PUL-SLAM：用于高效机器人探索的路径-不确定性联合优化与轻量化停滞检测
机器人学
2025-12-11 v2
摘要
现有的主动SLAM方法面临探索速度慢、路径次优等问题。为此，我们提出一种混合框架，结合路径-不确定性联合优化深度强化学习框架与轻量化停滞检测机制。路径-不确定性联合优化框架通过双目标奖励函数联合优化旅行距离和地图不确定性，平衡探索与开发。轻量化停滞检测通过激光雷达静态异常检测和地图更新停滞检测减少冗余探索，在低扩展率时终止episode。实验结果表明，与枝干方法和RRT方法相比，我们的方法将探索时间缩短最高可达65%，路径距离缩短最高可达42%，显著提升了复杂环境中的探索效率，同时保持可靠的地图完整性。消融研究确认联合机制加速了训练收敛。在物理机器人平台上的经验验证表明，该算法在实际应用中具有可行性，并成功实现了从仿真到真实环境的可迁移性。
关键词
引用
@article{arxiv.2511.04180,
title = {PUL-SLAM: Path-Uncertainty Co-Optimization with Lightweight Stagnation Detection for Efficient Robotic Exploration},
author = {Yizhen Yin and Dapeng Feng and Hongbo Chen and Yuhua Qi},
journal= {arXiv preprint arXiv:2511.04180},
year = {2025}
}