SenseExpo：基于轻量级神经网络进行高效自主探索
计算机视觉与模式识别
2025-03-21 v1
摘要
本文提出了 SenseExpo，这是一个基于轻量级预测网络的高效自主探索框架，旨在解决传统方法在计算开销和环境泛化性方面的局限性。通过整合生成对抗网络（GANs）、Transformer 和快速傅里叶卷积（FFC），我们设计了一个仅包含 709k 参数的轻量级预测模型。我们的最小模型在 KTH 数据集上优于 U-net（24.5M）和 LaMa（51M），分别实现 PSNR 为 9.026 和 SSIM 为 0.718，尤其是相较于 5100 万参数的 LaMa 模型实现了 38.7% 的 PSNR 提升。跨域测试表明，其强大的泛化能力体现在 HouseExpo 数据集上 FID 分数为 161.55，显著优于其他方法。关于探索效率，在 KTH 数据集上，SenseExpo 比 MapEx 减少约 67.9% 的探索时间。在 MRPB 1.0 数据集上，SenseExpo 比 MapEx 减少约 77.1% 的探索时间。作为即插即用 ROS 节点部署，该框架无缝集成到现有导航系统中，为资源受限设备提供高效解决方案。
关键词
引用
@article{arxiv.2503.16000,
title = {SenseExpo: Efficient Autonomous Exploration with Prediction Information from Lightweight Neural Networks},
author = {Haojia Gao and Haohua Que and Hoiian Au and Weihao Shan and Mingkai Liu and Yusen Qin and Lei Mu and Rong Zhao and Xinghua Yang and Qi Wei and Fei Qiao},
journal= {arXiv preprint arXiv:2503.16000},
year = {2025}
}