文提出语言增强的分层导航框架GODHS,利用大语言模型进行场景语义推理,并结合启发式运动规划器,在陌生室内环境中实现比传统非语义策略更高效的物体搜索。
2025-08-28 cs.RO
4CNet: A Diffusion Approach to Map Prediction for Decentralized Multi-Robot Exploration
University of Toronto(多伦多大学);Autonomous Systems and Biomechatronics Laboratory (ASBLab)(自主系统与生物机电实验室(ASBLab))
本文提出4CNet深度学习架构,结合条件一致性模型、对比式轨迹预训练和置信度网络,用于资源受限去中心化多机器人探索中的地图预测,并在不规则障碍物环境中验证了其显著优于现有方法的预测精度和覆盖能力。
2025-04-08 cs.RO