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
Learning Autonomous Exploration and Mapping with Semantic Vision
ShanghaiTech University（上海科技大学）
我们解决的问题，自主探索和地图的移动机器人使用视觉输入。探索和地图绘制是机器人领域的一个重要问题，其目标是使机器人能够自主地探索新的环境并创建地图以供将来使用。与经典的方法不同，我们提出了一种基于学习的方法，这项工作的基础上的语义解释的视觉场景。我们的方法是基于一个由三个模块组成的深度网络：语义分割网络，使用相机几何和探索行动网络映射。所有模块都是可区分的，因此整个管道都是基于演员-评论家框架进行端到端训练的。我们的网络一步一步地做出行动决策，同时生成自由空间地图。据我们所知，这是第一个将探索和映射公式化为学习框架的算法。我们验证我们的方法在模拟现实世界的环境中，并证明了竞争力的基线方法的性能增益。
2019-01-15 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
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
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
Dynamic-Aware Autonomous Exploration in Populated Environments
Sevensense Robotics AG（七感机器人股份公司）；ETH Zurich（苏黎世联邦理工学院）
自主探索允许移动机器人在最初未知的领域中导航，以构建环境的完整表示。在许多实际应用中，环境通常包含动态障碍物，这些障碍物可以通过暂时阻挡通道、狭窄路径、通往其他待探索区域的出口或入口来损害探索过程。在这项工作中，我们制定了一种新的探索策略，能够明确地处理动态障碍，从而导致完整和可靠的探索结果在人口稠密的环境。我们引入了动态边界的概念，以代表未知区域的边界与动态障碍物一起的成本函数，使机器人作出明智的决定，何时重新访问这些边界。我们在具有挑战性的模拟环境中评估了所提出的策略，并表明它在这些人口稠密的场景中优于最先进的基线。
2021-07-28 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
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
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
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
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
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
DARE: Diffusion Policy for Autonomous Robot Exploration
National University of Singapore（新加坡国立大学）；ETH Zürich（苏黎世联邦理工学院）
本文提出基于扩散模型的自主机器人探索方法DARE，利用专家演示训练和一次性推理生成探索路径，性能与最先进规划器相当且泛化性良好。
2024-10-22 cs.RO
A Hierarchical Graph-Based Terrain-Aware Autonomous Navigation Approach for Complementary Multimodal Ground-Aerial Exploration
Robotics & AI Team, Department of Computer, Electrical and Space Engineering, Luleå University of Technology（机器人与人工智能团队，计算机、电气与空间工程系，卢勒奥技术大学）
针对未知环境下地空机器人协同探索效率问题，提出基于分层图的地形感知导航方法，通过共享置信度指标协调部署，在地下场景中实现了更高效的互补式探索。
2025-05-20 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
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
Multi-Robot Autonomous Exploration and Mapping Under Localization Uncertainty with Expectation-Maximization
Stevens Institute of Technology（史蒂文斯理工学院）
本研究面向去中心化多机器人团队，提出一种考虑地图与定位不确定性的自主探索算法，通过虚拟地标量化噪声影响、采用期望最大化启发的迭代算法评估行动效果，实验证明其可在地图不确定性抑制与任务分配效率间实现平衡。
2024-03-06 cs.RO
Autonomous Spot: Long-Range Autonomous Exploration of Extreme Environments with Legged Locomotion
NASA Jet Propulsion Laboratory（NASA喷气推进实验室）；California Institute of Technology（加州理工学院）
本文是使用Boston Dynamics Spot机器人实现大规模和长时间自主的首批努力之一。出于探索极端环境的动机，特别是那些参与DARPA地下挑战的人，本文推动了使腿式机器人系统能够在相关场景中完成现实世界复杂任务的实践状态的界限。特别是，我们讨论的行为和能力出现的自治架构NeBula（网络信念感知感知自主）与下一代移动系统的集成。我们将讨论硬件和软件挑战，以及移动性、感知、自主性和无线网络方面的解决方案，以及经验教训和未来发展方向。我们展示了所提出的解决方案在现实世界的场景中的物理系统的性能。
2020-11-30 cs.RO
A Shadowcasting-Based Next-Best-View Planner for Autonomous 3D Exploration
University of Zagreb（萨格勒布大学）；Faculty of Electrical Engineering and Computing（电气与计算机工程学院）
在本文中，我们解决的问题，自主探索未知环境的空中机器人配备了一个传感器集，产生大点云，如激光雷达。其主要目标是逐步探索一个区域，同时规划路径和计算信息增益在短的计算时间，适合于在单板计算机上实现。为此，我们提出了一个计划，随机采样的环境地图中的观点。它依赖于一种基于递归阴影投射算法的新颖而有效的增益计算。为了确定下一个最佳视图（NBV），我们的规划器使用基于立方体的评估方法，导致令人羡慕的短计算时间。为了减少整体探索时间，我们还使用了一种死胡同解决策略，使我们能够在具有挑战性的环境中快速从死胡同中恢复。仿真实验表明，我们的方法优于当前国家的最先进的计算效率和总的探索时间。我们的方法的视频可以在https://www.youtube.com/playlist?上找到列表=PLC0C6uwoEQ8ZDhny1VdmFXLeTQOSBibQl。
2021-09-20 cs.RO
FALCON: Fast Autonomous Aerial Exploration using Coverage Path Guidance
Southern University of Science and Technology（南方科技大学）；Sun Yat-Sen University（中山大学）
针对现有自主空中探索规划器频繁重访已探索区域、效率低下的问题，本文提出FALCON框架，通过分层覆盖路径引导优化探索流程，经多场景实验验证性能优于现有最优方案，且已开源代码与评估环境。
2025-05-16 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
Fast Autonomous Robotic Exploration Using the Underlying Graph Structure
Departamento de Informática e Ingeniería de Sistemas（信息与系统工程系）；Instituto de Investigación en Ingeniería de Aragón（阿拉贡工程研究所）；Universidad de Zaragoza（萨拉戈萨大学）
在这项工作中，我们充分定义了传统的最优性标准和主动SLAM中底层姿态图的连通性之间的现有关系，因此，表征了图论和理论最优实验设计之间的连接。我们在2D和3D图形SLAM数据集中验证了所提出的关系，当使用图形结构时，显示出显着的计算负载放松。此外，我们提出了一种新的主动SLAM框架，它优于传统的方法，成功地利用图形方面的问题，以便自主探索未知的环境。
2022-04-22 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
Explorations and Lessons Learned in Building an Autonomous Formula SAE Car from Simulations
Technion（以色列理工学院）；Microsoft Research（微软研究院）
本文描述了在模拟中开发自动驾驶算法的过程中的探索和学习，然后在真实汽车上部署。我们特别关注学生方程式无人驾驶比赛。在这样的比赛中，一辆由学生设计和制造的方程式赛车面临着通过以前看不见的由交通锥标标记的赛道的挑战。我们探索并强调了与训练深度神经网络相关的挑战，该网络使用单个摄像头作为实时推断汽车转向角度的输入。本文探讨了模拟的深入创建，使用模拟来训练和验证软件堆栈，最后是与在现实世界中部署系统相关的工程挑战。
2019-06-13 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
GUIDE: A Diffusion-Based Autonomous Robot Exploration Framework Using Global Graph Inference
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；Southern University of Science and Technology（南方科技大学）
GUIDE通过结合全局图推断与扩散决策，提升机器人在复杂环境中的自主探索效率，实现更快的覆盖完成和更少的冗余运动。
2026-03-05 cs.RO
SRM: An Efficient Framework for Autonomous Robotic Exploration in Indoor Environments
The Chinese University of Hong Kong（香港中文大学）；The University of British Columbia（英属哥伦比亚大学）
在本文中，我们提出了一个集成的框架，自主机器人探索在室内环境中。特别是，我们提出了一种混合地图，命名为语义道路图（SRM），表示的拓扑结构的探索环境，并促进决策的探索。SRM是随着探索过程逐步构建的。它是一种图形结构，具有在传感器覆盖范围内生成的无冲突节点和边缘。此外，每个节点都有一个语义标签和该位置的预期信息增益。基于简洁的SRM，我们提出了一种新的和有效的决策模型，以确定下一个最佳目标（NBT）在勘探。该模型考虑了语义信息、信息增益和到达目标位置的路径代价。我们使用SRM的节点来表示候选目标，这使得目标评估可以直接在SRM上执行。利用SRM，可以有效地获得节点的信息增益和到达节点的路径代价。此外，我们采用交叉熵方法来优化路径，使其更具有信息量。我们在模拟和真实世界的环境中进行实验研究，证明了所提出的方法的有效性。
2018-12-24 cs.RO
Autonomous Robotic Tissue Palpation and Abnormalities Characterisation via Ergodic Exploration
Department of Information Engineering and Computer Science, University of Trento（信息工程与计算机科学系，特伦托大学）；Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学）
本文提出了一种基于耐久性探索的自主机器人触诊框架，通过结合力反馈与高斯过程回归，实现对组织弹性特性的高精度实时映射，提升异常特征的检测能力。
2026-02-15 cs.RO
Robust Collision-free Lightweight Aerial Autonomy for Unknown Area Exploration
ETRI（韩国电子通信研究院）；KAIST（韩国科学技术院）；NASA-JPL（美国国家航空航天局喷气推进实验室）；California Institute of Technology（加州理工学院）
无碰撞路径规划是在未知环境中进行自主探索的基本要求，特别是在受限空间或障碍物附近时。本研究提出了一种使用小型无人机的自主探索技术。设计了一种基于激光雷达测距的局部端点选择方法，并生成从当前位置到所选端点的路径。采用基于欧氏距离场的网格搜索方法，生成的路径实时显示一致的无碰撞路径。仿真结果一致表明了所提出的路径规划方法的安全性和可靠性。在三个不同的矿井中进行了真实世界的实验，展示了在各种结构条件的环境中成功的自主探测飞行。结果表明，所提出的轻型空中机器人系统的飞行自主框架的高性能。此外，我们的无人机在DARPA地下挑战赛的隧道赛道比赛（第一阶段）中执行自主任务。
2021-03-16 cs.RO
A Unified Approach for Autonomous Volumetric Exploration of Large Scale Environments under Severe Odometry Drift
ETH Zürich（苏黎世联邦理工学院）
探索是机器人自主性的一个基本问题。然而，一个主要的限制是，在探索机器人往往不得不依赖于板载系统单独的状态估计，积累了显着的漂移随着时间的推移，在大的环境。漂移可能对机器人的安全性和探测性能有害。在这项工作中，提出了一个基于子地图的，多层的方法，映射和规划，使安全和有效的体积探索大规模的环境，尽管里程漂移。我们的方法的中心思想结合本地（时间和空间）和全球映射，以保证安全性和效率。同样，我们的规划方法利用所提出的地图来计算不断变化的全球地图中的全球体积边界，并利用勘探的性质来处理有效的局部和全球规划的部分信息。所提出的系统进行了彻底的评估，并显示出优于最先进的方法，即使在无漂移的条件下。我们的系统，称为Gloca}，将开放源代码。
2021-03-05 cs.RO
RAEM: Robust Autonomous Exploration for Multi-Floor Environments with a Quadruped Robot
AI Chip Center for Emerging Smart Systems（新兴智能系统AI芯片中心）；InnoHK Centers（创新香港中心）；HongKong University of Science and Technology（香港科技大学）；Southeast University（东南大学）；City University of Hong Kong（香港城市大学）；Huazhong University of Science and Technology（华中科技大学）；University of Hong Kong（香港大学）；Wuhan University（武汉大学）
本文提出RAEM框架，通过混合局部-全局可通行性表示、楼梯中心对齐策略与双路径搜索机制，实现四足机器人在多层级环境的鲁棒自主探索，经仿真与真实实验验证有效。
2026-08-27 cs.RO
Demonstrating CavePI: Autonomous Exploration of Underwater Caves by Semantic Guidance
RoboPI laboratory, Department of ECE, University of Florida（RoboPI实验室，电子与计算机工程系，佛罗里达大学）；Department of ME, University of Delaware（机械工程系，德雷塞尔大学）
本文提出并演示了CavePI系统，通过语义引导的视觉伺服框架，实现自主水下航行器在复杂洞穴中的安全导航与探索，并在现场实验和仿真中验证了其可靠性。
2025-04-24 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
Autonomous Exploration and General Visual Inspection of Ship Ballast Water Tanks using Aerial Robots
Norwegian University of Science and Technology (NTNU)（挪威科技大学）；Equinor ASA（Equinor 公司）；Altera Infrastructure Production AS（Altera 基础设施生产公司）
针对船舶压载水舱狭窄受限的检测难题，提出结合体积探索与视距约束视觉检测的空中机器人方案，经仿真、多舱任务及实船现场实验验证，还可生成语义分割网格支持直观分析。
2023-11-07 cs.RO
GRATE: a Graph transformer-based deep Reinforcement learning Approach for Time-efficient autonomous robot Exploration
Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系）；School of Automotive Studies, Tongji University（同济大学汽车学院）
提出基于图Transformer的深度强化学习方法GRATE，通过捕获信息图的局部与全局特征并利用卡尔曼滤波平滑路径，显著提升了自主机器人探索的时间效率与推理能力。
2025-09-16 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
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
Autonomous Teamed Exploration of Subterranean Environments using Legged and Aerial Robots
University of Nevada, Reno（内华达大学里诺分校）；NTNU（挪威科技大学）；ETH Zurich（苏黎世联邦理工学院）
本文提出了一种新的策略，自主团队勘探地下环境使用腿和空中机器人。针对地下环境（如洞穴网络和地下矿山）通常涉及复杂，大规模和多分支拓扑结构的事实，而其中的无线通信可能特别具有挑战性，这项工作是围绕机载探索路径规划器的协同作用进行的，该规划器允许弹性长期自治，以及多机器人协调框架。机载路径规划器在腿式和飞行机器人之间是统一的，可以在陡坡和不同几何形状的环境中导航。当通信链路可用时，团队中的每个机器人共享到集中位置的子地图，其中多机器人协调框架确定探索空间的全球边界，以通知每个系统它应该重新定位以最好地继续其任务。该策略通过在瑞士地下矿井内的现场部署进行验证，使用腿和飞行机器人集体探索45分钟，以及更长的模拟研究与三个系统。
2022-05-16 cs.RO
POMDPs for Autonomous Science Exploration
该研究提出SHM-POMDP模型，解决高维观测下POMDP规划融入科学表征的难题，在RockSample域和Cuprite地质探测任务中，其性能优于传统POMDP与信息论基线方法。
2026-08-05 cs.RO
From Monocular SLAM to Autonomous Drone Exploration
Technische Universität München（慕尼黑工业大学）；Oculus Research（奥库鲁斯研究院）；RWTH Aachen University（亚琛工业大学）
微型飞行器（MAV）在其有效载荷和动力能力方面受到很大限制。为了实现自主导航，因此需要使用尽可能小、低重量和低功耗的传感设备的算法。在本文中，我们提出了一种方法，自主MAV导航和探索使用低成本的消费级四轴飞行器配备了单目摄像头。我们的基于视觉的导航系统建立在LSD-SLAM的基础上，LSD-SLAM可以实时估计MAV的轨迹和半密集的环境重建。由于LSD-SLAM仅确定高梯度像素处的深度，因此不直接观察到无纹理区域，使得不能直接应用假定密集地图信息的先前探索方法。我们提出了一个障碍物映射和探索的方法，考虑到我们的半密集单目SLAM系统的属性。在实验中，我们展示了我们的基于视觉的自主导航和探索系统与鹦鹉Bebop MAV。
2018-03-12 cs.CV cs.RO
History-aware Autonomous Exploration in Confined Environments using MAVs
Technical University of Denmark（丹麦技术大学）；ETH Zürich（苏黎世联邦理工学院）
许多场景需要机器人能够在没有人类监督的情况下在线探索其3D环境。这对于视察任务和搜索及救援任务尤其重要。为了解决这个高维路径规划问题，基于采样的探索算法已被证明是成功的。然而，这些不一定能很好地扩展到具有狭窄开口的较大环境或空间。本文提出了一种基于次佳视图（NBVs）原理的三维勘探规划器。在这种方法中，微型飞行器（MAV）配备了有限的视野深度传感器随机采样其配置空间，以找到有前途的未来观点。为了获得高采样效率，我们的规划维护和使用的历史访问的地方，并局部优化机器人的方向相对于未观察到的空间。我们评估我们的方法在几个模拟场景，并将其与最先进的探索算法。实验表明，在探索时间（$2\times$更快），计算时间，和路径长度，并在处理困难的情况下，如逃避死胡同（高达$20\times$更快）的优势显着改善。最后，我们验证了在线能力，我们的算法上的计算约束现实世界的MAV。
2018-03-28 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
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
