OpenSpace Lab 公布 IROS 2026 室内探索方案：单机公开赛道第一，私有赛道第三

如何在有限步数和必须返回基站上传数据的约束下，让单机器人和多机器人系统最大化室内环境覆盖？

现有自主探索方法大多将执行时间或路径长度作为任务完成后的被动评价指标，而非实时决策中的主动约束。在许多时间受限场景中，机器人必须在有限时间预算内最大化信息收集，同时持续评估返回基站或通信枢纽的时间成本。此前框架未在实时前沿评估和路径规划中显式纳入返回基站的硬约束。

此前探索方法主要基于前沿检测和信息增益进行贪心或全局规划，将时间或路径长度作为事后度量，未将剩余时间和返航成本作为决策变量。在竞赛环境中，严格的步数预算和强制返回基站上传数据的规则使这类方法难以保证任务完成和覆盖效率。

单机器人方案采用两级架构：全局规划用预训练 LaMa 模型在 MapEx 中做地图补全，将前沿聚类为宏观区域任务，用宽度 36、最大长度 6 的束搜索优化访问序列；局部规划结合预算感知启发式，针对 1000、1500、2000 步预算动态调整目标选择和路径规则；返航条件在剩余步数低于估计返航成本加 10 步安全余量时触发，并利用视线通信提前上传地图。多机器人方案在共享地图和意图数据基础上，用效用函数平衡观测增益、移动成本和预算约束，通过分散初始方向、惩罚靠近队友意图或历史轨迹的候选点减少冗余，并结合事件触发的数据中继和动态交接保证通信与返航。

在七张公开地图上，单机器人方案平均覆盖率 61.04%，排名第一；在大地图上领先第二名团队 3.53 个百分点，49.81% 对 46.28%。在十张未公开私有地图上，单机器人私有赛道覆盖率 39.53% 排名第三，多机器人私有赛道覆盖率 39.91% 排名第三；单机器人中等地图类别以 42.53% 覆盖率排名第一。评估步数预算：单机器人小、中、大地图分别为 1000、1500、2000 步；多机器人使用 2、3、4、5 台机器人，预算 500、1000、1500 步。论文未报告是否使用真机或纯仿真。

作者未明确列出研究局限。报告显示方案仅在竞赛环境中验证，未报告真机实验；工程启发式规则依赖手动调参，对不同预算和地图类型的泛化性未知；私有赛道排名第三，说明未知地图上仍有性能差距；源代码须待全文被接收后才发布，目前未开源；未提供消融实验或计算开销数据。