基于轻量级神经网络的机器人自主探索中室内结构预测方法
机器人学
2025-04-08 v1 人工智能
摘要
未知环境中的自主探索是机器人学中的关键挑战，尤其是用于室内导航、搜救和服务机器人等应用。传统的探索策略，如基于前沿的方法，往往难以有效利用室内空间结构规律性的先验知识。为此，我们提出了“首次感知映射” (Mapping at First Sense)，一种基于轻量级神经网络的方法，用于预测局部地图中未观察到的区域，从而提升探索效率。我们方法的核心是 SenseMapNet，将卷积和变换器架构集成，以推断遮挡区域，同时保持面向资源受限机器人实时部署的计算效率。此外，我们引入 SenseMapDataset，一个来自 KTH 和 HouseExpo 环境的精选数据集，促进了室内探索神经模型的训练和评估。实验结果表明，SenseMapNet 在结构相似性 (SSIM) 上达到 0.78，在感知质量 (LPIPS) 上达到 0.68，FID (特征分布对齐) 为 239.79，优于传统方法在地图重建质量方面的表现。与传统基于前沿的探索方法相比，我们的方法将探索时间缩短 46.5%（从 2335.56 秒缩短至 1248.68 秒），同时保持高覆盖率 (88%)，实现 88% 的重建精度。该方法代表了高效学习驱动的结构化环境机器人探索的有前景的一步。
关键词
引用
@article{arxiv.2504.04061,
title = {Mapping at First Sense: A Lightweight Neural Network-Based Indoor Structures Prediction Method for Robot Autonomous Exploration},
author = {Haojia Gao and Haohua Que and Kunrong Li and Weihao Shan and Mingkai Liu and Rong Zhao and Lei Mu and Xinghua Yang and Qi Wei and Fei Qiao},
journal= {arXiv preprint arXiv:2504.04061},
year = {2025}
}