Newest papers

MAPLE: Mondrian-Anchored Prior for Learning-free Indoor Exploration

Kelvin Aladum, Nisar R. Ahmed · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.28566 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Robot khám phá môi trường trong nhà chưa biết phải quyết định di chuyển ở đâu trong khi phần lớn môi trường vẫn chưa được nhìn thấy. Dự đoán sự chiếm đóng của không gian vô hình vượt ra ngoài phạm vi cảm biến hiện tại có thể cải thiện những quyết định này, nhưng các phương pháp tiếp cận gần đây thường dựa trên các mô hình học tập đòi hỏi đào tạo ngoại tuyến và suy luận lặp đi lặp lại trong quá trình khám phá. Chúng tôi giới thiệu Mondrian-Anchored Prior for Learning-free Indoor Exploration (MAPLE), một cách tiếp cận dự đoán không có đào tạo điều chỉnh quy trình Mondrian vào một điều kiện tạo trực tuyến được ưu tiên trên các dấu hiệu hình học quan sát trong bản đồ một phần hiện tại. MAPLE tạo ra nhiều giả thuyết bản đồ đáng tin cậy và đánh giá khả năng hiển thị riêng biệt trong mỗi để ước tính lợi nhuận biên giới, duy trì

Machine translation (Meta M2M100); the English original follows.

Abstract

Robots exploring unknown indoor environments must decide where to move while much of the environment remains unseen. Predicting the occupancy of unseen space beyond the current sensor range can improve these decisions, but recent approaches commonly rely on learned models that require offline training and repeated inference during exploration. We introduce the Mondrian-Anchored Prior for Learning-free Indoor Exploration (MAPLE), a training-free predictive approach that adapts the Mondrian process into an online generative prior conditioned on observed geometric cues in the current partial map. MAPLE generates multiple plausible map hypotheses and evaluates visibility separately within each to estimate frontier gain, preserving differences in predicted visibility across hypotheses. Across KTH floor-plans and real-SLAM environments at multiple sensor ranges, MAPLE consistently improves over non-predictive exploration and remains competitive with learned predictive approaches. Its lightweight procedural construction enables predictive exploration with limited computational resources. Experimental results further show that more accurate map prediction does not necessarily produce better exploration, highlighting the importance of how predictions are represented and used in exploration decisions.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Artificial intelligence, Visibility, Machine learning, Process (computing), Inference

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange