股票配资注意事项机器人探索未知世界, 为什么不能只认一条路? 天大团队提出FAME

该论文第一作者为李阳，天津大学人工智能学院2026级博士生，师从韩亚洪教授，主要研究方向为具身智能，相关研究成果发表于 CVPR、NeurIPS、TPAMI 等国际顶级会议及期刊。本研究由天津大学与合肥工业大学团队合作完成。实验室主页：https://tjumm.github.io/

想象一下，一台机器人正在探索一栋从未进入过的建筑。

它已经走过一段走廊，眼前出现几个不同方向的通道。但由于视野有限，机器人并不知道哪条路通向更大的空间，哪条路可能是死胡同，也不知道尚未探索的区域究竟是什么结构。

这时，它该往哪里走？

目前，许多学习型主动三维建图方法，往往只预测一个长期探索目标，再据此规划路径。

问题在于：当机器人对未知环境了解得还不够多时，为什么一定要提前押注一个方向？

针对这一问题，天津大学与合肥工业大学研究团队提出了 FAME（Flow-driven Anchor-based Multimodal Exploration）。与传统方法只预测一个目标不同，FAME 利用 Conditional Flow Matching 同时生成多个可能的探索目标，再结合路径规划、探索模式聚类和分层选择，帮助机器人在未知环境中找到更合适的探索路线。

目前，该研究成果已被 NeurIPS 2026 接收，并进一步入选 Spotlight（亮点论文）。本届会议共录用 7,900 篇论文，其中 292 篇入选 Spotlight，约占录用论文的 3.7%。

论文标题： All Roads Lead to Rome: Flow-driven Multi-Anchor Exploration for Open-Environment Active 3D Mapping

项目主页：https://vollichor.github.io/FAME/

论文链接： https://arxiv.org/abs/2609.36889

从「只选一条路」，到保留多种探索可能

主动三维建图（Active 3D Mapping）不仅要求机器人根据观测恢复环境的三维结构，还需要主动决定下一步去哪里采集信息，争取用更少的运动和观测代价，重建尽可能完整的场景。

然而，机器人能够观察到的始终只是环境的一部分。即使两个场景的局部结构看起来相似，尚未探索的区域也可能完全不同。如果模型只根据过去学到的经验预测一个长期目标，遇到陌生环境时就容易选错方向，遗漏其他有价值的区域。

研究团队指出，在部分可观测条件下，长期探索目标往往具有多模态特征。也就是说，对于同一个当前状态，可能同时存在多个合理的未来探索方向。

从理论上看，当多个合理的探索目标分布在不同方向时，采用平方误差训练的单目标预测模型，容易给出这些目标的平均位置。但这个位置未必是合适的探索目标，甚至可能落在障碍物区域。

因此，与其让模型只预测一个目标，不如让它同时考虑多个可能的探索方向。

图1：单目标预测与多模态探索的动机对比图

用 Flow Matching 生成多种探索假设

为了让机器人同时生成多个可能的探索目标，研究团队引入了 Conditional Flow Matching（CFM）。

具体来说，模型根据机器人当前已经构建的地图，从随机噪声出发，逐步生成多个不同位置和朝向的探索目标，也就是 Anchor（锚点）。每个 Anchor 都代表一个可能的长期探索方向。

例如，有的锚点可能引导机器人进入左侧房间，有的可能对应继续深入走廊，还有的可能指向尚未覆盖的局部区域。

与直接生成完整的探索路线不同，FAME 只需要预测目标的位置和方向。简单来说，模型负责提出几个可能去的地方，路径规划器再根据障碍物地图，计算每个目标应该怎么走。

这样既能保留多个探索方向，也不用让模型直接生成整条路线。

图2：Conditional Flow Matching 多模态目标生成示意图

不只是多生成几条路线，还要学会怎样选择

前面提到，CFM 可以帮助机器人生成多个探索目标。但有了这些目标还不够，机器人还需要判断哪些路线走得通，以及最终应该选择哪一条。

为此，FAME 使用基于 A* 的路径规划器，根据当前的障碍物地图，为每个 Anchor 生成一条候选路径。

随后，系统根据路径终点、几何形状、前段执行行为以及绕障拓扑等信息，对相似路径进行聚类。

这样，即便多个 Anchor 最终对应相近的路线，它们也可以被组织到同一个探索模式中，减少重复候选对后续决策的干扰。

最后是分层选择。

FAME 并不直接对所有路径进行一次性排序，而是先在探索模式层面作出选择，再在选中的模式内部筛选具体路线。

元股证券:ygzq.hk

第一层重点考虑潜在探索收益、风险、不确定性、代价和多样性；第二层进一步比较具体路径的收益、执行风险、成本以及与既有规划的连续性。

这种先选探索策略、再选执行路线的设计，使机器人不必在大量相似候选之间反复切换。

图3：FAME 整体架构图

定量结果：未知环境中的泛化表现如何？

为检验方法有效性，研究团队在 AiMDoom 与 Matterport3D（MP3D）两个基准上进行了系统实验，并重点考察跨场景分布的泛化能力。

在 AiMDoom 数据集上，FAME 在 Simple、Normal、Hard 和 Insane 四个难度级别中，最终覆盖率和 AUC 均优于其他对比方法。其中，在最困难的 Insane 设置下，最终覆盖率从 NBP 的 47.2% 提升至 53.4%，提高了 6.2 个百分点。

股票配资在线

表1：AiMDoom 数据集评估结果，四个难度级别下 FAME 的最终覆盖率与 AUC 均领先于对比方法

在基于真实室内扫描数据构建的 Matterport3D 基准上，FAME 的重建完成率达到 82.67%，同样优于其他对比方法。更值得关注的是跨数据集泛化能力。研究团队将模型在 AiMDoom 上训练后，直接迁移到 MP3D 测试，不进行任何微调。在这一更具挑战性的设置下，FAME 的重建完成率仍达到 68.45%，相比 NBP 的 61.81% 提高了 6.64 个百分点。