SEAd: 基于语义图预测的主动探索不确定区域
机器人学
2025-12-12 v2
摘要
本文提出SEAd方法，用于通过语义图预测和基于强化学习的层次化探索策略进行主动机器人探索。不同于依赖单步路径点预测的现有学习方法，本方法增强了代理人对环境的长期理解，以促进更有效的探索。我们提出一种迭代预测-探索框架，基于当前观察显式预测地图中缺失的区域。实际累积地图与预测全局地图之间的差异随后用于指导探索。此外，我们设计了新型奖励机制，利用强化学习更新长期探索策略，以在有限步数内构建准确语义地图。实验结果表明，我们的方法在相同时间约束下显著优于当前最先进的探索策略，实现更优越的全局地图覆盖区域。
引用
@article{arxiv.2510.19766,
title = {SEA: Semantic Map Prediction for Active Exploration of Uncertain Areas},
author = {Hongyu Ding and Xinyue Liang and Yudong Fang and You Wu and Jieqi Shi and Jing Huo and Wenbin Li and Jing Wu and Yu-Kun Lai and Yang Gao},
journal= {arXiv preprint arXiv:2510.19766},
year = {2025}
}
备注
Project page: https://robo-lavira.github.io/sea-active-exp