Data-driven Mobile Robot Exploration with Key-site Selective Memory

doi:10.1007/s13369-026-11669-1

Data-driven Mobile Robot Exploration with Key-site Selective Memory

2026-09-15

0

PRE

AI

DOI：10.1007/s13369-026-11669-1

原文链接

原文求助

摘要

En 中文

基于视觉的探索系统在帮助移动机器人理解周围环境并有效完成探索任务中发挥着关键作用。近年来基于学习的方法通过使用扩散模型生成机器人动作展现出前景，但它们主要应用于小规模场景的导航，在大型未知环境的自主探索中往往表现不佳，难以实现高效覆盖。现有探索方法通常因缺乏专门的长时记忆来区分已探索和未探索区域而导致工作效率低下，这容易导致环境覆盖不完整并在复杂场景中探索失败。为解决这些挑战，我们提出了一种交叉注意力记忆机制，用于捕捉历史信息以最小化对已探索区域的冗余探索，从而提高整体探索效率。利用Transformer在处理长序列信息方面的优势，该机制使移动机器人能有效利用历史观测避免重复访问。此外，借助扩散模型在动作生成方面的优势，我们采用一种结合自注意力机制的增强扩散模型来生成机器人的未来航点。实验结果表明，所提出的方法在保持计算效率与精度之间最优权衡的同时，相比基线算法实现了更优的探索性能。

Keyword:

Vision-based exploration

Transformer

Long-term memory encoding

Diffusion model

Data-driven Mobile Robot Exploration with Key-site Selective Memory

摘要

期刊

机构