RoboAtlas: Contextual Active SLAM
作者: Alexander Schperberg, Shivam K. Panda, Abraham P. Vinod, M. K. Jawed, Stefano Di Cairano
分类: cs.RO, cs.CV
发布日期: 2026-06-24
备注: Alexander Schperberg and Shivam K. Panda made equal contribution
💡 一句话要点
提出RoboAtlas框架以解决主动SLAM中的几何探索与语义推理平衡问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics) 支柱六：视频提取与匹配 (Video Extraction) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 主动SLAM 语义映射 机器人导航 多臂赌博机 场景理解 大规模环境 性能提升
📋 核心要点
- 现有的主动SLAM方法在几何探索与语义推理之间的平衡存在不足，导致任务成功率低。
- RoboAtlas通过上下文多臂赌博机自适应地在探索与语义引导导航之间切换，提升了场景理解能力。
- 在大规模真实环境中，RoboAtlas实现了100%的任务成功率，并在基准测试中显著超越了现有方法。
📝 摘要（中文）
我们提出了RoboAtlas，一个上下文主动SLAM框架，能够自适应地平衡几何探索与语义推理，利用可扩展的3D语义映射系统OpenRoboVox。RoboAtlas集成了边界探索、全局语义地图推理和基于自我中心的VLM推理，通过上下文多臂赌博机在探索与语义引导导航之间进行转换。我们在模拟环境和Unitree Go2机器人上进行了评估，覆盖超过1800平方米的大规模真实环境，成功映射约3万个语义实例，任务成功率达到100%。在GOAT-Bench“Val Unseen”基准测试中，RoboAtlas以90.6%的成功率达到了最先进的性能，相较于最强基线提升了17.8个百分点。即使使用更小的Qwen2.5-VL-7B模型，仍然达到了88.8%的成功率，显示出我们的语义映射框架所获得的信息的重要性。
🔬 方法详解
问题定义：论文旨在解决主动SLAM中几何探索与语义推理之间的平衡问题。现有方法往往无法有效整合这两者，导致在复杂环境中的导航能力不足。
核心思路：RoboAtlas的核心思路是利用上下文多臂赌博机，根据场景理解的提升自适应地在探索和语义引导导航之间切换，从而提高整体导航效率和成功率。
技术框架：RoboAtlas的整体架构包括三个主要模块：边界探索模块、全局语义地图推理模块和基于自我中心的VLM推理模块。这些模块协同工作，形成一个动态的导航系统。
关键创新：最重要的技术创新在于将上下文多臂赌博机引入主动SLAM，允许系统根据实时的场景理解动态调整探索策略。这一设计与传统方法的静态策略形成鲜明对比。
关键设计：在参数设置上，RoboAtlas使用了可扩展的3D语义映射系统OpenRoboVox，并在损失函数和网络结构上进行了优化，以确保在大规模环境中高效处理和推理。
🖼️ 关键图片
📊 实验亮点
RoboAtlas在大规模真实环境中实现了100%的任务成功率，并在GOAT-Bench“Val Unseen”基准测试中以90.6%的成功率达到了最先进的水平，相较于最强基线提升了17.8个百分点。即使使用较小的Qwen2.5-VL-7B模型，仍然达到了88.8%的成功率，显示出语义映射的重要性。
🎯 应用场景
RoboAtlas框架具有广泛的应用潜力，尤其在复杂环境下的机器人导航、自动驾驶和智能家居等领域。通过提升机器人对环境的理解能力，该研究能够推动自主系统在实际应用中的可靠性和效率，未来可能在智能城市和服务机器人等场景中发挥重要作用。
📄 摘要（原文）
We present RoboAtlas, a contextual Active SLAM framework that adaptively balances geometric exploration and semantic reasoning using a scalable 3D semantic mapping system, OpenRoboVox. RoboAtlas integrates frontier exploration, global semantic-map reasoning, and egocentric VLM-based reasoning through a contextual multi-armed bandit that transitions from exploration to semantically guided navigation as scene understanding improves. We evaluate the system in simulation and on a Unitree Go2 robot in large-scale real-world environments exceeding 1800 m2 with approx. 30k mapped semantic instances, achieving a 100% task success rate. On the GOAT-Bench "Val Unseen" benchmark, RoboAtlas achieves state-of-the-art performance with highest reported success rate (SR) of 90.6%, using GPT-4o, improving over the strongest prior baseline by 17.8 percentage points in SR. Using the much smaller Qwen2.5-VL-7B model, it still achieves 88.8% SR, outperforming all baselines using GPT-4o in SR, and revealing the importance of the information gained by our semantic mapping framework over simply replacing the underlying foundation model. The results demonstrate that grounding foundation models with large-scale 3D semantic maps enables robust and efficient contextual Active SLAM.