MapEx：基于全局地图预测的概率信息增益进行室内结构探索
机器人学
2025-07-17 v3 计算机视觉与模式识别
摘要
探索是机器人中的关键挑战，核心在于理解未知环境。在本工作中，我们聚焦于机器人探索由重复模式组成的结构化室内环境，这些环境往往是可预测的。大多数现有方法，如常规的边界方法，难以利用可预测性，仅使用简单的启发式方法（如“最近优先”）进行探索。近期研究采用深度学习技术预测地图的未知区域，并利用这些预测进行信息增益计算。然而，这些方法往往对预测地图的质量敏感，或未对传感器覆盖范围进行推理。为克服这些问题，我们的关键见解是联合推理机器人可观测区域及其不确定性，以计算概率信息增益。我们引入MapEx，一种新的探索框架，使用预测地图为信息增益估计构建概率传感器模型。MapEx基于观察信息生成多个预测地图，并考虑预测地图的计算方差以及估计的可见区域，以估计给定视角的信息增益。在真实世界的KTH数据集上进行的实验表明，与代表性的地图预测基于的探索方法相比，平均提升12.4%；与最近边界方法相比，提升25.4%。网站：mapex-explorer.github.io
引用
@article{arxiv.2409.15590,
title = {MapEx: Indoor Structure Exploration with Probabilistic Information Gain from Global Map Predictions},
author = {Cherie Ho and Seungchan Kim and Brady Moon and Aditya Parandekar and Narek Harutyunyan and Chen Wang and Katia Sycara and Graeme Best and Sebastian Scherer},
journal= {arXiv preprint arXiv:2409.15590},
year = {2025}
}
备注
7 pages