面向「未知环境里机器人自己选下一步去哪，把地图/语义补全」这一任务。
相关概念：Frontier · Active SLAM · NBV · 分层探索
1. 一句话地图
| 路线 | 白话 | 代表 |
|---|
| Frontier / 几何覆盖 | 找「已知↔未知」边界，走过去扫盲 | explore_lite、HPHS、FAEL |
| 采样 + 信息增益（NBV） | 在附近采样很多候选视角，选「能看最多新信息」的 | NBVP、GBP、DSVP |
| 分层全局规划 | 近处细算、远处粗看；避免「只顾眼前」 | TARE（业界基准）、Science Robotics 2023 |
| 学习型探索（DRL / Attention） | 用神经网络直接选下一目标点 | ARiADNE、HEADER、MA-SLAM、GLEAM |
| Active SLAM | 不只补地图，还要保定位不炸 | AG-SLAM、谱图 Active Semantic Mapping |
| 语义 / VLM 引导 | 探索为「找物体 / 建语义记忆」服务 | VLFM、ABot-Explorer、RoboAtlas、AutoX-SemMap |
典型流水线（和 Nav2 很像）：
传感器 → SLAM/占据图（或 3D 体素）
→ 探索规划器选出 goal / viewpoint
→ 全局+局部路径跟踪
→ 地图变大 → 再规划（直到无 frontier / 覆盖达标）
2. 怎么选（速查）
| 你的场景 | 优先看 | 原因 |
|---|
| 室内 2D 栅格、要快上实机 | explore_lite / frontier_exploration_ros2 / erl_active_mapping_ros | ROS2 + Nav2 成熟，和现有栈最近 |
| 大场景 3D / 洞穴 / 园区（LiDAR） | TARE、DSVP、GBP、FAEL、HPHS | 工业/比武验证多；HEADER 论文里仍以它们为强基线 |
| 要「比启发式更聪明」且能训 | ARiADNE（已开源 ROS）、GLEAM（有大 bench）、DARE | 学习型；泛化与部署成本更高 |
| 建图质量 / 定位也要管 | Active SLAM 线（AG-SLAM、谱图语义） | 纯 frontier 默认假设定位够准 |
| 目标是「找东西 / 语义地图」 | VLFM、ABot-Explorer、AutoX-SemMap、RoboAtlas | 几何覆盖 ≠ 语义任务成功 |
3.1 几何 / 分层（地面 + 地下）
工程现实
3.2 ROS2 可直接试（2D 栅格）
3.3 学习型探索（近年最活跃）
NUS MARMot Lab（marmotlab）是目前学习型探索开源最集中的实验室之一。
4.1 Active SLAM / 建图质量
| 论文 | 要点 | 链接 |
|---|
| Active SLAM Survey | TRO 2023 综述：状态、前沿、问题形式化 | Placed et al., TRO 2023 |
| Active Semantic Mapping + Pose Graph Spectral | 探索时兼顾语义地图质量与位姿图连通性 | arXiv:2408.14726 |
| AG-SLAM | 首个基于 3DGS 的 Active SLAM；Fisher 信息权衡「看新东西」vs「别跟丢」 | arXiv:2410.17422 |
| MA-SLAM | 大场景 Map-Aware DRL Active SLAM；有 UGV 实机 | arXiv:2511.14330 |
4.2 语义 / 语言引导的探索与导航
语义线与「纯覆盖探索」目标不同：指标常是 ObjectNav SPL / 任务成功率，不是「扫完多少体积」。
4.3 论文列表仓库（跟进展用）
5. 方法对比（直觉）
| 维度 | Frontier | TARE 类分层 | DRL（ARiADNE/GLEAM） | VLM 语义 |
|---|
| 可解释性 | 高 | 中高 | 低 | 中 |
| 算力 | 低 | 中 | 训练高 / 推理中 | 高（API/本地 VLM） |
| 大场景 | 易短视、漏区 | 强 | HEADER/MA-SLAM 在追 | 视任务而定 |
| 工程落地 | 最容易 | 需移植 | 需仿真对齐 | 依赖检测/语言栈 |
| 定位鲁棒 | 弱假设 | 弱假设 | 部分 Active 显式建模 | 通常另接 SLAM |
7. 开放问题
- TARE（RSS / SciRob）精读 + 与
explore_lite 对照表 - GLEAM-Bench 是否适合作为探索评测台
- HEADER 全文开源后是否替换学习基线
- AG-SLAM 与 cuVSLAM / 高斯建图路线是否有接口可能
8. 参考入口（精简）
- CMU Exploration：https://www.cmu-exploration.com/
- TARE：https://github.com/caochao39/tare_planner
- marmotlab 学习型探索全家桶：https://github.com/marmotlab
- GLEAM：https://github.com/zjwzcx/GLEAM
- Active SLAM 论文列表：https://github.com/Active-SLAM/Active-SLAM-Paper-List
本文系统梳理了未知环境中机器人自主探索的核心技术，涵盖Frontier-based方法、Active SLAM、分层几何探索及学习型探索（如强化学习与语义/语言引导导航）。重点对比建图质量、任务成功率等指标，介绍ROS2兼容的2D栅格方案、NUS MARMot Lab等主流开源项目，并分析GLEAM-Bench、TARE、HEADER等前沿评测与算法框架。内容聚焦算法原理、开源实现与开放问题。
扫一扫
413
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
