arXiv cs.AI· Ning Liu, Sen Shen, Zheng Li, Sheng Liu, Dongkun Han, Shangke Lyu, Thomas Br\"aunl·· 11 小时前AI 评分24
VORL-EXPLORE：面向动态环境多机器人探索的混合学习规划方法
VORL-EXPLORE: A Hybrid Learning Planning Approach to Multi-Robot Exploration in Dynamic Environments
AI 导读
VORL-EXPLORE 提出一种混合学习与规划的框架，通过“执行保真度”估计局部可通行性与执行可靠性，让多机器人探索具备执行感知能力。该分数用于在带机器人间斥力的保真度耦合 Voronoi 分配目标中惩罚高风险或拥挤前沿，并在导航时仲裁全局 A* 引导与反应式强化学习策略。
正文 · AI 翻译
摘要：分层多机器人探索将前沿分配与局部导航解耦，使系统在动态环境中变得脆弱。由于缺乏对执行难度的感知，分配器可能将机器人派往路线拥堵或不安全的前沿，导致瓶颈、振荡式重规划和冗余覆盖。我们提出 VORL-EXPLORE，一个混合学习与规划框架，通过执行保真度（对局部可导航性和执行可靠性的估计）使探索具备执行感知能力。该保真度分数用于在带机器人间斥力的保真度耦合 Voronoi 分配目标中惩罚高风险或拥挤的前沿，并在导航过程中在全局 $A^*$ 引导与反应式强化学习策略之间进行仲裁。因此，机器人在可靠区域遵循高效的全局规划，在拥挤或变化区域更多地依赖更安全的局部反应。保真度模型利用由近期进展和安全结果导出的自监督伪标签进行重新校准。在随机动态网格上的定量实验以及严重拥堵下的消融实验表明，成功率更高、探索路径更短、机器人间覆盖重叠更低。还包含一个 Gazebo 工厂场景作为部署示例。源代码可在 此 https URL 获取。
| 评论： | 已被 IROS 2026 接收。8 页，5 幅图，2 张表。更新后的稿件 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2603.07973 [cs.RO] |
| （或 arXiv:2603.07973v2 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2603.07973 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ning Liu [查看邮箱]
[v1]
2026 年 3 月 9 日星期一 05:20:33 UTC（2,066 KB）
[v2]
2026 年 10 月 23 日星期五 09:52:37 UTC（2,129 KB）
来源：arXiv cs.AI · arxiv.org